本文在以下e-collection /主题问题:

评论(62) 心律失常,房颤(66) 心脏风险和心脏风险计算器(24) 心肌梗死(心脏病发作)(33) 人工智能(699) 机器学习(1044) 决策支持的卫生专业人员(762) 计算机辅助诊断(44)

发表在在9卷,没有12(2021):12月

本文的预印本(早期版本)是可用的https://preprints.www.mybigtv.com/preprint/30798,第一次出版。
人工智能在预测心脏骤停:确定审核范围

人工智能在预测心脏骤停:确定审核范围

人工智能在预测心脏骤停:确定审核范围

本文的作者:

Asma Alamgir1 作者Orcid形象; 奥萨马Mousa1 作者Orcid形象; Zubair沙1、2 作者Orcid形象
文章 作者 (2)引用的 Tweetations (3) 指标

    审查

    1科学与工程学院,哈马德•本•哈利法大学,卡塔尔多哈,卡塔尔基金会

    2卫生信息学中心、澳大利亚卫生研究所的创新,麦格理大学,澳大利亚悉尼

    *这些作者同样起到了推波助澜的作用

    通讯作者:

    Zubair Shah博士

    大学的科学和工程

    哈马德•本•哈利法塔大学

    卡塔尔基金会

    教育城,邮政信箱34110

    艾尔Luqta圣街2731年,Ar-Rayyan

    多哈回合谈判

    卡塔尔

    电话:974 5074 4851

    电子邮件:zshah@hbku.edu.qa


    背景:心脏骤停是一种危及生命的心脏停止活动。心脏骤停的早期预测是很重要的,因为它允许必要的措施来防止或干预期间发作。人工智能(AI)技术和大数据已经越来越多地用于提高预测能力和准备患者处于危险之中。

    摘要目的:本研究旨在探讨使用人工智能技术在预测心脏骤停在文献中报道。

    方法:进行范围检查符合指南的棱镜(首选项报告系统评价和荟萃分析)扩展范围的评论。斯高帕斯、ScienceDirect Embase,电气和电子工程师,协会和谷歌学术搜索搜索来确定相关的研究。向后引用列表包括研究也进行了检查。研究选择和数据提取独立由2评论家。把数据提取包括研究合成成故事一样。

    结果:697年的引文检索,41个研究包括在审查,6向后引用检查后被添加。包括研究报告的使用人工智能预测的心脏骤停。47的研究,我们能够采取的方法进行分类研究分为3大类:26(55%)研究通过分析具体参数或变量预测心脏骤停的病人,而16(34%)研究开发了一个基于ai预警系统。剩下的11%(5/47)的研究集中在区分高危患者心脏骤停的病人没有风险。两项研究集中在儿科人口,和其他关注成人(45/47,96%)。大多数研究使用的数据集的大小< 10000个样本(32/47,68%)。人工智能的机器学习模型最突出的分支用于心脏骤停的预测研究(38/47,81%),和最常用的算法是神经网络(23/47,49%)。K-fold交叉验证算法是最常用评估工具的研究报道(24/47,51%)。

    结论:人工智能是广泛用于预测病人心脏骤停在不同的设置。技术将扮演不可或缺的角色在改善心脏医学。需要更多的评论来学习障碍的实现人工智能技术在临床的设置。此外,研究集中在如何最好地理解为临床医生提供支持,适应和实现这一技术的练习也是必要的。

    地中海JMIR通知2021;9 (12):e30798

    doi: 10.2196/30798

    关键字

    人工智能; 机器学习; 深度学习; 心脏骤停; 预测


    背景

    心脏骤停,也被称为心源性猝死,停止的心脏泵血的能力。这种急性戒烟需要立即干预,作为重要器官,如大脑和心脏本身,丧失血液流动。推迟干预会导致终身并发症甚至死亡。全球心脏骤停后的死亡率相当高的- 78%的心脏按压心脏骤停(OHCA)情况下他们到达医院前死亡1]。对于那些接受先进的治疗,存活率仍然很低。的存活率OHCA心脏骤停的时间的放电全球范围从2%到11% (2]。心脏骤停死亡人数中发生住院环境也是重要的。仅在美国,每年超过290000个住院发生心跳停止,与存活率不同从低至0%到36.2%,其中一小部分有良好的神经预测3]。

