基于双向长短期记忆和医疗级可穿戴多传感器系统的心动过速起病TOP-Net预测模型:算法开发研究

介绍

心动过速是一种心律失常，被定义为成人静息心率超过每分钟100次[1]。根据心动过速的机制、病因、表现和转归可分为窦性心动过速、心房颤动、心房扑动、室性心动过速和心室颤动[2]。自发性室性心动过速是心源性猝死的主要原因;在美国，每年大约有18万到30万人患有这种疾病。3.，4]。心房颤动是中风、充血性心力衰竭和过早死亡的危险因素。首次房颤患者死亡率高[5，6]。此外，心动过速与预后不良有关[7]。传统的心动过速检测依赖于心脏病专家或临床专家读取心电图(ECG)信号。由于测量次数有限和疾病的间歇性，在医院记录心电图时可能无法捕捉到心动过速的症状[8]。因此，持续监测使临床医生能够早期诊断，预测疾病，并有足够的时间防止患者恶化。

最近，几家医院尝试利用可穿戴设备连续监测心率、呼吸频率和血氧饱和度(SpO)等生命体征₂) [9，10]。医院采用可穿戴设备，方便随时随地获取患者状态，减轻护士的工作量。对比使用单阈值报警监测装置和常用临床专家定义的预警评分[11]，机器学习方法可以在没有人类指令的情况下自动发现数据中的模式和关系。因此，机器学习已被证明是一种有效的临床工具，可以根据电子健康记录、生物标志物、基因表达和成像数据识别异常事件或提供疾病预警[12-14]。Forkan等[15]利用隐马尔可夫模型预测了包括心动过速在内的7种临床发作，并通过使用随机森林算法预测1 - 2小时内的事件进一步提高了性能[16]。Lee等[17]开发了一种人工神经网络来预测1小时内室性心动过速。Szep等[18]利用具有回归和增强模型的原型心脏监测系统来检测心律失常并在发作前几分钟预测致命心律失常。

通过非线性计算和灵活的特征提取，深度学习模型在表示学习和未知信息探索方面表现出很强的性能[19]。研究人员最近将深度学习模型用于基于生理信号或电子健康记录的疾病诊断和预测[20.-22]。由于测量和获取生命体征很容易测量，并且有一些开源的标记生理信号(特别是心电信号)数据集[23，24]，有很多研究将深度学习应用于心脏病学[25]。Hannun等[26报道了一种卷积神经网络算法，该算法使用单导联可穿戴传感器获取的ECG信号来检测心律失常。Shashikumar等[27]也提出了一种卷积神经网络模型来检测和监测心房颤动。Teijeiro等[28]引入了一种长短期记忆(LSTM)网络，该网络基于从心电图记录中提取的一组特征来分类正常的窦性心律、心房颤动和异常。gottlibovych等[8]构建了卷积神经网络与LSTM相结合的模型，实现了心房颤动的近实时识别。Cho等[29]获得了卷积神经网络模型，利用心电信号预测4 ~ 6分钟内的房颤。

心血管疾病是复杂和异质性的;遗传、环境、年龄、性别等多种因素可影响心血管疾病的发生和严重程度[30.，31]。年龄已被证明是一个独立的危险因素，而女性在老年时患心血管疾病的风险更大[31]。很少有研究试图开发一种考虑患者个人信息的预测心动过速发作模型。呼吸功能障碍和常见肺部疾病，如哮喘、慢性阻塞性肺病和肺纤维化，更容易引起心血管疾病[32]。呼吸频率异常及其相关变化是预测心脏骤停的重要指标[33]和SpO₂也被证明是急性心力衰竭的诊断标志[34]。然而，这些有用的信息并没有被有效地利用，尽管它可以很容易地通过可穿戴传感器获得。

这项研究的目的是开发一种双向长短期记忆(BiLSTM)模型- top - net -适用于重症监护病房和普通病房[35]，利用易于获取的数据，实现对心动过速发作的实时评估和早期预测，预测范围长，并基于生命体征和电子健康记录数据，具有以下贡献:(1)将电子健康记录(稀疏记录)和生物传感器数据(高频记录)相结合，完成对心动过速发作的早期预后和实时预测，及其早期预测性能;(2)率先考虑其他2个重要生命体征，探索其与深度学习模型的不同组合预测心动过速发作，提高早期预测精度;(3)利用大型重症监护数据集和可转移到真实临床场景病房的模型，其中患者由医疗级可穿戴嵌入式系统监控，例如，可在不同国家(美国到中国)、种族(多种族到亚洲)和医疗部门(重症监护室到普通病房)之间转移。

