论文部分内容阅读
背景:低钾血症是常见的电解质紊乱,对心衰等特殊人群构成一定的威胁,快速识别低钾血症具有现实意义。生化检测是诊断的金标准,但需一定的硬件要求,结果回报常需半小时以上。心电图易获取,低钾血症有一些非特异性心电图表现,但人工分析心电图识别低钾血症的准确率低。目的:应用人工智能识别心电图,快速自动识别低钾血症。方法:选取2017年9月至2019年5月在南昌大学第二附属医院所记录到的血清钾值和静息卧位标准十二导联心电图（5秒同步6导记录心电图）,其中心房颤动（Atrial fibrillation,AF）、完全性左束支传导阻滞（Complete left bundle branch block,CLBBB）、完全性右束支传导阻滞（Complete right bundle branch block,CRBBB）和起搏心电图等统称为混杂因素心电图。排除死亡心电图和在采集心电图与血清钾标本期间予以了补钾或利尿治疗的血液标本。根据患者姓名、住院号及采集心电图与血清钾标本的时间差为±3h（如心电图对应的血清钾值的数量>1,则取时间相隔最近者）的原则进行匹配[1],获得有效的心电图-血钾对数据集。在排除混杂因素心电图前,将数据集通过患者随机分组,其中80%的心电图作为训练数据集,采集心电图的12个导联训练获得深度学习模型（Deep learning model,DLM）,20%的心电图作为验证数据集,用以交叉验证,评估该模型（算法）通过识别心电图信号筛选低钾血症的性能。在排除混杂因素心电图后,依照上述方法获取训练集和验证集,分别采集心电图的12个导联和2个导联（ⅠⅡ）建立模型并验证其效能。将验证集中的排除混杂因素心电图进行诊断归类,统计人工分析心电图诊断低钾血症的效果。结果:（1）本研究共应用了12,450份心电图,在未排除混杂因素心电图12导联模型、排除混杂因素心电图12导联模型和排除混杂因素心电图2导联（I、II）模型的验证集中低钾发病率分别为37.0%、47.0%及47.0%。未排除混杂因素心电图12导联模型在其验证集中筛选低钾血症的AUC为0.771（95%CI,0.754-0.787）,取临界值为0.4212时,敏感性为70.0%,特异性为69.1%,阳性预测值为57.3%,阴性预测值为79.6%,准确率为69.4%。（2）排除混杂因素心电图12导联模型在其验证集中筛选低钾血症的AUC为0.796（95%CI,0.766-0.815）,取临界值为0.536时,敏感性为71.4%,特异性为77.1%,阳性预测值为73.5%,阴性预测值为75.1%,准确率为74.4%。（3）排除混杂因素心电图2导联（I、II）模型在其验证集中筛选低钾血症的AUC为0.643（0.618-0.668）,取临界值为0.967时,敏感性为70.9%,特异性为51%。阴性预测值为66.2%,阳性预测值为56.3%,准确率为60.3%。（4）验证集中排除混杂因素的心电图（n=1748）,生化验证低钾者824例,但这些真性低钾血症心电图中,人工分析仅有180份（21.9%）被诊断为低钾血症,其中诊断U波明显者26份（3.1%）,而人工诊断低钾血症的心电图相对应的生化检测确定为非低钾血症者共116份,人工分析心电图识别低钾的敏感性为21.9%,阳性预测值为60.8%。结论:（1）AI识别心电图可快速无创且有效地筛选低钾血症;（2）CLBBB、CRBBB及起搏等混杂因素心电图可能会降低AI筛选低钾血症的性能;（3）与采集12导联心电图信号的模型相比,采集2个导联（I、II）心电图信号的深度学习模型筛选低钾血症的效能相对较低。