    人工智能(AI)每天都是医疗改革。人工智能技术有一个完美的平台来发展和成熟的电子健康记录,计算能力的发展,持续的监控系统,和大数据的可用性4]。它已成为一个重要的临床决策的工具,允许个性化诊断,解决方案,预测,和预测未来的健康状况,指导临床医生和其他利益相关者在为病人做什么是最好的4]。在心脏病学人工智能技术也迅速发展,就像在任何其他医学领域(5]。AI-guided诊断和治疗选择允许进步研究人口健康在心血管医学(临床实践,6]。机器学习(ML)模型也被证明优于传统统计模型在检测在心血管疾病、性别差异进一步加强个性化医学(7]。AI也扮演着重要的角色在改善照顾心脏骤停。人工智能技术被用于防止心脏骤停通过早期识别风险因素(8),早期检测(9)、改进的管理(如有效的心肺复苏)10],对患者预后判断心脏骤停后(11]。心脏骤停的很大一部分的预测是研究心脏骤停在它发生之前,给临床医生的时间准备和实现更好的病人结果。

    因此,什么是人工智能技术和同行在这种情况下吗?人工智能指的是科学领域围绕构建计算系统和算法,使机器模仿人类行为的能力自主学习和找到解决任务(4,12]。毫升是人工智能的一个子集。ML算法关注构建智能解决方案后学习模式和经验提供了一个结构化的训练数据样本(12]。深度学习(DL)是一类毫升。它由一个复杂的相互关联,多层神经网络,类似于人类大脑。DL的目的是学习和理解模式从大量的非结构化数据5]。简而言之,这是美联储的更多信息,更准确的结果。

    人工智能技术的能力来处理和评估病人数据生成预测关键决策支持临床医生最重要的是,提供有效的管理,最终,改善病人的结果在心脏骤停的情况下(13]。至关重要。因此,我们认为探索使用人工智能技术在预测心脏骤停和报告我们的发现帮助临床医生和研究人员。

    研究问题和目的

    无数的研究提出了人工智能在心脏保健的使用,特别是使用人工智能预测的心脏骤停。然而,缺乏整合现有证据表明,描述了人工智能技术的特点,目前使用的数据集和数据来源。有必要总结最近的发现,使卫生保健提供者和研究人员实施适当的指导方针,以及确定当前文学研究差距。我们遇到了一个检查,检查中使用人工智能预测心脏骤停的14]。不过,这项研究是在2018年进行的。不包括大量的研究在过去的2年。因此,有必要进行范围检查,关注各种人工智能技术目前被用于不同的设置来预测心脏骤停。

    这个范围审查的目的是探索人工智能技术的使用和功能应用于预测心脏骤停在文献中报道。我们审查的结果将是一个有用的健康保健专业人员参考,研究人员和其他人参与病人护理了解人工智能的应用,利用它,造福社会。


    范围的审查是由AA和OM解决这一目标。棱镜的指南(首选项报告系统评价和荟萃分析)扩展范围的评论(15]随访来帮助进行透明的审查。

    搜索策略

    五本研究书目数据库搜索:斯高帕斯,ScienceDirect、Embase,电气和电子工程师,协会和谷歌学者。相关的数据库是使用搜索条件搜索到目标技术,人口,感兴趣的结果。为我们的人口包括搜索条件心脏骤停或心被逮捕或心脏性猝死或心搏停止或心跳呼吸骤停我们的干预,人工智能或深度学习或机器学习或自然语言处理或神经网络或监督式学习或无监督学习或数据挖掘。结果——或者purpose-related搜索条件包括在内检测*或预测*或Anticipat *或诊断*。提出了用于每个数据库的搜索查询多媒体附录1。

    ScienceDirect和谷歌学术搜索,只有第一个100和50个结果,分别被认为是。这是因为评论家发现结果变得不那么相关的感兴趣的话题和适用性后提到引用的数量。除了搜索数据库,向后引用列表筛选包括识别额外的研究也进行了相关研究。搜索是3月15日至20日进行的2021年。

