Fugu-MT 論文翻訳(概要): Detecting QT prolongation From a Single-lead ECG With Deep Learning

論文の概要: Detecting QT prolongation From a Single-lead ECG With Deep Learning

arxiv url: http://arxiv.org/abs/2401.05378v1
Date: Sun, 17 Dec 2023 05:22:04 GMT
ステータス: 処理完了
システム内更新日: 2024-01-15 09:00:25.072027
Title: Detecting QT prolongation From a Single-lead ECG With Deep Learning
Title（参考訳）: 深層学習による単誘導ECGからのQT延長の検出
Authors: Ridwan Alam, Aaron Aguirre, and Collin Stultz
Abstract要約: 薬物によるQT延長リスクは、ディープラーニングを用いてECGリードIから追跡することができる。我々は,ECGリードIからQT間隔を推定する深層学習モデルを開発した。
参考スコア（独自算出の注目度）: 0.6554326244334868
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: For a number of antiarrhythmics, drug loading requires a 3 day hospitalization with monitoring for QT prolongation. Automated QT monitoring with wearable ECG monitors would facilitate out-of-hospital care. We develop a deep learning model that infers QT intervals from ECG lead-I - the lead most often acquired from ambulatory ECG monitors - and to use this model to detect clinically meaningful QT-prolongation episodes during Dofetilide drug loading. Using 4.22 million 12-lead ECG recordings from 903.6 thousand patients at the Massachusetts General Hospital, we develop a deep learning model, QTNet, that infers QT intervals from lead-I. Over 3 million ECGs from 653 thousand patients are used to train the model and an internal-test set containing 633 thousand ECGs from 135 thousand patients was used for testing. QTNet is further evaluated on an external-validation set containing 3.1 million ECGs from 667 thousand patients at another institution. QTNet was used to detect Dofetilide-induced QT prolongation in a publicly available database (ECGRDVQ-dataset) containing ECGs from subjects enrolled in a clinical trial evaluating the effects of antiarrhythmic drugs. QTNet achieves mean absolute errors of 12.63ms (internal-test) and 12.30ms (external-validation) for estimating absolute QT intervals. The associated Pearson correlation coefficients are 0.91 (internal-test) and 0.92 (external-validation). For the ECGRDVQ-dataset, QTNet detects Dofetilide-induced QTc prolongation with 87% sensitivity and 77% specificity. The negative predictive value of the model is greater than 95% when the pre-test probability of drug-induced QTc prolongation is below 25%. Drug-induced QT prolongation risk can be tracked from ECG lead-I using deep learning.
Abstract（参考訳）: 多くの抗不整脈薬には、qt延長のモニタリングを伴う3日間の入院が必要となる。ウェアラブルECGモニターによるQT自動監視は、院外ケアを促進する。我々は,心電図モニターから最も多く取得されるリードである心電図リードIからQT間隔を推定する深層学習モデルを開発し,ドフェチリド薬物負荷中に臨床的に有意なQT延長現象を検出する。マサチューセッツ総合病院の903.6万の患者から4.22百万回の心電図記録を用いて、鉛IからQT間隔を推定する深層学習モデルQTNetを開発した。モデルのトレーニングには653万人の患者から300万人以上のecgが、テストには135万人の患者から633万のecgを含む内部テストセットが使用された。 qtnetは、他施設の667万人の患者から3100万のecgを含む外部評価セットでさらに評価される。 QTNetは、抗不整脈薬の効果を評価する臨床試験に登録された被験者の心電図を含む公用データベース(ECGRDVQ-dataset)において、ドフェチリドによるQT延長を検出するために使用された。 QTNetは、絶対QT間隔を推定するための平均絶対誤差を12.63ms(内部検定)と12.30ms(外部検定)とする。ピアソン相関係数は0.91(内部検定)と0.92(外部検定)である。 ECGRDVQデータセットでは、QTNetはドフェチリドによるQTc延長を87%の感度と77%の特異性で検出する。このモデルの負の予測値は、薬物誘発QTc伸長の事前試験確率が25%未満である場合、95%以上である。薬物によるQT延長リスクは、ディープラーニングを用いてECGリードIから追跡することができる。

