该项多中心回顾性队列研究纳入了在24h内行ECG和TFT检查的患者。研究团队使用113 194名患者的174 331份ECG进行模型的开发和验证，从另一家医院的33 478名患者中提取了48 648份ECG进行外部验证。为检测显性甲亢，研究者应用500 Hz的原始ECG数据，开发了12导联、6导联（肢体导联、胸前导联）和单导联（I导联）ECG的DLM，应用受试者工作特征曲线下面积（AUC）计算模型内部和外部验证集中的性能。12导联ECG的AUC，在内部验证中为0.926(0.913-0.94)，外部验证中为0.883(0.855-0.911)。6导联和单导联的AUC，在内部验证中为0.889-0.906，在外部验证为0.847-0.882。

为实现对显性甲亢的非侵入性筛查，该团队使用ECG开发了一种DLM，这一模型可能有助于实现疾病的早期诊断、改善患者预后。

图解摘要

图1 研究流程图

为开发深度学习模型并测试内部性能，研究团队获取了韩国一家三级教学医院（亚洲大学医学中心，A医院）1994年1月1日至2020年12月31日的患者数据，使用社区二级医院（仁川世宗医院，B医院 ）2017年3月1日至2021年5月31日的数据进行外部性能测试。入选人群在该医院就诊并至少接受1次标准12导联心电图和甲状腺功能检查，二者检查时间不超过24h。研究团队获得了两家医院的甲状腺功能检查值、年龄、性别和数字存储的心电图数据，分别排除了21名和7名性别或年龄信息缺失的患者，最终A、B医院分别纳入113 194和33 478人。为了进行开发、调整和内部验证，我们将A医院的患者划分为7:12。

图2 检测甲状腺功能亢进的深度学习模型架构

深度学习模型仅使用12导联心电图波形数据作为预测变量；Butterworth通滤波器对数据进行预处理，去除基线游走噪声<0.5 Hz的数据；使用标准归一化方法处理数据；将两侧修剪0.9s，去除心电图开始和结束时的噪声。最后，使用4096大小的向量作为深度学习模型的输入。该模型使用ResNet的六个残差块，每个残差块由卷积神经网络、批归一化、ReLU激活函数和脱落层组成。滤器尺寸设定为21；总共应用6个残差块，每通过3个残差块时，输入长度就会减少一半；每个心电图导联具有不同的ResNet模型。在残差块结束时，合并输出通道平均值并连接每个导联的所有输出。

dense层利用串联输出预测显性甲亢的发生概率（0-1），GridSearch对上述超参数进行选择。

表1 队列的基线资料

图3 深度学习模型检测甲状腺功能亢进的性能

为了最大限度地提高深度学习模型在各种情况下的应用，我们将12导联深度学习模型修改为部分导联深度学习模型，仅应用6个肢体导联（I、II、III、aVL、aVR和aVF导联）、6个胸前导联（V1、V2、V3、V4、V5和V6）或单导联（I导联）心电图。使用内部和外部验证集验证模型，性能指标为受试者工作特征曲线下面积、灵敏度、特异性、阴性预测值和阳性预测值。为计算性能指标，在开发数据集中使用约登J统计计算了临界值，并将临界值应用于内部和外部数据集，使用De-long法的Sun-Su优化确定了95%可信区间。

图4 正常人群发生甲状腺功能亢进的累积风险

假设在正常患者中，模型表现为高概率即为预测显性甲亢的生物标志物。为了验证这一假设，我们对初始甲状腺功能检查正常并进行随访复查的6800名患者进行了亚组分析，这些患者来自内部验证数据集，并与初始甲状腺功能检查至少间隔4周。我们在开发数据集中使用约登J统计确定临界值，模型概率大于或等于临界值的组为高危组，其他为低危组。

应用Kaplan–Meier法分析了高危组（n = 6323）和低危组（n = 568）患者在36个月内是否会发生新的显性甲亢，使用对数秩检验比较了两条生存曲线之间的统计学差异。高危组中30人表现为显性甲亢，低危组145人表现为显性甲亢。高危人群中显性甲亢的发生率显著更高（5.28%vs. 2.33%，P<0.001）。

参考文献：

Byungjin Choi, Jong-Hwan Jang, Minkook Son, Min Sung Lee, Yong-Yeon Jo, Ja Young Jeon, Uram Jin, Moonseung Soh, Rae Woong Park, Joon-myoung Kwon, Electrocardiographic biomarker based on machine learning for detecting overt hyperthyroidism, European Heart Journal - Digital Health, 2022;, ztac013

识别下方二维码回复“心闻速递246”即可获得文献原文