    合格标准

    人工智能技术实现预测心脏骤停是包括,没有限制年龄、性别、地理位置和类型的人工智能技术。研究主要集中在预测心脏骤停了。相比之下,研究致力于其他方面或心脏骤停的促成因素,如心律失常和其他心脏疾病,被排除在外。评审同行评议的文章,包括预印本,文章在新闻、会议录、论文,论文用英语写的。评论、会议摘要、研究协议和建议被排除在外。没有限制被强加在研究设计,研究,国家出版,出版年在搜索查询。然而,只有在2013年和2021年发表的研究包括在审查中。周期在2013年和2016年之间构成一个AI技术时看到一个快速增长175%的应用程序(16];因此,评论家认为这是一个合理的时间内包括。总结了研究合格标准文本框1。

    包含和排除标准。

    入选标准

    • 研究集中在使用人工智能(AI)技术在心脏骤停预测,造福人类
    • 研究从2013年到2021年出版
    • 同行评议的文章,文章在新闻、论文,学位论文,会议程序
    • 主要研究

    排除标准

    • 文章没有地址的使用人工智能在心脏骤停的预测
    • 评论、会议摘要或建议、信件、新闻、书籍、和协议
    • 发表在英语以外的其他语言
    文本框1。包含和排除标准。

    研究选择

    从数据库中检索的研究是第一次进口Rayyan (Rayyan系统公司)(17),一个合作研究工具,进行过滤过程的三个阶段。这确保我们包括在审查的文章是有关我们的研究目标。的3阶段过滤过程如下:(1)识别阶段,在引用被确定在应用数据库和重复的搜索词被移除;(2)筛选阶段,删除文章的标题和摘要筛选我们的入选标准不匹配;(3)资格阶段,文章的全文阅读来确定他们的适用性的基础上,入选标准。2评论者独立进行所有的3个阶段,通过Rayyan应用程序。在冲突的情况下,举行了一个讨论达成共识。

    数据提取和数据合成

    进行一个可靠的和一致的提取的数据包括研究、数据提取形式使用(多媒体附录2)。2评论者独立提取相关数据的特点,包括研究、人工智能技术、数据集。提取的信息被记录在一个共享的Microsoft Excel表,便于数据管理。类似于研究选择,2评论者之间的任何冲突达成共识是通过讨论解决。

    叙述对提取的数据进行的综合。包括研究的结果分类和描述他们的目的而言,人工智能的分支,算法,平台用于实现该算法。使用的数据集的开发和验证技术被认为是和描述。数据来源,数据集验证类型的大小,和比例的训练,验证和测试数据集包括当可用。一个Excel表(多媒体附录3)是用来记录提取的数据便于数据合成。


    搜索结果

    所示图1697研究从我们的搜索检索,其中173(24.8%)复制被移除。共有524名接受了标题和摘要筛选,其中443(84.5%)研究被排除在外。的原因排除所示图1。总共有81独特的研究经历了全文筛选评估资格,其中41个(51%)研究满足入选标准,包括在审查中。六个额外的研究发现,通过检查的参考列表41个研究。总的来说,47个研究包括在审查中。

    ‎
    图1所示。研究选择过程的流程图。
    把这个图

    包括研究的特点

    47的研究包括46发表在同行评议期刊(98%),而1(2%)仍在按。大约有81%(38/47)的研究是研究文章,而其余的是会议论文集(9/47,19%)。只有2研究从2013年了,而大多数的研究从2020年(12/47,26%)。其他包括研究进行了2014年(4/47,9%)、2015(5/47,11%)、2016(3/47,6%)、2017(3/47,6%)、2018(5/47,11%)、2019(9/47,19%)和2021 (4/47,9%)。包括在15个国家进行了研究,大部分的研究报告发表在印度和美国(9/47,19%)。表1显示的特点,研究包含在我们的审查。多媒体附录3演示了每个研究的属性。

    表1。纳入研究的特征(N = 47)。
    特征 研究表明,n (%)
    报纸的地位

    		发表 46 (98)

    		在新闻 1 (2)
    发布类型

    		会议进行 9 (19)

    		研究文章 38 (81)
    国家

    		澳大利亚 1 (2)

    		中国 3 (6)

