一种多中心训练的残差神经网络，用于远程监测的心脏起搏器和除颤器中房性心动过速事件的稳健分类 Lars van Krimpen, Arlene John, Anand Thiyagarajah, Tanner Carbonati, Benjamin Sacristan, Karim Benali, Antoine Da Costa, Pierre Mondoly, Rémi Chauvel, Marc Strik + 另有5位作者

《Sensors》：A Multi-Center Trained Residual Neural Network for Robust Classification of Atrial High-Rate Episodes in Remotely Monitored Pacemakers and Defibrillators Lars van Krimpen, Arlene John, Anand Thiyagarajah, Tanner Carbonati, Benjamin Sacristan, Karim Benali, Antoine Da Costa, Pierre Mondoly, Rémi Chauvel and Marc Strik + 5 authors

　　

摘要

对心脏起搏器和除颤器进行远程监控可以提高患者的安全性，但同时也增加了临床工作量。特别是对心房高频事件（atrial high-rate episodes）的监控要求较高，因为这些事件可能包含心房性心动过速（atrial tachycardia）或心房颤动（atrial fibrillation, AT/AF）、噪声（noise），或是远场过度感知（far-field oversensing, FFO）。如果人工智能（AI）模型能够保持对真正心房性心动过速的高敏感性，那么自动检测这些事件可以减轻远程监控的工作负担。通过中心级别的四折交叉验证（fourfold cross validation）训练了一个残差网络（residual network）。这四个模型分别对心房性心动过速和心房颤动的检测准确率为97.2–99.4%，对噪声的检测准确率为93.1–97.7%，对远场过度感知的检测准确率为75.4–94.4%，同时对心房性心动过速的敏感性仍保持在98.9–99.3%之间。通过平均各个模型的预测概率，将这些模型组合成一个集成模型（ensemble model）。当将集成模型的预测阈值设定为概率大于95%时，得到了一个非常可靠的模型：在审查了总共4271个事件中的3925个事件后，该模型仅出现了2次错误（错误率为0.1%）。这表明AI模型能够可靠地辅助远程监控工作。未来的研究应致力于开发针对其他事件类型的分类模型，并对AI模型进行临床验证，以进一步支持心脏起搏器和除颤器的远程监控。