各位哥哥姐姐弟弟妹妹大家好!我们的AI与医学期刊分享来啦~这是第四周的第一篇顶刊分享
【Ai医学 顶刊速递】
【题目】用于预测中风单位心房颤动的人工智能:一项回顾性推导验证队列研究
【DOI】https://doi.org/10.1016/j.ebiom.2025.105869
【背景】:阵发性心房颤动 (AF) 是中风的主要原因,但在常规临床实践中通常未被发现。需要有效的分层来确定可能从强化 AF 筛查中获益最多的卒中患者。已经提出了几种人工智能模型来预测窦性心律中基于心电图的 AF,但广泛的实施受到限制。AF 预测最有价值的输入特征和最有效的模型设计也不清楚。
【方法】:利用 2020 年 9 月至 2023 年 8 月期间在德国柏林夏里特住院的中风患者的入院后 72 小时的连续心电图监测 (CEM) 记录和多种临床输入特征,开发并测试了 AF 预测模型。比较了不同的模型和输入数据,以确定预测 AF 的最佳模型。评估了不同输入数据源的相对贡献的可解释性。使用前瞻性多中心 MonDAFIS 研究干预组的第一个小时监测数据对最终模型进行了外部验证。
【发现】:推导数据集包括 2068 名急性缺血性中风患者,其中 469 名 (22.7%) 患有房颤,在指数住院前或住院期间首次发现(366 人对 103 人)。在预测新检测到的 AF 时,贝叶斯融合模型是最好的,ROC-AUC 为 0.89(95% CI:0.80,0.96)。模型内省表明,HRV 是模型预测的主要驱动因素。使用 CEM 数据第一个小时的年龄和 HRV 参数的最终简化的基于树的集合模型取得了类似的性能(ROC-AUC 0.88,95%CI:0.79,0.95)。最终模型在 MonDAFIS 数据集的真实场景外部验证中始终优于 AS5F 评分(1519 名患者,其中 36 名 (2.37%) 患有 AF;ROC-AUC 0.79 与 ROC-AUC 0.69,p = 4.69e-03)。
【解释】:HRV 似乎是预测 AF 信息量最大的变量。计算成本低的模型只需要 1 小时的单导联 CEM 数据和患者的年龄,支持预测急性缺血性中风后长达 7 天的 AF。这种模型可以实现基于风险的心脏监测分层,优先考虑最需要的工作,以提高房颤筛查效率,并最终进行二级中风预防。