    		希腊 1 (2)

    		印度 9 (19)

    		伊朗 5 (11)

    		日本 1 (2)

    		马来西亚 4 (9)

    		波兰 1 (2)

    		葡萄牙 1 (2)

    		新加坡 1 (2)

    		韩国 7 (15)

    		西班牙 1 (2)

    		台湾 2 (4)

    		联合王国 1 (2)

    		美国 9 (19)
    年出版的

    		2013年 2 (4)

    		2014年 4 (9)

    		2015年 5 (11)

    		2016年 3 (6)

    		2017年 3 (6)

    		2018年 5 (11)

    		2019年 9 (19)

    		2020年 12 (26)

    		2021年 4 (9)

    人工智能包括研究的特征

    使用人工智能预测心脏骤停

    所采取的方法包括使用人工智能技术研究预测心脏骤停是分为3类:分析变量和参数,开发早期预警系统或预测模型,和分层的患者心脏骤停的风险很高。

    分析的变量和参数

    这类研究集中在一个或多个病人参数分析以确定其影响的效率改善心脏骤停与人工智能相结合的预测算法。我们观察到26研究适合这一类(14,18- - - - - -42]。26日的研究,11(42%)使用毫升模型(14,18,19,23,25,27,30.,32,34- - - - - -36)和3(12%)使用DL算法(20.,31日,38]。我们观察到12的研究包含两毫升和DL模型来分析和验证不同的参数(21,22,24,26,28,29日,33,37,39- - - - - -42]。

    随机森林(RF) (14,21,23,28- - - - - -30.,32,35- - - - - -37,39- - - - - -41)和支持向量机(SVM) [18,22,24,26,28,34,40- - - - - -42)是最常用的ML模型中观察到的这些研究,其次是决策树(DT) [22,29日,30.,40- - - - - -42),逻辑回归(LR) [28- - - - - -30.,40],朴素贝叶斯[19,28,29日,41],梯度增加[27,28],极端的梯度增加[27,29日],LogitBoost [21),演算法(29日],TreeBagger [34),和序列特征选择24]。最使用DL-based算法研究是再邻居(资讯)20.,22,26,29日,33,41,42]。概率神经网络(24,31日,42),人工神经网络(29日,40),多层感知器(21,33),长期短期记忆(39),卷积神经网络(37),和增强的概率神经网络(31日)也在DL算法模型研究。此外,2没有指定算法研究[25,38]。

    所包含的参数分析和验证的研究都是不同的。大多数研究关注于使用各种特征从病人心电图阅读14,18,20.- - - - - -22,24,26,27,30.- - - - - -34,36- - - - - -38,40- - - - - -42),尤其是心率变异性(HRV) [14,21,22,26,30.,32,34,36- - - - - -38,42]。HRV变化时间之间的心跳,可以跟踪在心电图(43]。这种非侵入性评估工具提供了重要的自主神经系统的信息,使临床医生来确定当前和即将到来的心脏疾病(44]。它的实用性决定心脏相关预后也记录在文献[45,46]。包括研究,HRV似乎改善预测结果集成到数据集的研究。所有的研究使用HRV报告更高的性能的准确性和其他结果指标。其他独特的参数,如基因数据(20.[],吸烟的习惯29日),护理文件(25),和透析状态(23,28),也被用来评估影响人工智能技术的性能预测心脏骤停。精度(18,19,21,22,29日,31日,33,34,36,37,40,41和敏感性14,22,26- - - - - -28,30.,32- - - - - -34,41,42)是最常用的措施的结果在这个类别。

