深度学习模型预测手术风险的验证研究

外部验证使用数字心电图预测非心脏大手术后30天死亡率的PreOpNet模型

摘要

PreOpNet是一种新型深度学习算法，使用12导联数字心电图进行术前风险评估，预测30天内全因死亡和主要不良心脏事件。本研究旨在评估其在高风险非心脏手术患者中的表现。在一项前瞻性欧洲研究中，纳入了6098名高风险患者。PreOpNet对死亡和主要不良心脏事件显示出中等区分度，但高估了风险。它在预测死亡方面优于修订心脏风险指数，但不如高敏心肌肌钙蛋白T。重要的是，当与修订心脏风险指数和/或高敏心肌肌钙蛋白T结合使用时，PreOpNet提供了增量预后价值。

引言

全球每年估计进行3.13亿次手术，其中85%为非心脏手术。术后30天内死亡占全球所有死亡的7.7%，使其成为全球第三大死因。随着心血管合并症发生率的增加和手术服务的扩展，术后死亡预计将从每年420万增加到610万。

机器学习技术，包括深度学习，最近在分析原始心电图数据以诊断和预测多种心血管疾病方面显示出巨大潜力。在此背景下，PreOpNet模型基于美国大型回顾性管理数据集推导并验证，是首个仅使用12导联心电图预测手术后30天死亡和主要不良心脏事件的深度学习模型，其区分度高于修订心脏风险指数。

方法

研究设计与参与者

这是在巴塞尔-PMI研究计划中的一项二次分析。连续纳入2014年10月至2019年9月在瑞士巴塞尔大学医院接受大型非心脏手术的成年患者。患者如果计划术后住院时间超过24小时，并被认为死亡风险增加，则被纳入筛查。

数据收集

为所有患者计算修订心脏风险指数。根据某机构和某机构学会的建议对手术的心血管风险进行分类。在手术前30天内测量高敏心肌肌钙蛋白T。

心电图预处理

12导联心电图根据PreOpNet作者提供的开源代码进行预处理，包括导联标准化。此外，使用带阻滤波器减弱50Hz电源线干扰及其谐波。

PreOpNet模型

PreOpNet是两个卷积神经网络模型的组合，优化用于从术前心电图预测手术后30天的死亡和主要不良心脏事件。PreOpNet的权重可在GitHub上获得，并用于此分析。未进行重新训练。

结果

患者特征

在最初纳入巴塞尔-PMI研究的14294名患者中，6098名个体符合资格标准并被纳入此分析。中位年龄为74.0岁，43.5%为女性，32.7%患有已知冠状动脉疾病。99.9%的患者完成了30天随访。211名患者在30天内死亡，426名患者发生主要不良心脏事件。

区分度与校准

PreOpNet预测30天死亡和主要不良心脏事件的受试者工作特征曲线下面积分别为0.707和0.675。校准图显示对两种结局均存在过度预测。

与修订心脏风险指数和高敏心肌肌钙蛋白T的比较

PreOpNet预测死亡的区分性能显著优于修订心脏风险指数，但显著低于高敏心肌肌钙蛋白T。PreOpNet预测主要不良心脏事件的区分度与修订心脏风险指数相似，但低于高敏心肌肌钙蛋白T。

PreOpNet对修订心脏风险指数和高敏心肌肌钙蛋白T的附加价值

将PreOpNet加入修订心脏风险指数显著提高了预测30天死亡率和主要不良心脏事件的区分度。类似地，将PreOpNet与高敏心肌肌钙蛋白T结合也增强了对死亡率和主要不良心脏事件的区分度。

讨论

这项研究在大型前瞻性欧洲高风险非心脏手术患者队列中外部验证了PreOpNet的性能，并直接比较了其与修订心脏风险指数和术前高敏心肌肌钙蛋白T浓度的性能。

PreOpNet对30天死亡和主要不良心脏事件表现出中等区分度，但校准较弱，系统性高估风险。PreOpNet对30天全因死亡的区分度高于修订心脏风险指数，但低于高敏心肌肌钙蛋白T。PreOpNet对修订心脏风险指数比高敏心肌肌钙蛋白T显示出更多增量价值。

结论

在接受大型非心脏手术的高风险患者中，PreOpNet模型对预测30天死亡率或主要不良心脏事件表现出中等区分度和有限校准。虽然它在预测30天死亡率方面优于修订心脏风险指数评分，但未超过当前指南推荐的标准高敏心肌肌钙蛋白T。虽然当高敏心肌肌钙蛋白T可用时，PreOpNet作为独立测试对增强高风险手术患者风险分层的益处有限，但当与修订心脏风险指数和高敏心肌肌钙蛋白T结合使用时，它持有希望。
更多精彩内容 请关注我的个人公众号 公众号（办公AI智能小助手）或者 我的个人博客 https://blog.qife122.com/
对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号（网络安全技术点滴分享）

公众号二维码

公众号二维码