Система глубокого обучения, интегрирующая электрокардиограммы и лабораторные показатели для диагностики острого расслоения аорты и острого инфаркта миокарда

Введение

Острый расслоение аорты типа А по Стэнфорду (AAD-type A) и острый инфаркт миокарда (AMI) имеют схожие клинические проявления, но требуют принципиально разных подходов к лечению. Быстрая и точная дифференциальная диагностика этих состояний крайне важна, особенно в условиях ограниченного доступа к радиологическому оборудованию в учреждениях первичного звена здравоохранения. В данном исследовании разрабатывается мультимодальная модель глубокого обучения, интегрирующая данные электрокардиограммы (ЭКГ) и лабораторные показатели, для повышения точности диагностики AAD-type A и AMI.

Цель

Разработка и валидация системы на основе искусственного интеллекта, способной дифференцировать AAD-type A и AMI с использованием комбинации ЭКГ-сигналов и лабораторных показателей.

Методы

Для обучения и валидации модели были собраны данные ЭКГ и лабораторных исследований 136 пациентов с AAD-type A и 141 пациента с AMI в Четвертой народной больнице Цзыгуна (с января 2019 по декабрь 2023 года). Использовалась архитектура ResNet-34 (остаточная нейронная сеть) для извлечения признаков из ЭКГ, которые затем комбинировались с лабораторными и демографическими данными.

Оценивались следующие модели машинного обучения:

• Логистическая регрессия
• RandomForest
• XGBoost
• LightGBM

Для анализа важности признаков применялся метод SHAP (Shapley additive explanations). Дополнительно был сформирован проспективный тестовый набор данных из 30 пациентов с AMI и 32 пациентов с AAD-type A (с января по сентябрь 2024 года).

Результаты

Включение ЭКГ-признаков значительно улучшило AUC модели. Наилучшие показатели продемонстрировал алгоритм RandomForest:

• AUC 0.98 на валидационной выборке
• AUC 0.969 на тестовой выборке

SHAP-анализ выявил, что ключевыми характеристиками для дифференциальной диагностики являются:

• Уровень тропонина
• Уровень D-димера
• Признаки ЭКГ, извлеченные глубокой нейронной сетью

Выводы

ЭКГ-признаки представляют значительную ценность для дифференциальной диагностики AAD-type A и AMI. Разработанная мультимодальная модель глубокого обучения, интегрирующая данные ЭКГ и лабораторные показатели, предлагает новый инструмент для быстрой диагностики сердечно-сосудистых заболеваний. Этот подход особенно актуален для учреждений с ограниченным доступом к сложным методам визуализации.

Термины и сокращения

• AAD-type A - острый расслоение аорты типа А по Стэнфорду (Acute Stanford Type A aortic dissection)
• AMI - острый инфаркт миокарда (acute myocardial infarction)
• ECG/ЭКГ - электрокардиограмма (electrocardiogram)
• ResNet-34 - 34-слойная остаточная нейронная сеть (34-layer residual network)
• SHAP - метод анализа важности признаков на основе теории Шепли (Shapley additive explanations)
• AUC - площадь под ROC-кривой (Area Under the Curve)