利用机器学习鉴别肺栓塞与急性冠脉综合征中的胸前导联T波倒置

《Journal of Electrocardiology》：Machine-learning differentiation of precordial T-wave inversion in pulmonary embolism and acute coronary syndrome

　　

摘要 背景 在急诊环境中区分急性冠状动脉综合征（ACS）与急性肺栓塞（PE）是一项众所周知的诊断挑战，因为两者的症状有重叠且共享心电图异常，如胸导联T波倒置（TWI）。本研究通过分析胸导联中倒置T波的形态，评估机器学习（ML）算法区分急性PE与ACS的能力。方法 本回顾性病例对照研究纳入了200例患者（100例ACS，经冠状动脉造影确诊；100例PE，经CT肺动脉造影确诊），就诊于伊朗大不里士沙希德马丹尼医院（2023–2024年），这些患者表现为胸导联TWI。通过区域生长图像处理技术追踪V1、V2和V3导联中的负向T波。使用Savitzky–Golay滤波和经验小波变换（EWT）方法过滤信号，以提取时频统计参数。训练了多种有监督ML模型（80%训练集，20%测试集，5折交叉验证），进行了50次随机迭代。结果 集成模型（AdaBoost）取得了最高的诊断性能，准确率为84.44%，灵敏度为83.96%，特异度为84.87%，F1分数为83.56%。神经网络模型表现相当，准确率达84.00%，灵敏度达85.14%。其他评估的算法（SVM、KNN、朴素贝叶斯）也生成了可接受的判别准确率（范围在78%至82%之间）。结论 机器学习算法能够从胸导联T波形态中提取潜在的疾病特异性特征，从而区分PE与ACS。这些发现支持进一步研究AI增强的心电图解读，作为急诊临床决策中快速、低成本、无创的辅助手段。在临床应用之前，需要在更大规模的、具有临床代表性的人群中进行外部验证。引言 心电图（ECG）仍然是评估疑似急性心血管疾病患者最易获取且最基本的诊断工具之一[1]。T波倒置（TWI）是一种常见的异常，可发生于良性和严重疾病中（2）。尽管TWI可代表正常变异，但也可能提示肺栓塞（PE）、急性冠状动脉综合征（ACS）、心肌病或神经系统疾病[2]、[3]、[4]。因此，在急诊环境中准确解读这一发现对于选择适当的治疗方案非常重要。T波异常也越来越被认可为心血管生物标志物[4]。PE和ACS是TWI的临床重要病因，且在急诊环境中经常遇到[5]、[6]。两种疾病最初可能表现出相似的症状和体征，包括呼吸困难和胸痛，使得鉴别诊断具有挑战性[7]。它们还可能产生重叠的胸导联异常，包括对称性T波倒置[8]。然而，区分PE与ACS至关重要，因为两者的病理生理机制、诊断路径和治疗方案存在显著差异。尽管已有多种异常发现被引入以方便区分这两种疾病，但其诊断性能在常规临床实践中仍然不够理想[9]。与急性肺栓塞相关的多种异常发现，如窦性心动过速、右束支传导阻滞、S1Q3T3模式和右轴偏移，虽然特异性较高，但灵敏度可变，且在相当比例的患者中可能缺失[10]、[11]。同样，提示ACS的缺血性T波倒置也不具特异性，与急性PE中观察到的右心室劳损的心电图表现可能存在较大重叠[12]。此外，虽然额外的诊断方法，包括超声心动图、心肌生物标志物、CT肺动脉造影（CTPA）和冠状动脉造影，可以提高诊断准确率，但其中大多数在急诊环境中无法立即获得[4]、[13]。因此，迫切需要利用急诊环境中可获得的数据来实现快速诊断的方法。人工智能（AI）和机器学习（ML）已成为分析心血管数据的实用工具，特别是入院心电图[14]、[15]。传统的心电图解读依赖于临床医生的视觉评估和经验，而ML算法能够识别复杂的、多因素的波形模式，这些模式可能不被人类观察者所察觉[16]、[17]。AI增强的心电图分析在检测心律失常、心肌梗死、心力衰竭和结构性心脏病以及预测未来心血管风险方面已显示出前景[18]、[19]。由于心电图广泛可及、无创且经济，AI增强的心电图模型可能支持急性心血管环境中的临床决策。尽管AI驱动的心电图分析技术取得了越来越多的进展，但大多数研究集中在检测特定的心血管疾病上，而非区分胸导联T波倒置的病因。