人工智能心电图诊断快速自动识别低钾血症

发布时间：2020-11-07 15:10

　　 背景:低钾血症是常见的电解质紊乱,对心衰等特殊人群构成一定的威胁,快速识别低钾血症具有现实意义。生化检测是诊断的金标准,但需一定的硬件要求,结果回报常需半小时以上。心电图易获取,低钾血症有一些非特异性心电图表现,但人工分析心电图识别低钾血症的准确率低。目的:应用人工智能识别心电图,快速自动识别低钾血症。方法:选取2017年9月至2019年5月在南昌大学第二附属医院所记录到的血清钾值和静息卧位标准十二导联心电图(5秒同步6导记录心电图),其中心房颤动(Atrial fibrillation,AF)、完全性左束支传导阻滞(Complete left bundle branch block,CLBBB)、完全性右束支传导阻滞(Complete right bundle branch block,CRBBB)和起搏心电图等统称为混杂因素心电图。排除死亡心电图和在采集心电图与血清钾标本期间予以了补钾或利尿治疗的血液标本。根据患者姓名、住院号及采集心电图与血清钾标本的时间差为±3h(如心电图对应的血清钾值的数量1,则取时间相隔最近者)的原则进行匹配~([1]),获得有效的心电图-血钾对数据集。在排除混杂因素心电图前,将数据集通过患者随机分组,其中80%的心电图作为训练数据集,采集心电图的12个导联训练获得深度学习模型(Deep learning model,DLM),20%的心电图作为验证数据集,用以交叉验证,评估该模型(算法)通过识别心电图信号筛选低钾血症的性能。在排除混杂因素心电图后,依照上述方法获取训练集和验证集,分别采集心电图的12个导联和2个导联(ⅠⅡ)建立模型并验证其效能。将验证集中的排除混杂因素心电图进行诊断归类,统计人工分析心电图诊断低钾血症的效果。结果:(1)本研究共应用了12,450份心电图,在未排除混杂因素心电图12导联模型、排除混杂因素心电图12导联模型和排除混杂因素心电图2导联(I、II)模型的验证集中低钾发病率分别为37.0%、47.0%及47.0%。未排除混杂因素心电图12导联模型在其验证集中筛选低钾血症的AUC为0.771(95%CI,0.754-0.787),取临界值为0.4212时,敏感性为70.0%,特异性为69.1%,阳性预测值为57.3%,阴性预测值为79.6%,准确率为69.4%。(2)排除混杂因素心电图12导联模型在其验证集中筛选低钾血症的AUC为0.796(95%CI,0.766-0.815),取临界值为0.536时,敏感性为71.4%,特异性为77.1%,阳性预测值为73.5%,阴性预测值为75.1%,准确率为74.4%。(3)排除混杂因素心电图2导联(I、II)模型在其验证集中筛选低钾血症的AUC为0.643(0.618-0.668),取临界值为0.967时,敏感性为70.9%,特异性为51%。阴性预测值为66.2%,阳性预测值为56.3%,准确率为60.3%。(4)验证集中排除混杂因素的心电图(n=1748),生化验证低钾者824例,但这些真性低钾血症心电图中,人工分析仅有180份(21.9%)被诊断为低钾血症,其中诊断U波明显者26份(3.1%),而人工诊断低钾血症的心电图相对应的生化检测确定为非低钾血症者共116份,人工分析心电图识别低钾的敏感性为21.9%,阳性预测值为60.8%。结论:(1)AI识别心电图可快速无创且有效地筛选低钾血症;(2)CLBBB、CRBBB及起搏等混杂因素心电图可能会降低AI筛选低钾血症的性能;(3)与采集12导联心电图信号的模型相比,采集2个导联(I、II)心电图信号的深度学习模型筛选低钾血症的效能相对较低。
【学位单位】：南昌大学
【学位级别】：硕士
【学位年份】：2020
【中图分类】：R591.1;TP18;R540.41
【部分图文】：