    使用人工智能发展的早期预警系统

    在16个研究[47- - - - - -62年),人工智能技术的重点是开发一个早期预警系统提醒健康保健专业人员进入心脏骤停患者的风险在未来。建立预警模型,大多数研究使用毫升模型算法(49- - - - - -51,53,54,59,61年5),而只使用DL-based算法(47,48,56,60,62年]。四个研究用于ML -和DL-based算法(52,55,57,58),相互进行比较观察,取得最好的结果。在这些研究中使用的ML算法包括LR (50,52,55,58),支持向量机(50- - - - - -52,58],DT [52,53,57,59],射频[55,57,58],朴素贝叶斯[57,58],梯度增加[58),贝叶斯网络(49),演算法(57),转移学习(54隐马尔可夫模型,多通道(61年]。然而,[52,58),人工神经网络(48,58,61年),长期短期记忆(47,56,59)和递归神经网络47,55,56,62年)算法被用于构成DL-based早期预警系统的研究。总共10的研究相比,现有的或结果传统的早期预警系统(47,48,50,52,53,56- - - - - -58,60,62年]。研究他们的模型相比,得分系统,如改良早期预警评分(48,50,52,53,56,58,60,62年),早期预警评分(57),国家早期预警评分(60],儿童早期预警评分(47]。只有1研究显示类似的结果在使用人工智能模型与传统的预警系统(53),而在其他的研究中,基于ai模型优于系统相比。例如,深早期预警系统检测到50%多-78%的心跳停止而修改后的早期预警评分(56,62年]。此外,据报道,预测的算法从30分钟到早前的24小时出现心脏骤停(50,53,57,58,62年]。

    最常用的三个结果这类措施包括接受者操作特征曲线下的面积(47,48,51,53,55- - - - - -57,60,62年],敏感性[49,52,58,60,62年),和准确性(51,54,58- - - - - -60]。

    分层的高危患者

    5研究[63年- - - - - -67年),人工智能技术被用来区分高危患者心脏骤停的病人没有风险。三项研究强调了HRV [63年- - - - - -65年)作为一个重要的特性来区分高危患者。

    毫升是用于大多数的研究(63年,64年,67年),只有1研究使用DL算法[66年]。一项研究利用毫升和DL模型分层患者(65年]。ML算法的支持向量机(63年,64年),线性判别分析(64年],DT [63年],LR [67年],射频[67年],极端的梯度增加[67年),和模糊分类器(65年]。DL算法包括资讯(65年,66年和多层感知器66年]。研究的结果的措施包括精度(63年- - - - - -66年敏感性,特异性,(63年- - - - - -65年),接受者操作特征曲线下面积,precision-recall曲线(66年]。

    人工智能技术的特性研究

    大多数研究使用传统ML模型和算法来预测心脏骤停(38/47,81%),而55%(26/47)使用DL技术。我们观察到15种人工智能研究中使用的分类器预测心脏骤停(表2)。观察一个值得注意的是,6模型常用的;神经网络模型,它是一个DL模型中,射频,这是一个传统ML模式,使用20 - 18倍,分别让他们最2最常用模型研究中发现,其次是SVM (15/47, 32%), DT (12/47, 26%), LR(11/47, 23%),然而,(10/47,21%)。不太常见的模型,如转移学习,线性判别分析,模糊分类器,多路隐马尔科夫模型,LogitBoost、演算法、贝叶斯网络、朴素贝叶斯和极端的梯度增加,使用1和6倍之间的研究。两项研究使用可穿戴设备平台的人工智能技术(24,59),而其余的研究使用计算机。多媒体附录3介绍了人工智能技术的特点。

    表2。特性的人工智能(AI)的技术用于心脏骤停(N = 47)的预测。
    功能 研究ID一个 研究表明,n (%)b
    人工智能模型c

    		神经网络 1、3、4、6、11、13、14、15、16日,19日,21日,25日,26日,28日,32岁的34岁,26岁,38岁,45岁,46岁 20 (43)

    		随机森林 3、6、7、8、9、10、13、14、15、17、18日,19日,28日,20岁,35岁,37岁,41岁,45岁 18 (38)

    		支持向量机 2、5、19日,20日,27日,30日,31日,32岁的34岁,38岁的41、42、43岁,45岁,46岁 15 (32)

    		决策树 3、5、15、16、17、18、19日,20日,32岁的34岁,40岁,42 12 (26)

    		逻辑回归 3、6、10、15、16、18、19日,30日,32岁,45岁,47岁 11 (23)

    		再邻居 3、20、24、32、33、34、36、42、43岁,46岁 10 (21)

    		极端的梯度增加 3、10、15、16,44岁,45岁 6 (13)

    		朴素贝叶斯 16、20、22、45 4 (9)

    		演算法 15 1 (2)

    		贝叶斯网络 29日 1 (2)

