論文の概要: Estimating ECG Intervals from Lead-I Alone: External Validation of Supervised Models
- arxiv url: http://arxiv.org/abs/2408.15272v1
- Date: Mon, 12 Aug 2024 17:45:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-01 16:32:17.782995
- Title: Estimating ECG Intervals from Lead-I Alone: External Validation of Supervised Models
- Title（参考訳）: リードIアロンからの心電図間隔の推定:監視モデルの外的検証
- Authors: Ridwan Alam, Collin Stultz,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.7366405857677227
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The diagnosis, prognosis, and treatment of a number of cardiovascular disorders rely on ECG interval measurements, including the PR, QRS, and QT intervals. These quantities are measured from the 12-lead ECG, either manually or using automated algorithms, which are readily available in clinical settings. A number of wearable devices, however, can acquire the lead-I ECG in an outpatient setting, thereby raising the potential for out-of-hospital monitoring for disorders that involve clinically significant changes in ECG intervals. In this work, we therefore developed a series of deep learning models for estimating the PR, QRS, and QT intervals using lead-I ECG. From a corpus of 4.2 million ECGs from patients at the Massachusetts General Hospital, we train and validate each of the models. At internal holdout validation, we achieve mean absolute errors (MAE) of 6.3 ms for QRS durations and 11.9 ms for QT intervals, and an MAE of 9.2 ms for estimating PR intervals. Moreover, as a well-defined P-wave does not always exist in ECG tracings - for example, when there is atrial fibrillation - we trained a model that can identify when there is a P-wave, and consequently, a measurable PR interval. We validate our models on three large external healthcare datasets without any finetuning or retraining - 3.2 million ECG from the Brigham and Womens Hospital, 668 thousand from MIMIC-IV, and 20 thousand from PTB-XL - and achieve similar performance. Also, our models significantly outperform two publicly available baseline algorithms. This work demonstrates that ECG intervals can be tracked from only lead-I ECG using deep learning, and highlights the potential for out-of-hospital applications.
- Abstract（参考訳）: 多くの心血管疾患の診断、予後、治療は、PR、QRS、QT間隔を含む心電図間隔の測定に依存する。
これらの量は、手動または自動アルゴリズムを使用して、12リードのECGから測定される。
しかし、多くのウェアラブルデバイスは、外来でリードI心電図を取得できるため、心電図間隔の臨床的に重要な変化を伴う疾患の院外モニタリングの可能性を高めることができる。
そこで本研究では,リードIECGを用いて,PR,QRS,QT間隔を推定するための一連のディープラーニングモデルを開発した。
マサチューセッツ総合病院の患者からの420万のECGのコーパスから、各モデルを訓練し、検証する。
内部ホールドアウト検証では,QRS間隔が6.3ms,QT間隔が1.9ms,PR間隔が9.2msの平均絶対誤差(MAE)が達成される。
さらに、よく定義されたP波は、心房細動がある場合など、心電図のトレースに常に存在するわけではないので、P波が存在することを識別できるモデルを訓練し、その結果、測定可能なPR間隔を計測した。
私たちは、Brigham and Womens Hospitalの320万心電図、MIMIC-IVの668万、TB-XLの2000万の3つの大きな外部医療データセットでモデルを検証し、同様のパフォーマンスを実現しました。
また、我々のモデルは2つの公開ベースラインアルゴリズムを大きく上回っている。
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間隔を追跡できることを示し、病院外アプリケーションの可能性を強調している。
関連論文リスト
- Self-supervised inter-intra period-aware ECG representation learning for detecting atrial fibrillation [41.82319894067087]
そこで本研究では,周期型ECG表現学習手法を提案する。
心房細動患者の心電図ではRR間隔の不規則性やP波の欠如を考慮し, 経時的および経時的表現のための特定の事前訓練タスクを開発する。
本手法は,発作/持続性心房細動検出のためのBTCHデータセット,textiti., 0.953/0.996におけるAUCの顕著な性能を示す。
論文 参考訳（メタデータ） (2024-10-08T10:03:52Z) - An Electrocardiogram Foundation Model Built on over 10 Million Recordings with External Evaluation across Multiple Domains [17.809094003643523]
我々はECG解析の診断能力を拡大するECGファウンデーションモデル(ECGFounder)を導入する。
ECGFounderは、Harvard-Emory ECG Databaseから150のラベルカテゴリを持つ1000万以上のECGでトレーニングされた。
AUROCは80の診断で0.95を超える。
論文 参考訳（メタデータ） (2024-10-05T12:12:02Z) - Detecting QT prolongation From a Single-lead ECG With Deep Learning [0.6554326244334868]
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。
論文 参考訳（メタデータ） (2023-12-17T05:22:04Z) - PPG-to-ECG Signal Translation for Continuous Atrial Fibrillation Detection via Attention-based Deep State-Space Modeling [11.617950008187366]
光胸腺造影法(英: Photoplethysmography, PPG)は、光学的手法を用いて心臓生理学を計測する費用効率の高い非侵襲的手法である。
本稿では,PPG信号を対応するECG波形に変換するために,主観非依存の注目に基づく深部状態空間モデル(ADSSM)を提案する。
論文 参考訳（メタデータ） (2023-09-27T03:07:46Z) - PulseNet: Deep Learning ECG-signal classification using random
augmentation policy and continous wavelet transform for canines [46.09869227806991]
犬心電図(ECG)の評価には熟練した獣医が必要である。
心電図の解釈と診断支援のための獣医師の現在の利用状況は限られている。
犬の心電図配列を正常または異常と分類するためのディープ畳み込みニューラルネットワーク(CNN)アプローチを実装した。
論文 参考訳（メタデータ） (2023-05-17T09:06:39Z) - Performer: A Novel PPG to ECG Reconstruction Transformer For a Digital
Biomarker of Cardiovascular Disease Detection [0.0]
心臓血管疾患(CVD)は死因の上位1つとなり、これらの死亡の4分の3は低所得層で発生している。
心電図 (ECG) は, ユーザ参加の必要性から, 連続心臓モニタリングには有効ではない。
フォトプレチスモグラフィーは容易に収集できるが、精度の制限により臨床応用は制限される。
論文 参考訳（メタデータ） (2022-04-25T17:10:13Z) - 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) - 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) - Noise-Resilient Automatic Interpretation of Holter ECG Recordings [67.59562181136491]
本稿では,ホルター記録を雑音に頑健に解析する3段階プロセスを提案する。
第1段階は、心拍位置を検出する勾配デコーダアーキテクチャを備えたセグメンテーションニューラルネットワーク(NN)である。
第2段階は、心拍を幅または幅に分類する分類NNである。
第3のステージは、NN機能の上に、患者対応機能を組み込んだ強化決定木(GBDT)である。
論文 参考訳（メタデータ） (2020-11-17T16:15:49Z) - Multilabel 12-Lead Electrocardiogram Classification Using Gradient
Boosting Tree Ensemble [64.29529357862955]
我々は,心電図の診断を分類するために,形態や信号処理機能に適合した勾配強化木のアンサンブルを用いたアルゴリズムを構築した。
各リードについて、心拍変動、PQRSTテンプレート形状、全信号波形から特徴を導出する。
各クラスに属するECGインスタンスの確率を予測するため、全12項目の特徴と合わせて、勾配を増す決定ツリーの集合に適合する。
論文 参考訳（メタデータ） (2020-10-21T18:11:36Z) - 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。