論文の概要: Modeling Day-Long ECG Signals to Predict Heart Failure Risk with Explainable AI

• arxiv url: http://arxiv.org/abs/2601.00014v1
• Date: Sat, 20 Dec 2025 21:36:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-11 18:48:17.492338
• Title: Modeling Day-Long ECG Signals to Predict Heart Failure Risk with Explainable AI
• Title（参考訳）: 説明可能なAIによる心不全リスク予測のための日中心電図信号のモデル化
• Authors: Eran Zvuloni, Ronit Almog, Michael Glikson, Shany Brimer Biton, Ilan Green, Izhar Laufer, Offer Amir, Joachim A. Behar,
• Abstract要約: 心不全は65歳以上の成人の11.8%に影響を及ぼす。 24時間ECG記録で訓練されたDeepHHFは、受信機の特性曲線0.80の領域を達成した。 DeepHHFによって特定された高リスクの個人は、入院や死亡事故の2倍の確率があった。
• 参考スコア（独自算出の注目度）: 1.0359164233869431
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Heart failure (HF) affects 11.8% of adults aged 65 and older, reducing quality of life and longevity. Preventing HF can reduce morbidity and mortality. We hypothesized that artificial intelligence (AI) applied to 24-hour single-lead electrocardiogram (ECG) data could predict the risk of HF within five years. To research this, the Technion-Leumit Holter ECG (TLHE) dataset, including 69,663 recordings from 47,729 patients, collected over 20 years was used. Our deep learning model, DeepHHF, trained on 24-hour ECG recordings, achieved an area under the receiver operating characteristic curve of 0.80 that outperformed a model using 30-second segments and a clinical score. High-risk individuals identified by DeepHHF had a two-fold chance of hospitalization or death incidents. Explainability analysis showed DeepHHF focused on arrhythmias and heart abnormalities, with key attention between 8 AM and 3 PM. This study highlights the feasibility of deep learning to model 24-hour continuous ECG data, capturing paroxysmal events and circadian variations essential for reliable risk prediction. Artificial intelligence applied to single-lead Holter ECG is non-invasive, inexpensive, and widely accessible, making it a promising tool for HF risk prediction.
• Abstract（参考訳）: 心不全(HF)は65歳以上の成人の11.8%に影響を及ぼし、生活の質と長寿を低下させる。 HFの予防は、致死率と死亡率を低下させる。 単誘導心電図(ECG)データに適用した人工知能(AI)は5年以内にHFのリスクを予測できると仮定した。 これを研究するために、47,729人の患者の69,663枚の記録を含むテクニオン・ルミット・ホルターECG(TLHE)データセットが20年以上にわたって収集された。 我々の深層学習モデルであるDeepHHFは、24時間ECG記録をトレーニングし、30秒セグメントと臨床スコアを用いてモデルより優れる0.80の受信特性曲線の領域を達成した。 DeepHHFによって特定された高リスクの個人は、入院や死亡事故の2倍の確率があった。 説明可能性分析の結果,DeepHHFは不整脈と心臓異常を主訴とし,午前8時から午後3時の間に注目された。 本研究は,24時間連続心電図データを用いた深層学習の可能性を明らかにする。 シングルリードのホルターECGに適用される人工知能は、非侵襲的で安価で、広くアクセス可能であり、HFリスク予測のための有望なツールである。

関連論文リスト

• Artificial Intelligence-Enabled Spirometry for Early Detection of Right Heart Failure [14.45988844325437]
  右心不全 (RHF) は右心室の構造や機能に異常を特徴とする疾患である。 肺疾患はしばしば右室負荷を増大させ、RHFを引き起こす。 コープルモネール患者からRHFを早期に検出するための自己教師付き表現学習法を提案する。
  論文  参考訳（メタデータ） (2025-11-17T15:03:04Z)
• Latent Representations of Intracardiac Electrograms for Atrial Fibrillation Driver Detection [37.72464514643607]
  本研究では,非教師付き特徴抽出のための畳み込みオートエンコーダを用いたディープラーニングフレームワークを提案する。 心房電気活動の潜在的表現は、EMG分析の特徴づけと自動化を可能にする。 提案手法は, リアルタイムに動作可能であり, 臨床解剖学的マッピングシステムに統合することにより, アブレーション中の不整脈領域の同定を支援することができる。
  論文  参考訳（メタデータ） (2025-07-24T09:40:24Z)
• 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)
• Predicting risk of cardiovascular disease using retinal OCT imaging [40.71667870702634]
  心臓血管疾患(CVD)が世界的に死因となっている。 光コヒーレンストモグラフィー(OCT)は早期のCVDリスク予測の潜在的なツールとして認識されている。 我々は,将来のCVD事象を予測するための追加撮像技術としてのOCTの可能性について検討した。
  論文  参考訳（メタデータ） (2024-03-26T14:42:46Z)
• Development of Automated Neural Network Prediction for Echocardiographic Left ventricular Ejection Fraction [36.58987036154144]
  本稿では,深層ニューラルネットワークとアンサンブル学習に基づく新しいパイプライン手法を提案する。 この手法は,10,030個の心エコー図を含むオープンソースデータセットを用いて開発,検証した。 本研究では、LVEFの自動ニューラルネットワークに基づく計算が、心収縮機能のフレーム・バイ・フレーム手動評価を行う専門医に匹敵することを示した。
  論文  参考訳（メタデータ） (2024-03-18T18:09:22Z)
• Large Language Model-informed ECG Dual Attention Network for Heart Failure Risk Prediction [9.823423993036055]
  心不全(HF)は、世界的な死亡率の上昇とともに、公衆衛生上の大きな課題となる。 12誘導心電図(ECG)を用いた新しいHFリスク予測手法を提案する。 本稿では, 早期HFリスク予測に不可欠な複雑なECG特徴を捉えるために設計された, 軽量なデュアルアテンションECGネットワークを提案する。
  論文  参考訳（メタデータ） (2024-03-15T13:25:09Z)
• Multi-modal Heart Failure Risk Estimation based on Short ECG and Sampled Long-Term HRV [2.1040040536783637]
  心臓不全(HF)を含む心臓血管疾患は、早期発見を回避し、世界的死亡率の高い原因となっている。 従来のアプローチはリソース集約的な診断テストに依存しており、通常は症状の発症後に投与される。 本稿では,30秒間の心電図記録と長期心拍変動データを組み合わせてHF入院リスクを推定するマルチモーダル手法を提案する。
  論文  参考訳（メタデータ） (2024-03-01T01:16:27Z)
• 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)
• Prediction of the onset of cardiovascular diseases from electronic health records using multi-task gated recurrent units [51.14334174570822]
  本稿では,電子カルテから心血管イベントを予測するための注意機構を備えたマルチタスク・リカレントニューラルネットワークを提案する。 提案手法は、NHS Foundation Trustの5年間のデータを用いて、標準的な臨床リスク予測器(QRISK)と機械学習の代替手段と比較される。
  論文  参考訳（メタデータ） (2020-07-16T17:43:13Z)

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。