基于个性化微调的可穿戴心电图深度学习模型改善短期房颤预测

《Scientific Reports》：Personalized deep learning for short-term forecasting of impending atrial fibrillation from continuous wearable ECG signals

　　

摘要

连续可穿戴心电图（ECG）监测越来越多地用于门诊心律失常监测，但由于患者间心电图的个体差异，预测即将发生的房颤（AF）仍然具有挑战性。我们研究了通过将全局模型在个体心电图上进行微调以实现个性化，能否改善短期房颤预测。我们在 ICENTIA11K 上训练的全局模型与在三个队列（ICENTIA11K、IRIDIA-AF 和 MobiCARE）上进行微调的个性化模型进行了比较，使用 60 秒的心电图片段和五分钟的预测窗口。我们评估了适应数据量对性能的影响，并分析了心率、RMSSD 等心电图特征。个性化模型显著优于全局模型，AUROC 分别为 0.711 对 0.614（ICENTIA11K）和 0.686 对 0.585（MobiCARE），且随着患者特定微调数据量的增加，优势逐步增大。虽然全局模型的准确性随着房颤发作的临近而上升，但在两个外部队列中，个性化模型表现出不同的时间动态，表明它们捕获了不太依赖发作临近程度的患者特异性线索。房颤发作前的片段显示心率和 RMSSD 升高，特征归因突出了临床上相关的先兆，包括频繁的房性期前收缩（PACs）和短暂的室上性心动过速（SVTs）。使用患者特定的可穿戴心电图数据对深度学习模型进行适应性调整，可显著增强短期房颤预测，支持及时预防干预和改善门诊监测中的房颤管理。