    		LogitBoost 28 1 (2)

    		多通道隐马尔可夫模型 23 1 (2)

    		模糊分类器 33 1 (2)

    		线性判别分析 27 1 (2)

    		转移学习 47 1 (2)
    平台

    		电脑 1 - 16,18-37 39-47 45 (96)

    		可穿戴 17日,38 2 (4)

    一个回顾了研究的顺序表如下所示的顺序多媒体附录3。

    b两项研究没有指定使用的人工智能模型。

    c数字不加起来,一些研究使用一个以上的人工智能模型或算法。

    特征数据集用于人工智能模型的开发和验证

    临床来源(如数据库和医院医疗中心)是最常用的人工智能的发展和验证模型的数据源(14,25,27,28,31日,32,34- - - - - -36,38,39,47- - - - - -53,55- - - - - -57,60,62年,67年]。公共资源(如MIT-BIH心律失常和正常窦性心律数据库)(18- - - - - -24,26,29日,30.,33,37,41,42,54,58,61年,63年- - - - - -66年)是人工智能的其他来源的数据模型。

    几种类型的数据检索这些来源。我们分组的数据类型分为5类:临床数据,人口数据(如年龄,性别,种族),实验室数据(如血液样本),放射学数据(如x射线)和生物数据(如遗传信息)。所示表3,58%(34/47)的研究使用临床数据作为数据类型。不同变量属于这一类;表4分解临床数据研究中观察到的类型。人口数据是第二最常用数据类型在预测心脏骤停(15/47,26%),其次是实验室数据(8/47,14%)和生物数据(1/47,2%)。

    表3。数据类型。
    数据类型 研究表明,n (%)
    临床数据 34 (72)
    人口数据 15 (32)
    实验室数据 8 (17)
    生物数据 1 (2)
    表4。临床数据分解一个。
    临床数据类型 研究表明,n (%)
    生命体征 23日(49)
    心电图b变量 18 (38)
    病史 10 (21)
    主诉 3 (6)
    药物治疗 3 (6)
    心肺运动试验 2 (4)
    诊断 2 (4)
    风险评分 2 (4)
    肾状态 2 (4)
    心肺复苏的信息 1 (2)
    生活方式 1 (2)
    护理记录 1 (2)

    一个几项研究多个临床收集的数据类型。

    b心电图:超声心动图。

    数据集大小,42(89%)的47个研究提到使用的训练数据集的大小ML模式。的47个研究,23(49%)使用数据集的不到1000个样本,而14(30%)使用1000年和9999年之间的数据集样本。此外,11%(5/47)的研究使用超过10000个数据样本。各种验证类型的人工智能模型是在41个研究报告。这些验证方法分为三大类:k-fold交叉验证,这是最常见的验证技术(24/47,51%),其次是train-test分裂(11/47,23%)和外部验证(6/47,13%)。表5提供了一个的击穿特性包括研究中使用的数据。

    表5所示。使用的数据的特性(N = 47)。
    功能 研究表明,n (%)
    数据源

    		公共数据库 21 (45)

    		临床 24 (51)

    		其他 2 (4)
    数据集的大小一个

    		< 1000 23日(49)

    		1000 - 9999 14 (28)

    		≥10000 5 (11)
    类型的验证b

    		K-fold交叉验证 24 (51)

    		Train-test分裂 11 (23)

    		外部验证 6 (13)

    一个数据集大小42所研究。

    b类型的验证只有41所研究。

    主要研究结果

    在本文中,我们探讨了使用人工智能预测心脏骤停。从检索到的617份研究论文,47(7.6%)包括在本文中。我们发现研究数量的增加在过去的2年(9 2019年和2020年11),这并不奇怪,因为使用人工智能技术在卫生保健一直在增加。印度和美国(9/47,19%)代表的国家发表相关的大多数研究人工智能预测心脏骤停,共有18所示。探讨使用人工智能技术在预测心脏骤停,我们把我们的研究结果分为3类,分别代表一个分类综述的研究从不同的角度来看。第一类侧重于人工智能技术用于预测心脏骤停和包括三个主要分类:(1)与心脏骤停患者分层non-at-risk患者,人工智能技术的训练使用患者心脏骤停的历史和分类患者心脏骤停的风险高;(2)一个早期预警系统利用人工智能的发展,在人工智能技术是用来提醒医生心脏骤停前1到16个小时,其准确性与其他现有传统预警系统;和(3)分析不同的变量和参数观察预测的效率。

