심전도 상의 병리학적 재분극 장애와 심실성 부정맥의 위험도를 검출하기 위한 인공지능 알고리즘 개발 (DEEPECG4U)

Torsade-de-Pointes(TdP)는 잠재적으로 치명적인 심실 부정맥으로 심실 재분극(Long QT, LQT)의 연장에 의해 선호됩니다. 기존 LQT의 다른 유형은 심장 칼륨 전류(IKr; IKs)의 억제 또는 후기 나트륨 전류(INaL)의 활성화에서 파생됩니다. 이러한 변경은 선천적 기원(3가지 유형 =>cLQT-1:IKs, cLQT-2:IKr, cLQT-3: INaL) 또는 약물 유발(diLQT, IKr 억제를 통해)일 수 있습니다. 100개 이상의 약물이 TdP의 위험에도 불구하고 유리한 이익/위험 비율(예: 하이드록시클로로퀸).

심실 재분극 기간(msec)을 나타내며 심박수로 보정된 QRS 시작과 T파 종료 사이의 시간에 해당하는 QTc는 모든 LQT에서 연장됩니다. 변경된 전류의 함수로서 특정 T-파 이상이 설명되었으며 cLQT/diLQT 유형을 구별하는 데 도움이 됩니다. 따라서 ECG의 분석을 QTc의 분석으로 제한하는 것은 ECG에 포함된 정보가 훨씬 더 풍부하고 단순한 간격 측정에 제한되지 않기 때문에 그다지 예측적이지 않습니다.

우리는 최근 인공 지능(컨볼루션 신경망, 딥 러닝)을 사용한 ECG 분석이 QTc를 넘어 LQT 유형 및 TdP의 위험 예측에서 더 구별되는 ECG 요소를 식별한다는 것을 보여주었습니다. 이러한 기술을 사용하여 TdP의 위험을 예측하고 LQT 유형(0~100% 범위의 점수)을 식별하고 다양한 공통 ECG 매개변수(QTc, 심박수 포함)의 정량적 측정을 허용하는 확률적 모듈이 포함된 모델을 개발했습니다. , 홍보 및 QRS).

이 프로젝트의 목표는 APHP 모델의 다양한 부서에서 실제 코호트를 전향적으로 검증하여 다음을 허용하는 것입니다.

1. 자동 QTc 측정,
2. LQT 식별 및 유형화와 TdP 위험.