Den viktige bruken av hjertekonduktanslinjer

Hjerte- og karsykdommer er dødsårsaken nummer én i Kina, med mer enn 544,000 tilfeller av plutselig død fra sentral opprinnelse hvert år, og forekomsten er på vei oppover med endring av livsstil og aldrende befolkning .

Plutselig hjertedød (SCD) er et uventet dødsfall av hjerteårsaker, som vanligvis oppstår innen én time etter debut av hjertesykdomssymptomer, karakterisert ved plutselig tap av bevissthet, plutselig opphør av hjerteaktivitet og hemodynamisk svikt, vanligvis på grunn av vedvarende ventrikkeltakykardi eller ventrikkelflimmer.

Derfor kan identifisering av personer med høy risiko for SCD gå langt i å forebygge sykdommen.

Et elektrokardiogram (EKG) er en mye brukt metode for å oppdage den elektriske aktiviteten til hjertet, og den vanlige kliniske standarden bruker et 12-ledende EKG for å vurdere en pasients hjertehelse. Som en nøkkelkomponent som forbinder pasientens kropp med elektrokardiograminstrument, spiller hjertekonduktanstråden en viktig rolle i kvaliteten på elektrokardiogramsignalet.

I følge en ny studie publisert i Communications Medicine, et av verdens ledende vitenskapelige tidsskrifter, kan den EKG-baserte Deep Learning-modellen for vurdering av SCD-risiko skille SCD-tilfeller fra kontrollgrupper mer nøyaktig enn den tradisjonelle EKG-risikomodellen. Dette vil hjelpe klinikere. screene og identifisere personer med høyere risiko for SCD, slik at de kan testes regelmessig for å forhindre at SCD oppstår.

Teamet brukte data fra to geografisk uavhengige, prospektive, samfunnsbaserte pågående SCD-studier utenfor sykehus, med et totalt utvalg på 2510 SCD-tilfeller. Deep learning (DL)-modeller ble trent, validert og testet på 1796 SCD Sudden Accidental Death Study-data fra Oregon, USA (Oregon SUDS), og eksternt validert på 714 Sudden Death Prediction Study-data fra multietniske samfunn i Ventura County, California (Ventura PRESTO). Alle tilfeller av hvile-12-elektrode-elektrokardiogrammer tilgjengelig for analyse, som ble registrert før SCD og ikke var assosiert med SCD-hendelser, ble inkludert i studien, unntatt EKG med pacingrytme, atrieflimmer eller atrieflutter a priori lage en DL-modell som kan brukes på sinusrytme-elektrokardiogrammer.

Teamet utviklet en konvolusjonell nevrale nettverksmodell som er i stand til å identifisere SCD-tilfeller ved hjelp av 12-avlednings-EKG-bølgeformer. Forskerne innhentet to uavhengige kontrollprøver fra 1342 elektrokardiogrammer fra 1325 individer som hadde minst 50 prosent av koronarsykdom. De trente modellen ved å bruke 1076 SCD-tilfeller fra Oregon SUDS og 1,101 12-avlednings-EKG før hjertestans, 597 SCD-tilfeller fra kontrollgruppen og 613 12-avlednings-EKG. En egen valideringskohort, bestående av 366 pre-hjertestans-EKG og 200 kontroll-EKG, ble brukt for å bestemme når modelltrening skulle stoppes. Studieprøvene ble delt inn etter pasientnivå slik at flere elektrokardiogrammer fra samme pasient kunne inkluderes i samme kohort.

Sammenlignet med tradisjonelle EKG-modeller var DL-modellen basert på {{0}}avlednings-EKG-bølgeform mer nøyaktig når det gjaldt å identifisere SCD-tilfeller, med en intern kohort AUROC (et nevralt nettverksevalueringsmål) på 0. 889 og en eksternt validert AUROC på 0,820, og var bedre enn den tradisjonelle EKG-risikoskåren. Dette er den første rapporten om at en EKG-basert DL-modell overgår tradisjonelle EKG-risikomodeller når det gjelder å forutsi SCD utenfor sykehus på samfunnsnivå.