一种基于人工智能的心电图算法，用于预测持续性心房颤动中左心房

这是一篇关于一种基于人工智能的心电图算法，用于预测持续性心房颤动中左心房的思维导图，主要内容包括：补充材料，表不如图，字不如表，摘要，题目。

一种基于人工智能的心电图算法，用于预测持续性心房颤动中左心房低电压区

• 题目
  • An artificial intelligence‐enabled electrocardiogram algorithm for the prediction of left atrial low‐voltage areas in persistent atrial fibrillation
• 摘要
  • 背景/目的
    • 构建一种人工智能支持的心电图（ECG）算法，可以准确预测持续性心房颤动患者左心房低电压区（LVA）的存在
  • 方法
    • 该研究纳入了 587 名在 2012 年 3 月至 2023 年 12 月期间接受导管消融手术的持续性房颤患者，以及在进行消融手术之前获得的 942 幅 12 导联心电图扫描图像
    • 基于人工智能的算法被用来构建预测 LVA 存在的模型
    • LVAs定义为AF节律时电压< 0.2 m V的区域覆盖LA表面积的5 %以上
    • 广泛的LVAs定义为覆盖LA表面积20 %以上的LVAs
    • 计算 LVA 预测的 DR-FLASH 和 APPLE 临床评分
    • 最终纳入了28个特征，包括基于深度学习模型的概率预测和27个临床特征
    • DR-FLASH评分
      • 糖尿病
      • 估计肾小球滤过率 (eGFR) < 90 mL/min/1.73 m2
      • 持续性 AF
      • LA 直径 > 45 mm
      • 年龄 > 65 岁
      • 女性
      • 高血压
    • APPLE 评分
      • 年龄>65岁
      • eGFR<60mL/min/1.73m2
      • 持续性房颤
      • LA直径≥43mm
      • 左心室射血分数(LVEF)<50%
    • 使用ROC曲线、校准曲线和决策曲线分析来评估模型性能
  • 结果
    • 从参与者获得的数据分为训练集 (n = 469)、验证集 (n = 58) 和测试集 (n = 60)
    • 53.7% 的参与者检测到 LVA
    • 仅使用 ECG，深度学习算法的 ROC 曲线下面积为 0.752，优于 DR‐FLASH 评分 0.610) 和 APPLE 评分 (AUROC = 0.510)
    • 随机森林分类模型结合了概率深度学习模型和临床特征，显示最大 AUROC 为 0.759
    • 用于预测广泛 LVA 的基于心电图的深度学习算法的 AUROC 为 0.775
    • 用于预测广泛 LVA 的随机森林分类模型的 AUROC 为 0.897
  • 结论
    • 仅基于心电图数据的深度学习模型以及结合概率深度学习模型和临床特征的机器学习模型都可以比 DR-FLASH 和 APPLE 风险评分更准确地预测 LVA 的存在
    • 在比较人工智能模型时，融合概率深度学习和临床特征的随机森林模型比仅基于ECG记录的深度学习模型表现更好
    • 深度学习模型可以根据单个ECG的输入预测LVAs或广泛的LVAs
    • 然而，使用心电图数据和患者的临床特征相结合会得到更准确的结果
• 字不如表
  • Table 1
    • 患者的基线特征
      • 阳性事件基线
• 表不如图
  • Figure 1
    • 检测持续性 AF 患者 LVA 的 ROC 曲线 (A) 和模型性能比较 (B)
      • 深度学习模型
      • 机器学习模型
      • DR-Flash
      • Apple
  • Figure 2
    • 深度学习模型 (A) 和随机森林模型 (B) 的模型校准曲线
  • Figure 3
    • 分别对应DLModel、MLModel、Apple、DR-Flash的决策曲线分析
  • Figure 4
    • 图4A显示了所有28个特征的重要性评分，包括preds (深度学习模型预测概率)和27个临床特征，以及预测因子在特征选择过程中的表现
    • 在前四个特征处达到最高，用于构建随机森林模型
    • 特征的重要性得分和预测变量的性能
      • x 轴显示了特征
      • y 轴显示了相应的重要性分数
      • (A) 预测 LVA
      • (B) 预测广泛的 LVA
    • 图4B显示了所有28个特征的重要性得分以及预测器在特征选择过程中的表现
    • 预测性能在前16个特征处达到顶峰，用于构建随机森林模型
  • Figure 5
    • 特征的重要性得用于检测持续性 AF 患者广泛 LVA 的 ROC 曲线 (A) 和模型性能比较 (B)分和预测变量的性能
  • Figure 6
    • 患者的心电图和左心房电压图示例，将实际 LVA 面积与 DLM 预测的 LVA 或广泛 LVA 的存在进行比较
      • (A) 没有 LVA 的患者，其 DLM 预测的 LVA 结果为 LVA 阴性
      • (B) 一名 LVA 率为 5.9% 的患者，其 DLM 预测 LVA 结果为 LVA 阳性
      • (C) 一名 LVA 率为 77% 的患者，其 DLM 预测的 LVA 结果为广泛的 LVA
• 补充材料
  • Table 1
    • 机器学习中用于特征选择的特征
  • Table 2
    • 广泛LVA组与对照组基线人口学特征的比较
  • Figure 1
    • 16变量SHAP散点图
  • Figure 2
    • 4个特征的SHAP图
      • LVAs
  • Figure 3
    • 16个特征的SHAP图
      • 广泛的LVAs