    第二类识别特性的人工智能技术在文献中观测到的。两个人工智能分支,毫升和DL,毫升是最常用的分支在共有38个研究中,最常用的模型在这个分支射频(18/47,38%)。相比之下,使用DL 16倍,最常用模型的神经网络模型(20/47,43%)。最后,第三类分类数据和验证方法用于人工智能,我们扩展的数据源,数据类型和验证过程中发现文学的人工智能技术。总共42的47个研究提到使用的数据集的大小,绝大多数的研究使用的数据集的不到1000个样本(23/47,49%)。大多数研究使用k-fold交叉验证测试的人工智能模型(24/47,51%)。

    实践和研究的意义

    本文强调心脏骤停最常见的人工智能模型用于预测和预测中使用的不同的方法。我们的研究结果的基础上,人工智能模型可以预测心脏骤停使用各种数据类型。在我们审查,毫升技术比DL技术应用得更加广泛。解释之一是数据用于训练AI模型大多是结构化(如生命体征记录,和阈值的测量正常人类是已知的,然后与心脏骤停病人的生命体征)。因此,这是可以理解的,大多数研究人员使用毫升技术,因为他们处理结构化数据。相比之下,DL和非结构化数据的效果最好,不常用的文章了。另一种解释是数据集的大小,因为大多数研究使用相对较小的数据集训练DL模型(例如,只有5研究47使用数据集的超过10000个样本)。最后,许多研究解释了ML的使用技术,如DTs, LR,射频,包括许多DTs的主要结果是二进制(心脏骤停的风险或不心脏骤停的风险)。这就解释了快速回顾研究中使用这些技术。

    未来的研究应该探索达到较高的预测精度的时间可能发生心脏骤停病人真阳性的比例和真阴性(准确预测病人将经历心脏骤停)。此外,还需要更多的研究来解决和调查hyperparameter优化,因为它可能会导致不同的性能结果的ML模型研究选择和影响参数对心脏骤停的预测很重要。心脏骤停的早期预测可以通过获得的临床资料之间的相关性和病人的人口数据。毫升似乎是最好的技术使用,因为使用的数据结构(如年龄、生命体征及心电图变量)。早期的预测时间,医生可以拯救的可能性越高心源性猝死的病人。此外,潜力评估的有效性不常用的数据类型,如实验室和生物数据,预测心脏骤停也应探索。

    只有5研究了使用数据集的10000多个样本,而大多数的研究使用的数据集的不到1000个样本。未来的研究需要评估人工智能模型使用大数据集来提高它们的有效性。此外,人工智能技术的预测精度比较彼此的评价是一个很好的方法。然而,人工智能技术与其他技术相比需要用来预测心脏骤停。

    研究,并研究在临床设置限制了人口到一个特定的医院或国家,产生偏见的结果不适用无处不在。未来的研究应该考虑公共数据库,包含来自不同的医院和国家。

    许多研究探讨了人工智能的潜力在心律失常的预测和不规则的心跳,和未来的研究应该调查的潜力提出了模型预测的心脏骤停。最后,未来的研究应该探索生理和心理的潜在数据的预测心脏骤停。

    的优势

    审查处理所有类型的人工智能技术的使用来预测心脏骤停在所有人口没有限制纸状态,研究设置,全面和地理位置。此外,深入探索了人工智能技术的特点和数据集被用来开发和验证这些技术。

    其他评论探讨使用毫升和DL在检测心律失常53,68年)或一般使用人工智能在心脏病学69年- - - - - -71年),但没有进入细节如何使用这一技术来预测心脏骤停。前一个系统回顾探讨毫升的使用在预测心脏骤停(72年];然而,我们所知,这是第一个评论探讨不同方法预测心脏骤停和更好地理解填补研究空白的预测技术,而不是只关注模型是否能够预测心脏骤停。此外,这项研究没有关注一个特定的人工智能的分支(ML、DL或自然语言);相反,它专注于分类的人工智能技术为分支机构提供洞察最常见的人工智能技术在每一个分支。