方法

概述

我们利用了重症监护医疗信息市场III (MIMIC-III)的大型数据集[24]及其匹配的生理波形数据库(用监测器记录)[36]发展TOP-Net模式(可用的代码[37])。预训练模型转移到一个相对较小的数据集，该数据集来自真实临床环境中使用医疗级可穿戴嵌入式系统(SensEcho，北京SensEcho科技有限公司)持续监测的患者[38]。该过程在图1。

‎ 查看此图

方法

我们结合两类数据开发TOP-Net:(1)来自生物传感器(可穿戴)的信息，包括心率、呼吸频率和SpO₂;(2)患者电子病历中的个人信息，代表患者入院时的个人健康状况，包括年龄、性别、入院类型、第一护理单位、心血管病史等。

基于BiLSTM模型的TOP-Net心动过速早期预测

模型概述

BiLSTM [39]是一种序列模型，可以捕获纵向电子健康记录数据中的复杂和多元动态，并连续收集生理信号，这些信号通常用于急性疾病预测、分类和亚表型鉴定[40]。我们开发了模型(图2)利用BiLSTM来利用潜在的长期和短期变化以及生理状态的相关特征。

‎ 查看此图

步骤1:计算统计特征

我们使用BiLSTM算法来表示生物传感器采集的多个时间序列之间的关系。心动过速发作前的观测窗口数据用于训练模型。受卷积- lstm模型的启发[41]，我们设计的模型使用原始时间序列信号的统计特征作为滑动子观测窗口内的输入。所有子观测窗口的结果沿时间串联并输入到模型中。

我们探讨了8种统计特征——均值、标准差、斜率、分位数、和、绝对能量(f₁)，自相关聚合函数₂)，以及辨别能力的测量_3.)——通常用来描述时间序列特征。在这里，我们重点解释了系数的计算过程₁,ƒ₂，和_3.。

时间序列的绝对能量计算为

时间序列和它的时滞的相关性用f表示₂，

其中相似性度量指标在哪里X_我是某个时间点的时间序列值，n的长度是X,σ²和μ分别是时间序列方差和均值的估计，和l时间滞后是[42]。

对时间序列的非线性进行了量化

在哪里滞后延时算子是否等于l) [43]。

步骤2:融合患者特征

我们提取了前面提到的静态患者信息，并将其与统计特征合并。将连接的向量归一化并输入到BiLSTM模型中。

步骤3:获取心动过速发作风险评分

在这一步中，TOP-Net确定一个实时风险评分，以评估个体心动过速发作的风险概率。当风险评分持续超过医生设定的阈值一段时间后，护理人员就会收到警报。

重症监护医疗信息集市(MIMIC)

MIMIC III是一个大型的、公开的重症监护数据库(1.4版)[24])，获取38,557例成人患者(52,955例ICU住院)的详细医院信息，如人口统计信息、实验室检测结果、诊断代码等。MIMIC III波形数据库存储患者的多种生理信号(波形)和相应的生命体征数字格式，该数据库包含10282例患者的时间对齐信息和22247条可与临床数据库匹配的数字记录[36]。的表中存储基本信息招生，患者入院信息;icustaysICU转(进、出)信息;病人个人出生和死亡日期;和diagnoses_icd，住院期间的诊断代码。所有的表都可以关联subject_id，患者的独特身份。波形数据库包括头文件(名称、单元和记录频率)和记录片段(数字信号)。图3介绍了将信息表与时间波形联系起来的方法。

‎ 查看此图

普通病房持续监测数据库

普通病房数据的使用经解放军总医院伦理委员会批准(S2018-095-01)。在普通病房，我们使用了SensEcho医疗级监控系统，可以随时随地对患者进行监控。SensEcho包含三个部分(图4):可穿戴式多传感器系统单元、无线网络及数据传输单元、中央监控系统[35，38]。多传感器包括单导联ECG传感器(200 Hz)，呼吸感应体积脉搏波传感器(25 Hz)，无创光电体积脉搏波传感器(SpO)₂基于近红外光谱的监测(1hz)，以及使用3轴加速度计的姿势识别传感器。这些信号被收集并存储在数据记录器中。记录仪有一个超低功耗的Wi-Fi模块，依靠医院网络支持长期数据传输。中央监控系统接收信息、处理数据、传递和显示信息。系统部署的算法包括信号质量评估、信号处理、实时异常事件监测与早期预测、患者健康评估等，并打包成工具包(Midas)。我们系统的准确性、稳定性和有效性已在先前的研究中得到验证[44-46]。

