论文部分内容阅读
心脏骤停(Cardiac Arrest,CA)发病急,死亡率高。美国每年有35万成年人因心脏骤停死亡,我国每年约发生54.4万例心脏骤停,发病人数位居世界首位。心脏骤停中75%-80%的初始节律为心室颤动。电击除颤是治疗室颤的唯一方法,每延迟除颤1分钟,复苏成功率下降7%-10%。研究表明绝大多数心脏骤停患者为独居老人,导致从疾病发生到被发现间隔较长,平均需要约30分钟。每一次紧急呼叫时间为3.5分钟,另外还存在6%的呼叫者不在病人身边,7%的呼叫者离开手机等情况发生,并分别造成24秒和43秒的延迟。加之救护车到达室颤现场的平均单程时间约为16分钟(范围为4-43分钟),已经错过了4分钟的最佳抢救时间。因此室颤患者需要提前1小时的预警才能勉强得到及时的医疗干预,挽救患者生命。心电因其易于获取成为室颤预测的最佳选择,目前通过对临床积累已经得到众多与室颤相关的心电图特征,包括R波时限、T波倒置、QT间期等。同时心率变异性(Heart Rate Variability,HRV)特征也用于室颤预测的研究,如正常窦性RR间期标准差(SDNN)、相邻RR间期差值的均方根(RMSSD)和相邻RR间期差值的标准差(SDSD)等时域特征,该类特征分析方法计算简单,已在临床应用较长时间,且积累了大量经验与诊断案例,但没有考虑时序信息,提取的信息较少,不能对脏器或病情定量确诊。随着研究的深入,对HRV信号的频域和非线性动力学分析也在不断加强,如HRV的功率谱可以反应血压、外周血管、交感神经等生理状态,非线性特征可以分析心脏的混沌状态等。与此同时研究人员利用智能算法,如神经网络,支持向量机等,对室颤进行预测,也已经得到了较好的预测效果。但上述研究还有以下问题:1.针对现有应急医疗卫生情况,需要提前至少60分钟以上预测室颤发生才能保证即将发生室颤的患者可以得到及时的早期医疗干预。目前,很少有报道可以在上述时间之前预测室颤发生。2.当前预测多数集中在HRV特征上,该类特征除时域计算简单外,其余特征均计算复杂,首先需要连续采集心电,其次需要人为插值RR间期得到完整HRV信号,再次计算特征,最后预测。这一过程计算复杂,且对计算设备要求相对较高,不便于小型设备集成。3.HRV特征是否可以定量的诊断疾病在学术上存在较大争议,没有得到临床医生的广泛认可。部分HRV信号本身就不能使用恰当的医学术语解释,利用其所得的预测结果则更难理解。针对上述问题,本研究的主要工作包括:1.探讨心电形态学特征预测室颤的能力计算8个时间点心电形态学特征的差异,并比较预测能力,得到4个预测能力最强的特征。将室颤前第1分钟作为训练集,其余时间点作为测试集,通过不同的机器学习算法(包括逻辑回归、BP神经网络和支持向量机)对室颤进行预测。通过受试者工作特征曲线(Receiver Operating Characteristic Curve,ROC)下面积(Area Under ROC Curve,AUC)、灵敏度(Sensitivity)、特异度(Specificity)和准确度(Accuracy)评估预测能力。研究结果表明心电形态学特征对室颤的预测能力较强且稳定,其中R波时限预测能力最强,AUC平均为0.907±0.017。2.比较形态学特征与HRV特征对室颤预测的差异计算每个HRV特征的预测能力后找到最佳特征,并通过相同方法评估组合特征的预测结果。得到其中奇异值分解熵的预测能力最强,AUC平均为0.825±0.046。比较每个时间点形态学特征与HRV特征的预测能力差异。通过净重新分类改善指数(Net Reclassification Improvement,NRI)比较两类特征的预测结果。实验结果表明形态学特征对室颤的预测能力强于HRV特征。3.结合两类特征预测室颤将两类特征组合使用三种预测算法(逻辑回归、BP神经网络和支持向量机)预测室颤。实验结果表明,使用组合特征预测室颤的结果优于单一种类特征的预测结果。在室颤前5分钟时逻辑回归算法的预测结果最优,30分钟后BP神经网络预测结果最好,且不同算法的结果具有互补性。同时得到使用形态学特征的预测结果与两类特征组合的预测结果未见明显差异,并且在室颤前30min-60min时HRV特征的预测效果明显变弱。4.提出了一种基于集成学习的室颤预测模型利用上述实验结果,提出一种基于集成学习的室颤预测模型。针对不同的机器学习算法优点,集成学习可以有相对较高的预测准确性和模型稳定性。实验结果对室颤预测的准确度、灵敏度和特异度分别达到95.3%,90.8%和99%。特异度的计算结果与实验预期一致,在7个时间点均达到了98%以上。本文首次研究比较了HRV特征与形态学特征对室颤的预测能力,探讨了结合两类特征后对室颤的预测能力,进一步提出了一种基于形态学特征的室颤预测模型。实验结果表明,形态学特征的预测能力优于HRV特征,结合两种特征在一定情况下可以提高预测准确度。利用本研究提出的基于心电形态学特征的室颤预测模型能够提前对室颤患者发出警示,该结果为进一步预测室颤提高生存率提供了可行的理论支持,同时利用形态学特征简便快速的计算特性,可集成在穿戴式心电监测设备中。