Optimizing Medication Decisions for Patients with Atrial Fibrillation through Path Development Network

要約

心房細動 (AF) は、心房の急速かつ不規則な収縮を特徴とする一般的な不整脈です。
心房、特に血栓が形成されやすい左心耳の血流が遅くなるため、脳卒中のリスクが大幅に高まります。
このような血栓は脳動脈に移動し、虚血性脳卒中を引き起こす可能性があります。
AF 患者に抗凝固薬を処方すべきかどうかを評価するために、医師は CHA2DS2-VASc スコアリング システムを使用することがよくあります。
ただし、抗凝固剤は凝固機能に影響を与える可能性があるため、使用には注意が必要です。
この研究では、12誘導ECGデータを使用してAF患者に抗凝固療法を推奨すべきかどうかを予測する機械学習アルゴリズムを導入した。
このモデルでは、STOME を使用して時系列データを強化し、それを畳み込みニューラル ネットワーク (CNN) を通じて処理します。
パス開発層を組み込むことにより、モデルは NPV 1 の条件下で 30.6% の特異性を達成します。対照的に、パス開発のない LSTM アルゴリズムは、同じ NPV 条件下でわずか 2.7% の特異性をもたらします。

要約(オリジナル)

Atrial fibrillation (AF) is a common cardiac arrhythmia characterized by rapid and irregular contractions of the atria. It significantly elevates the risk of strokes due to slowed blood flow in the atria, especially in the left atrial appendage, which is prone to blood clot formation. Such clots can migrate into cerebral arteries, leading to ischemic stroke. To assess whether AF patients should be prescribed anticoagulants, doctors often use the CHA2DS2-VASc scoring system. However, anticoagulant use must be approached with caution as it can impact clotting functions. This study introduces a machine learning algorithm that predicts whether patients with AF should be recommended anticoagulant therapy using 12-lead ECG data. In this model, we use STOME to enhance time-series data and then process it through a Convolutional Neural Network (CNN). By incorporating a path development layer, the model achieves a specificity of 30.6% under the condition of an NPV of 1. In contrast, LSTM algorithms without path development yield a specificity of only 2.7% under the same NPV condition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google