入院的病人由医生使用该系统进行评估。将连续监测的生理信号传输至医院服务器，利用Midas的波形处理功能获取数字格式的数据。临床信息单独存储在医院信息系统中。来自不同来源的数据被链接(图5)使用patient_id，患者的独特标识类似于subject_id在MIMIC III。

‎ 查看此图

‎ 查看此图

心动过速发作诊断标准

诊断性心动过速起病标准由来自急诊科、普通病房和外科ICU的3名临床专家确定。心动过速事件被定义为以下任何一项:(1)心率超过100 bpm持续30分钟;(2)心率在130 BPM以上持续20分钟以上;(3)心率大于150bpm持续5分钟以上。满足这些条件中的任何一个的初始时间点被认为是心动过速发作。

实验

数据集

在ICU环境下，我们选择了5699例患者，标准如下:年龄18岁以上，首次住院和首次入住ICU，心率、呼吸频率、SpO监测数据大于14小时₂录音。选取观测窗口大小为2小时，用于提取统计特征。阴性样本集是通过在无心动过速患者的整个监测过程中以1小时滑动步进提取观察窗口中的信息来构建的。在心动过速发生前的观察窗内选取相同的特征，并在预测范围内选取，获得阳性样本集。为了平衡阳性和阴性样本的比例，我们在前者的基础上持续提取阳性样本，延迟5分钟(用于目标复制)，这是之前研究中使用的方法[47]。通过平均，将数据从每秒采样到每分钟采样。如果在某一时刻所有变量的值大于30%为空或为0，则使用正演插值法填充缺失值。我们随机选择接近正样本的负样本数量，以进一步减少类不平衡。阴性样本2748份，阳性样本2130份。

在普通病房，我们部署了可穿戴级监控系统(图6a) 2018年1月在心血管病科就诊。我们收集了367名患者的数据进行研究。考虑到患者的住院时间，监测时间的纳入标准从14小时减少到4小时。共纳入259例患者，提取阴性样本2300份，阳性样本270份。图6B显示的是一个穿着多传感器衬衫的病人图6C是一个遇到心动过速的病人。

‎ 查看此图

开发预测模型

在根据MIMIC-III数据集开发的早期预测模型中，TOP-Net的预测(预测范围)从0小时到6小时进行探索，间隔2小时。共包括21项统计特征(表1)。子观测窗口和滑动步长分别设置为20分钟和5分钟。我们计算子观测窗口的所有统计值，顺序合并，并将其输入模型。根据患者住院次数，将数据集随机分为训练集的80%和测试集的20%。考虑到样本量，使用5倍交叉验证和随机搜索来调整基于训练集的超参数[48]。隐藏大小设置为32。我们测试的学习率范围从1⁴1²间隔为1⁴训练周期从5次到100次，间隔10次。通过最小化验证损失来确定最佳超参数。我们在训练集上使用最优超参数对模型进行重新训练，并在测试集上评估模型的性能。

与基线模型的比较

为了进一步研究TOP-Net的性能，我们设计了子实验1、2和3，以获得一个全面的评估。在子实验1中，在不考虑个人信息和双向记忆功能的情况下获得模型。即在不考虑患者个人信息的情况下，在整个队列中得到LSTM和卷积神经网络模型。LSTM的结构与BiLSTM一致，卷积神经网络模型有2个卷积层。在子实验2中，传统的机器学习方法，包括极端梯度提升[49]，多层感知器和随机森林，与具有默认模型参数的TOP-Net进行了比较。在子实验3中，检测了不同的特征组合:(1)所有生命体征，(2)心率，(3)心率和呼吸频率，(4)心率和SpO₂。

绩效评估指标

预测效果用6个指标来衡量:敏感性、特异性、准确性、F1评分、精密度和受试者工作特征曲线下面积(AUROC)。

模型验证和转移到普通病房

利用SensEcho系统在普通病房收集的数据(1年内获得的小数据集)验证了TOP-Net的性能。通过对ICU情景模型进行微调，获得了一个适用于非ICU患者的可转移模型。由于样本量小，还使用5倍交叉验证的6个指标评估了模型的性能。

实验平台

我们使用了PostgreSQL(9.6版本;PostgreSQL全球开发小组)提取临床数据。所有数据处理和分析、模型开发和结果可视化均使用Python(版本3.7.1)和CUDA(版本10.0)进行。

