利用数字孪生与深度学习识别持续性心房颤动中的潜在非肺静脉触发点

《npj Digital Medicine》：Identifying potential nonpulmonary vein triggers in persistent atrial fibrillation using digital twins and deep learning

　　

摘要

尽管肺静脉隔离术（PVI）是房颤（AF）的一项成熟治疗方法，但其在持续性房颤（PsAF）中的疗效仍然有限。因此，在PsAF消融术中，常采用PVI后心律失常诱发试验来模拟非肺静脉异位激活，但"不可诱发"作为程序终点或预后标志物的价值仍有待确定。个性化心房数字孪生（DT）可评估患者特异性的心律失常可诱发性，但其临床转化受到以下因素的制约：需要从磁共振成像信号中由专家进行纤维化表征，以及需要大量计算资源。为克服这些障碍，我们利用深度学习（DL）开发了一种实用框架，用于识别潜在的、能够诱发心律失常的非肺静脉触发灶（NPVT）位点，且无需患者特异性的纤维化阈值设定或模拟计算。全面的起搏位点集所获得的患者数字孪生中，潜在NPVT位点阳性率显著高于传统导管基定位位点（85% vs. 54%）。基于数字孪生衍生结果训练的深度学习模型（InduceNet）准确预测了潜在NPVT位点（敏感性91%）。这一集成的DT-DL框架使临床实践中能够直接获取由数字孪生衍生的、关于患者特异性潜在NPVT位点的洞察，从而支持更有效的临床决策。