第2章研究方法42.1.4数据处理在未排除混杂因素心电图的情况下，依据心电图和血清钾匹配原则进行匹配，获得12540份有效的心电图-血清钾对数据集。将数据集依据患者姓名随机分组，其中80％（n=10053）的心电图作为训练数据集，同时采集心电图的12个导联的5秒钟时长心电图信号进行学习训练，得到未排除混杂因素心电图12导联模型。20％（n=2350）的心电图作为验证数据集，用以交叉验证，评估该模型通过识别心电图筛选低钾血症的性能。在排除混杂因素心电图后，依据上述匹配原则进行匹配，获得有效心电图-血清钾对数据集9161份。将数据集依据患者姓名随机分组，其中80％（n=7413）的心电图作为训练数据集，分别同时采集心电图的12个导联和2个导联（ⅠⅡ）的5秒钟时长心电图信号进行学习训练，分别得到排除混杂因素心电图12导联模型和排除混杂因素心电图2导联（ⅠⅡ）模型。20％（n=1748）的心电图分别作为它们的验证数据集，用以交叉验证，评估这两个模型通过识别心电图筛选低钾血症的性能。（如Picture1）Picture1研究方法流程图
【相似文献】

相关期刊论文 前10条

1 刘锦萍;韩鄂辉;胡小娟;朱静安;;心电图诊断低钾血症的临床价值[J];基层医学论坛;2010年28期

2 覃桂凤;吕程;;低钾血症心电图与生化测定的对比分析[J];实用医技杂志;2007年12期

3 段秀琴,栾卫军,李新红;心电图对诊断低血钾的临床参考价值[J];实用心电学杂志;2003年02期

4 胡申江;;心电图对低钾血症的初筛与判定[J];临床心电学杂志;2006年05期

5 林娜;;心电图对低钾血症的快速评价作用[J];深圳中西医结合杂志;2014年01期

6 左京生;;低钾血症的心电图改变与临床之间关系的探讨[J];国际医药卫生导报;2006年24期

7 范富莲;;心电图对低钾血症病人诊断价值分析[J];求医问药(下半月);2013年04期

8 徐力辛;全世超;夏凯愉;杨炜宇;蔡雪黎;;一种心电图训练软件的设计与应用[J];浙江医学教育;2007年04期

9 尹宗莹;;探讨心电图在高血钾诊断中的价值[J];中国药物滥用防治杂志;2011年01期

10 王洋帆;程军;曾强志;;心电图对高钾血症的鉴别意义[J];中国医学创新;2009年24期

相关博士学位论文 前3条

1 吴洁;基于人工智能优化的时间序列预测模型的研究及应用[D];兰州大学;2015年

2 佘黎煌;心电图中T波电交替检测关键技术研究[D];东北大学;2015年

3 蒋其友;人工智能理论与技术的研究及其在大型离心式压缩机故障诊断中的应用[D];北京化工大学;1993年

相关硕士学位论文 前10条

1 朱彩华;人工智能心电图诊断快速自动识别低钾血症[D];南昌大学;2020年

2 王海文;人工智能生成内容的著作权认定研究[D];广东财经大学;2019年

3 田宇;人工智能生成内容的著作权保护路径研究[D];武汉理工大学;2019年

4 郭乐宁;弱人工智能犯罪的刑事责任分配[D];河北经贸大学;2020年

5 刘鸣柳;人工智能生成物著作权保护研究[D];河北经贸大学;2020年

6 余思文;我国人工智能生成物邻接权保护研究[D];安徽大学;2020年

7 杨红乔;人工智能生成成果专利保护研究[D];安徽大学;2020年

8 陈阳;人工智能创作物著作权保护研究[D];东北师范大学;2019年

9 袁志明;人工智能生成物的著作权保护研究[D];大连海事大学;2019年

10 徐泽龙;人工智能生成物的著作权保护研究[D];浙江财经大学;2019年

本文编号：2874112