心电图深度学习分析在药物性心律失常风险预测和长QT综合征诊断中的应用( Deep learning analysis of electrocardiogram for risk prediction of drug-induced arrhythmias and diagnosis of long QT syndrome )

Prifti Edi Fall Ahmad Davogustto Giovanni Pulini Alfredo Denjoy Isabelle Funck-Brentano Christian Khan Yasmin Durand-Salmon Alexandre Badilini Fabio Wells Quinn S Leenhardt Antoine Zucker Jean-Daniel Roden Dan M Extramiana Fabrice Salem Joe-Elie Torsades de pointes Machine learning Risk prediction Interpretability Long QT

目标。先天性长QT综合征（cLQTS）或药物性长QT综合征（diLQTS）可引起尖端扭转型室性心律失常(TdP)。目前用于鉴别TdP高危药物的策略依赖于测量心电图(ECG)上经心率校正的QT间期（QTc）。而QTc阳性预测值较低。方法和结果。本文应用卷积神经网络(CNN)模型对与TdP相关的IKr阻滞剂索他洛尔所致的心电图改变进行量化，旨在为提高药物性TdP（diTdP）的预测和CLQTS的诊断提供新的工具（CNN模型）。测试的CNN模型使用单个或多个10-S记录/患者，在不同队列中使用8导联或单个导联：1029名健康受试者在索他洛尔摄入前后(n=14135 ECGs）；487例cLQTS患者(n=1083例ECG:1型560例，2型456例，3型67例）；48例diTdP患者(n=1105个ECGs，147个在diTdP发作后48小时内获得）。CNN模型优于使用QTc的模型来识别索他洛尔暴露[接收器工作特性曲线下的面积(ROC-AUC)=0.98 vs.0.72,P≤0.001]。CNN模型在多次10s心电图下的ROC-AUC明显高于单次10s心电图(P≤0.001)。8导联与单导联模型的性能相当。预测索他洛尔暴露的CNN模型也准确地检测了cLQTS的存在和类型，尤其是cLQT2(AUC-ROC=0.9)，在diTdP事件发生后不久最大，在控制QTc和罪魁祸首药物摄入后随时间下降(P≤0.001)。心电图节段分析确定J-Tpeak间期为索他洛尔摄入量的最佳判别指标。结论。应用于ECGs的CNN模型在识别暴露于改变QT间期的药物、先天性LQTS方面优于QTc测量，并且在diTdP发作后不久表现最强。

SciDown文献求助系统（解决99%问题） Public Download academic.oup.com