结果

数据集

表2显示研究队列的入院信息汇总统计。ICU队列患者年龄稍高，多数因急诊入院。我院心血管科有很大比例的患者因择期住院。此外，普通病房中有心血管病史的患者比例较高。

模型的性能

基于ICU队列的评价

我们利用5倍交叉验证来选择训练集的最优超参数，并评估模型在测试集上的性能。我们选择的超参数值是学习率=0.0002,epoch=20，批大小=64。图7和表3总结子实验1和子实验2的结果。除F1评分外，TOP-Net的AUROC评分和F1评分均优于其他模型(在预测6小时时，TOP-Net的敏感性略低于LSTM模型，但此时TOP-Net的敏感性略高于LSTM)。

虽然子实验1的95% CI重叠，但TOP-Net在0.5%-1%以上的每个预测范围内的性能都优于LSTM和卷积神经网络。因此，融合患者个人信息和双向记忆使得预测模型更加准确和稳健。在子实验2中，TOP-Net始终优于其他机器学习模型，特别是在心动过速发作前6小时;TOP-Net表现良好(AUROC 0.796, 95% CI 0.768-0.824;敏感性0.753,95% CI 0.663-0.793;特异性0.720,95% CI 0.645-0.758;F1得分0.718)。

在表4，使用心率(n=10)、心率和呼吸频率(n=15)、心率和SpO模型的结果₂(n=15)，并给出了所有生命体征的统计特征(n=21)。对于2- 6小时的预测范围，具有所有特征输入的模型具有最高AUROC值的最佳性能。当输入心率和呼吸频率，或者心率和SpO时，性能略有下降₂。当只考虑心率统计特征时，性能最差。心率的统计特征在实时诊断中起主导作用。此外，我们采用极端梯度增强算法对21个设计特征在6小时的预测范围内的重要性进行排序。前8大特色(图8)hr_abs_energy，hr_quantiles_01，hr_c3，hr_c2，hr_quantiles_03，resp_c3，hr_mean,hr_quantiles_07.非线性特征为hr_c3和hr_c2(ƒ_3.与滞后= 3,滞后=2) -分别排名第三和第四。呼吸特征resp_c3排名第六。

‎ 查看此图

‎ 查看此图

普通病房的模型验证

我们在心动过速发作前2小时评估模型的性能，因为在我们的普通病房场景中，心动过速发作与入院时间之间的间隔很短。考虑到训练数据有限，我们使用迁移学习方法对模型进行微调。参数为学习率=0.0002,epoch=18, batch size=32。5倍交叉验证也用于评估性能并防止可能的过拟合。再培训的结果可以在表5。TOP-Net结果稳定，优于其他5种模型(AUROC 0.965，准确度0.937，灵敏度0.955，特异性0.881,F1评分0.793，精度0.680)。与ICU的模型相比，预测性能的差异可能是由于患者病情严重程度的差异造成的。虽然卷积神经网络的F1评分要高得多，但其敏感性却低于TOP-Net，这是临床医生比较关注的。

图9显示了快速心动过速发作的实时风险评分和一个使用TOP-Net预测早期快速心动过速发作的例子。在图9A，患者在入院后675 - 725分钟出现心动过速事件。每5分钟评估一次风险概率;图9B表示实时风险。我们将报警阈值设置为0.40，以权衡敏感性和特异性的预测效果。风险评分在555分钟后开始上升，表明我们的模型可以提前125分钟预测心动过速事件。

‎ 查看此图

讨论

一般

在这项研究中，我们开发了一个模型，使用可公开访问的数据集，并将其转移到真实的临床场景。TOP-Net提前0 ~ 6小时预测心动过速发作的效果优于基线模型(时间序列预测方法和不带时间特征的传统机器学习方法);TOP-Net提前6小时的预测优于2个深度学习模型、2个集成模型和1个神经网络模型的基准。

许多连续监测生理状态的研究表明，生命体征的恶化发生在严重不良事件发生前6至12小时以上[50]。持续监测、早期预测和干预心动过速可以减少心力衰竭、心脏骤停和死亡的发生。本文提出了一种基于BiLSTM算法的心动过速早期预测模型TOP-Net，该模型具有8个易于获取的生命体征和个人信息。TOP-Net使用大型ICU数据集进行训练，并转移到普通病房场景，患者由可穿戴传感器监测。在提前0 - 6小时预测心动过速发作时，TOP-Net已被证实始终优于基线模型。包括患者特征可以比其他没有这些信息的模型更准确地预测心动过速的发作。此外，TOP-Net提前6小时预测了心动过速的发作，移植模型在我们的临床场景中也表现良好。