関連論文リスト

Estimating ECG Intervals from Lead-I Alone: External Validation of Supervised Models [0.7366405857677227]
我々は,リードIECGを用いて,PR,QRS,QT間隔を推定するためのディープラーニングモデルを開発した。私たちは、微調整や再トレーニングをせずに、3つの大きな外部医療データセットでモデルを検証します。この研究は、ディープラーニングを使用してリードIECGのみからECG間隔を追跡することができることを示した。
論文参考訳（メタデータ） (2024-08-12T17:45:09Z)
ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction [1.7894680263068135]
心筋梗塞の診断にはECG--NETが有用である。 OMIは1つ以上の冠動脈の完全閉塞を特徴とする重度の心臓発作である。 OMI症例の3分の2は、12誘導心電図から視覚的に識別することが困難である。
論文参考訳（メタデータ） (2024-05-08T19:59:16Z)
Quantifying Impairment and Disease Severity Using AI Models Trained on Healthy Subjects [27.786240241494436]
Confidence-based chaRacterization of Anomalies (COBRA) スコアは、障害または疾患のある患者に提示された場合、これらのモデルの信頼性の低下を利用する。脳卒中患者の上半身障害の現在の臨床的評価の鍵となる限界にCOBRAスコアを適用した。
論文参考訳（メタデータ） (2023-11-21T18:45:52Z)
Generalizing electrocardiogram delineation: training convolutional neural networks with synthetic data augmentation [63.51064808536065]
ECGのデライン化のための既存のデータベースは小さく、サイズやそれらが表す病態の配列に不足している。まず、原データベースから抽出した基本セグメントのプールを与えられたECGトレースを確率的に合成し、その整合性のある合成トレースに配置するための一連のルールを考案した。第二に、2つの新しいセグメンテーションに基づく損失関数が開発され、これは、正確な数の独立構造の予測を強制し、サンプル数の削減に焦点をあてて、より密接なセグメンテーション境界を創出することを目的としている。
論文参考訳（メタデータ） (2021-11-25T10:11:41Z)
A Generic Deep Learning Based Cough Analysis System from Clinically Validated Samples for Point-of-Need Covid-19 Test and Severity Levels [85.41238731489939]
臨床検体8,380名を対象に,Covid-19の迅速一次スクリーニングツールの検出性能について検討した。提案手法は,経験的モード分解(EMD)に基づくアルゴリズムであり,その後に音声特徴量に基づく分類を行う。 DeepCoughの2つの異なるバージョン、すなわちDeepCough2DとDeepCough3Dのテンソル次元について検討した。
論文参考訳（メタデータ） (2021-11-10T19:39:26Z)
SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
論文参考訳（メタデータ） (2021-10-01T23:01:20Z)
Estimation of atrial fibrillation from lead-I ECGs: Comparison with cardiologists and machine learning model (CurAlive), a clinical validation study [0.0]
本研究では,人工知能を用いた心房細動検出法を提案する。本研究の目的は, 心臓科医と人工知能の診断精度をリードI心電図と比較することである。
論文参考訳（メタデータ） (2021-04-15T12:50:16Z)
Identification of Ischemic Heart Disease by using machine learning technique based on parameters measuring Heart Rate Variability [50.591267188664666]
本研究は,243名の非侵襲的特徴(年齢,性別,左室容積率,HRV15)を用いて,一連のANNの訓練と評価を行った。最高の結果は、7つの入力パラメータと7つの隠れノードを使用して、トレーニングと検証データセットに対して98.9%と82%の精度で得られた。
論文参考訳（メタデータ） (2020-10-29T19:14:41Z)
CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文参考訳（メタデータ） (2020-07-20T21:47:28Z)
DENS-ECG: A Deep Learning Approach for ECG Signal Delineation [15.648061765081264]
本稿では,心拍のリアルタイムセグメンテーションのためのディープラーニングモデルを提案する。提案アルゴリズムはDENS-ECGアルゴリズムと呼ばれ、畳み込みニューラルネットワーク(CNN)と長短期記憶(LSTM)モデルを組み合わせたものである。
論文参考訳（メタデータ） (2020-05-18T13:13:41Z)
ECG-DelNet: Delineation of Ambulatory Electrocardiograms with Mixed Quality Labeling Using Neural Networks [69.25956542388653]
ディープラーニング(DL)アルゴリズムは、学術的、産業的にも重くなっている。セグメンテーションフレームワークにECGの検出とデライン化を組み込むことにより、低解釈タスクにDLをうまく適用できることを実証する。このモデルは、PhyloNetのQTデータベースを使用して、105個の増幅ECG記録から訓練された。
論文参考訳（メタデータ） (2020-05-11T16:29:12Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。