Preoperative risk prediction of major cardiovascular events in noncardiac surgery using the 12 - lead electrocardiogram: an explainable deep learning approach.
研究背景
非心脏手术后主要心血管不良事件仍是围手术期安全挑战，现有风险评估工具预测效果有限。研究者探索用深度学习分析术前12导联心电图，以提高风险预测能力。
方法速览
使用MIMIC - IV数据库中37,081名成人患者数据，训练卷积神经网络（CNN）模型预测术后心肌梗死、住院死亡率和复合终点。采用10折交叉验证和时间分层验证评估，还开发基于反事实生成的解释方法增强可解释性。
主要发现
- 融合模型性能优：融合模型在三个终点表现均优于仅用ECG波形的模型和RCRI。如在心肌梗死上AUROC为0.858等，表明多模态模型预测更准确。
- ECG特征与风险相关：反事实分析显示，延长的QRS持续时间等电生理模式与高预测风险显著相关，可能是潜在心脏病理标志。
- 模型解释性提升：生成反事实ECG可可视化不同风险水平波形变化，为临床医生识别高风险患者提供电生理特征。
- 性能对比突出：与RCRI相比，融合模型在三个终点的净重新分类指数（NRI）均显著提高，验证其风险分层优越性。
总结展望
该研究展示了12导联ECG作为非心脏手术前风险评估工具的潜力，结合临床数据可快速生成风险评分。但模型外部验证和实际临床应用还需进一步研究。