近年来，一些基于电子健康记录或生理信号的不良事件早期风险预测新模型被开发出来。潘等人[51]利用一种自我纠正的深度学习方法来预测在随后的6小时内是否会发生急性肾损伤。Futoma等[52]开发了一种多任务高斯过程递归神经网络分类器，可提前4小时早期检测脓毒症。Tonekaboni等[53]训练了一个卷积神经网络和LSTM融合模型，从生理信号提前24小时预测心脏骤停。对于心动过速发作的预测，Lee等[17使用基于人工神经网络的模型和104个样本在室性心动过速发生前1小时进行预测。Yoon等[54]采用基于随机森林的模型，1494个样本提前75分钟完成检测。我们的实时预测模型在4878个样本集上使用深度神经网络架构，在提前0至6小时以上预测心动过速发作时，比包括人工神经网络和随机森林模型在内的多个基线模型表现出更好和更强的鲁棒性。

临床医生有必要结合患者的当前症状、基本信息和既往病史来诊断疾病的严重程度[55]。例如，对于不同年龄、不同病史的患者，可能患有心血管疾病的比例和持续高心率的风险是不一样的。这些有用的信息通常记录在电子健康记录中。最近，一些研究人员尝试将两种材料的分析结合起来，以表示全面的信息，提高模型的性能:Xu等[56]提出了一种通过分析心电图和病历数据预测生理性失代偿和ICU住院时间的模型，Nemati等[57]采用高分辨率生命体征和电子健康记录实现脓毒症早期预测。然而，对心动过速的预后重视甚少。在本文中，我们整合了电子健康记录和生物传感器数据来完成早期预测。子实验1的结果表明，与LSTM和卷积神经网络模型相比，融合电子病历信息可以提高早期预测的准确性。

风险预测是人工智能辅助医疗领域的核心任务。研究了基于电子病历分析的心血管疾病预测模型[58-60]。艾医生[58]需要诊断代码、药物代码或程序代码来实现包括心力衰竭在内的多标签预测。Jin等[60]利用1864个诊断事件来训练一个序列模型来预测心力衰竭的风险，但由于需要获得更多的信息，该模型不能用于信息整合程度较低的医院或家庭。使用心电信号的深度学习模型也被用于预测性医疗保健任务[61]。虽然心电信号容易受到物理伪影的干扰，但传感器可以使用光电容积脉搏波来代替心电信号来获得心率。因此，基于核心生命体征的模型易于使用，可以提高预测性能。我们选择了3种生命体征和5种个人信息，分别可以从可穿戴传感器和医院信息系统中轻松获取。TOP-Net是使用大型数据集开发的，并转移到我们的实际需求场景中。结果表明，该系统具有在ICU和普通病房应用的潜力，也可推广到家庭使用。表6基于输入信息、模型类型、评估模型的场景、样本大小和性能，给出了TOP-Net和其他最先进的方法之间的比较。

限制

这项研究有一些局限性。由于SensEcho在我们的研究项目开始后仅在诊所部署了1年，因此收集的有限数据使我们无法直接开发通用病房模型。此外，诸如β受体阻滞剂药物等干预措施可能会影响心动过速发作的发生，并导致其未被输入特征捕获。电子健康记录包含丰富的信息，如实验室测试、临床医嘱和护理记录，这些信息可以表征患者的健康状况并描述疾病的发展轨迹。进一步的研究包括整合来自电子健康记录的多变量时间序列，预计将提高对心动过速发作的预测性能，并且需要更多来自普通病房的数据来进行TOP-Net性能评估。

结论

TOP-Net用于实时评估和早期预测心动过速发作的风险，可以提前6小时实现对心动过速发作的早期预测，并具有临床可接受的性能。TOP-Net采用6个指标，3个子实验，从0到6小时的不同预测时间进行评估。TOP-Net与其他5种方法(2种深度学习模型、2种集成模型和1种人工神经网络模型)的比较表明，TOP-Net优于其他模型。包含电子病历个人信息的模型比不包含电子病历个人信息的模型性能更好。该模型的输入数据(3个生命体征和5类个人信息)易于获取，移植模型在普通病房的良好表现表明，利用可穿戴传感器在医院或家庭中早期预测心动过速发作是可能的。