据我们所知，很少有研究调查机器学习技术能否区分由急性肺栓塞引起的胸导联T波倒置与由急性冠状动脉综合征引起的胸导联T波倒置。因此，本研究旨在评估机器学习算法根据胸导联心电图中心脏倒置T波的形态，区分急性肺栓塞与急性冠状动脉综合征的能力。我们假设机器学习模型能够识别通过传统视觉解读不易察觉的细微波形特征，从而促进这两种潜在危及生命的疾病的早期鉴别诊断。方法论 本研究描述了研究设计、人群、抽样方法、数据收集程序、机器学习方法、统计分析以及伦理考量。研究设计与场所 本回顾性病例对照研究在伊朗大不里士沙希德马丹尼医院进行，时间为2023年至2024年。目标人群 本研究纳入200例确诊为急性冠状动脉综合征（ACS）或急性肺栓塞（PE）的患者，这些患者被收治入心脏重症监护单元。诊断由冠状动脉造影确认。结果 共纳入200例患者（100例ACS，100例PE）。ACS组中男性占57%，女性占43%；PE组中男性占46%，女性占54%。ACS组所有患者年龄均大于40岁，而PE组为78%。此外，ACS患者中89%和PE患者中27.5%的年龄大于50岁。关于BMI，75%的ACS患者和78%的PE患者BMI>25。相比之下，ACS组25%和PE组22%的BMI低于25（图3和讨论在本研究中，我们评估了多种机器学习算法诊断心电图胸导联TWI两大主要病因——急性PE和ACS的能力。我们的研究结果显示，ML模型尽管在临床表现和常规心电图发现上有相当程度的重叠，仍能实现较高的诊断准确率。在所评估的算法中，集成模型取得了最高的整体性能，准确率84.44%。优势与局限 本研究具有几个显著优势。首先，所有诊断均使用金标准方法确认——ACS通过冠状动脉造影，急性PE通过CTPA——从而最大限度减少了误分类偏倚。其次，多种机器学习算法在患者级别划分的数据集上进行了系统评估，确保了公平比较和鲁棒性。第三，提供了包括ROC-AUC曲线和混淆矩阵在内的综合诊断指标来评估模型性能。结论 利用从胸导联倒置T波衍生出的时频统计特征的机器学习算法，在区分急性PE与ACS方面展现了良好的内部交叉验证性能。集成模型和神经网络模型取得了最高的诊断准确率，表明具有临床价值的复极化模式存在于胸导联T波信号之中。在临床应用之前，该模型需要在代表性队列中进行外部验证。数据与材料可获得性 数据可在合理请求下从通讯作者处获得。作者贡献声明 Mosleh Mohammadi：数据整理。Hadi Sahrai：正式分析。Kia Seyed Toutounchi：写作——审阅与编辑，写作——初稿，调查研究。Hamed Danandeh Hesar：调查研究。Sina Hamzehzadeh：验证，监督。Ali Norouzi：软件。Keti Mamillo：方法论。Maryam Zeinali：项目管理。Samad Ghaffari：项目管理。Maryam Chenaghlou：概念化。发表同意声明 不适用。本手稿中未展示任何可识别的患者信息。所有代表性心电图图像中的可识别信息在提交前均已移除。伦理批准与参与同意 本研究经大不里士医科大学伦理委员会批准（IR.TBZMED.REC.1401.1016）。本研究按照《赫尔辛基宣言》的原则进行。由于本研究为回顾性研究，使用匿名病历记录，伦理委员会免除了个人知情同意的要求。所有患者数据均保密处理，并在分析和展示前移除了个人可识别信息。生成式AI和AI辅助技术的使用声明 在准备本研究过程中，作者使用ChatGPT（OpenAI）仅用于提高手稿的可读性和英语表达清晰度。使用该工具后，作者对内容进行了必要的审阅和编辑，并对已发表文章的内容承担全部责任。资金来源 无。本研究未获得公共、商业或非营利部门的任何特定资助。未引用参考文献[22]利益冲突声明 作者声明不存在利益冲突。致谢 ChatGPT（OpenAI）仅用于提高英语表达的清晰度。作者审阅并批准了所有修改，并对手稿的内容承担全部责任。Mosleh Mohammadi | Hadi Sahrai | Kia Seyed Toutounchi | Hamed Danandeh Hesar | Sina Hamzehzadeh | Ali Norouzi | Keti Mamillo | Maryam Zeinali | Samad Ghaffari | Maryam Chenaghlou