[發明專利]心電圖的心律失常診斷訓練方法、系統和存儲介質

在審

• 申請號: 202211613005.2
• 申請日: 2022-12-15
• 公開（公告）號: CN115758278A
• 公開（公告）日: 2023-03-07
• 發明（設計）人: 王輝山;陳瓊;劉敘;徐樹聲;邢文輝;蒲亞川;張譽籍;吳翼;戴維·G·本迪特
• 申請（專利權）人: 上海越光醫療科技有限公司
• 主分類號: G06F18/2433
• 分類號: G06F18/2433;G06F18/214;G16H50/20
• 代理公司: 江蘇漫修律師事務所 32291
• 代理人: 顧恬;趙臻淞

本發明提供了一種心電圖的心律失常診斷訓練系統和訓練方法，包括以下步驟：S1、在患者住院期間或圍術期內，在心電圖采集層利用體內采集設備采集原始EEP數據，利用體外采集設備同步采集原始ECG數據，并將兩組數據傳送至數據分析層；S2、在數據分析層中利用原始EEP數據對相應的原始ECG數據進行自動標注，形成半結構化ECG數據；S3、切割半結構化ECG數據形成結構化ECG數據，并送入訓練數據庫；S4、選定待訓練模型，設置訓練關鍵評價指標，保存最優訓練后參數，輸出訓練后的算法。該系統利用住院期間或圍術期之便，用體內EEP數據自動標注到對應的ECG數據中的方式來建立訓練數據庫，用海量帶有精準標注的ECG數據訓練算法，從而可獲得精準度高的算法。

技術領域

本發明涉及醫療診斷技術領域，尤其是一種心電圖的心律失常診斷訓練方法、系統和存儲介質。

背景技術

現代心律失常診斷和監測中，主要通過用戶長時程佩戴體表心電檢測設備以獲得體表心電圖（ECG），尤其是包括腕表類的可穿戴式心電監測設備，再通過算法對ECG自動分析獲得心律失常等心臟疾病診斷信息。傳統的心律失常診斷算法根據經驗知識提取特征參數并設置閾值以判定心律失常類型，但在數據足夠多的情況下，通過監督型機器學習（ML）或人工智能（AI）訓練學習獲得的算法的判定模式優于傳統的算法。

現有的臨床診斷流程是先通過體表心電檢測設備采集ECG，再由軟件分析ECG并標注和提示心律失常，最后需要專業醫生復審和修正來“準確”標注以形成最終的診斷報告，所以目前輸入ML或AI模型用于算法訓練的數據為醫生復審標注后的ECG數據（即ECG原始數據和醫生標注分類，如室早、房早、房顫、房撲等各類心律失常標注）。由于ML或AI模型訓練算法需要大量結構化的帶有準確標注的數據進行訓練學習，因此輸入算法訓練的數據存在以下缺點：（1）人體一天8-10萬次心跳，連續10天則可達100萬次心跳的級別，醫生人力復審和修正ECG的標注耗時又耗力，所得數據幾乎不具備可持續性；（2）ECG雖然是臨床診斷心律失常的重要標準，但因為ECG是在人體外通過現代化傳感器來實現對心臟內部如心房、心室的電活動的測量，仍屬于“間接”測量，由于心室電活動（心電圖上的QRS波）強于心房電活動，所以ECG上體現心房電活動（心電圖上的P波）很弱，無論人眼或算法對P波的識別的困難都很大,因而通過體表心電圖判定心房引發或關聯的各類心律失常（如房顫、房撲、房早、交界性逸搏、未下傳、傳導阻滯）就存在一定誤差。經過研究發現，不同醫生對同一份心電圖判定的一致性在72%左右，且如房顫的臨床診斷中主要是醫生判定心電圖中兩兩心跳（QRS波）的間隔是否呈不規則變化、是否每一個心跳QRS波前面無法看到心房收縮P波、或有多個P波（區別房顫與房撲的重要線索），因此通過體表心電圖診斷后醫生標注所得的“標準”數據量化程度較低，從而ML或AI模型訓練所得的算法誤差較大。

發明內容

本申請人針對現有的心律失常診斷訓練中所輸入的訓練數據為體表測量原始ECG數據和醫生人力修正、存在誤差的心律失常標注分類，導致訓練后的算法誤差較大，且醫生人力復審和修正海量標注數據耗時耗力等缺點，提供一種心電圖的心律失常診斷訓練方法、系統和存儲介質，該訓練系統利用住院期間或圍術期之便，用體內、體表心電圖采集設備同步采集患者體內EEP數據（如心臟腔內endocardiac或心臟外壁epicardiac采集到的心臟電活動）及體表ECG數據，通過EEP數據、或結合EEP與ECG數據來完成精準心律失常自動標注到對應的ECG數據中的方式來建立訓練數據庫，再將海量帶有精準標注的ECG數據送入ML或AI模型中訓練不同算法，輸出精準度高的算法運用到日常診斷中，所獲得的診斷結果可達到甚至優于資深心電醫生水平。

根據體表需要采集不同電位點的多少決定體表心電圖導聯數多少，如單導聯，12導聯，甚至18導聯等。根據心臟腔內或心臟外壁可采集的不同電位點多少也可以決定心臟內電活動采集設備的導聯數多少。本方法均適用于上述各類采集設備所采集的數據。

本發明所采用的技術方案及有益效果如下：

一種心電圖的心律失常診斷訓練方法，包括以下步驟：