    研究包括在审查由最新的出版物,减少选择偏倚。除了发表研究文章,会议论文集也包括最大化程度的包容。这也是由进行反向引用列表检查包括的研究。此外,研究选择和数据提取涉及2评论者独立监督过程,保证最小的选择性偏差。

    限制

    本文不包括数据库如ACM和JSTOR,限制我们进入灰色文献和其他潜在的相关研究。这是由于缺乏一些数据库和其他专业生理或工程研究,而不是医学研究。此外,由于实际的约束,只有英文的研究包括在审查,排除研究在其他语言。此外,我们的搜索查询不包括网(医学主题词)术语或algorithm-specific搜索术语,这可能有隐藏的研究,否则将被适合我们的审查。

    结论

    我们的范围包括47个研究集中在利用人工智能技术来预测心脏骤停在所有设置。大数据可以从病人的监测系统和电子健康记录,可以深入了解使我们心脏骤停可靠和更有效的方法,随着时间的推移增加存活率。此外,随着越来越多的采用可穿戴设备与传感器跟踪健康和活动的各个方面,有机会研究开发技术来预测和警报病人OHCAs的风险。此外,临床医生需要在董事会与快速增长的技术,如果没有他们,我们就不能前进。因此,更多的研究人工智能与教育计划在卫生保健专业人员需要考虑。

    的利益冲突

    没有宣布。

    ‎
    多媒体附录1

    搜索策略。

    多克斯文件,14个KB
    ‎
    多媒体附录2

    数据提取的形式。

    多克斯文件,14个KB
    ‎
    多媒体附录3

    特征包括研究和人工智能技术的特点。

    多克斯文件,31 KB
    1. 燕,Gan Y,江N,王R,陈Y, Z,等。全球存活率在成人心脏按压心脏骤停病人心肺复苏术:系统回顾和荟萃分析。暴击治疗2020年2月22日,24 (1):61 (免费的全文][CrossRef][Medline]
    2. Berdowski J, Berg RA, Tijssen詹,Koster RW光碟。全球心脏按压心脏骤停的发生率和存活率:系统回顾67年的前瞻性研究。复苏2010年11月,81 (11):1479 - 1487。(CrossRef][Medline]
    3. 陈PS, Krein SL,唐F, Iwashyna TJ,哈罗德,肯尼迪,美国心脏协会的得到Guidelines-Resuscitation调查员。心脏骤停复苏实践与生存相关住院后:一项全国性的调查。JAMA心功能杂志2016年5月01;1 (2):189 - 197免费的全文][CrossRef][Medline]
    4. 波尔,Memarzadeh K,编辑。人工智能医疗保健。阿姆斯特丹:爱思唯尔;2020年。
    5. F·洛佩斯·希门尼斯,阿迪Z, Arruda-Olson,卡特R, Chareonthaitawee P, Jouni H,心脏病等。人工智能:现在和未来。95年5月,梅奥Proc 2020 (5): 1015 - 1039。(CrossRef][Medline]
    6. 约翰逊千瓦,索托JT, Glicksberg BS,耻辱K, Miotto R,尹浩然,阿里。人工智能在心脏病。J科尔心功能杂志2018年6月12日,71 (23):2668 - 2679 (免费的全文][CrossRef][Medline]
    7. Sarajlic P, Plunde O, Franco-Cereceda, m .人工智能模型揭示性别基因表达在主动脉瓣钙化。JACC基本Transl Sci 2021; 6 (5): 403 - 412 (免费的全文][CrossRef][Medline]
    8. JayaSree M, Koteswara Rao l .调查——冠状动脉疾病使用深度学习的识别。母亲今天Proc 2020年10月:526。(CrossRef]
    9. Kumari铜、没吃,Prasanna LW, Reddy MP, Panigrahy正义与发展党。一个自动检测心脏心律失常的使用机器学习技术:支持向量机。母亲今天Proc 2021 8月;45:1393 - 1398。(CrossRef]
    10. 东J, Menetre年代,Jekova我Stoyanov T, Krasteva诉分析同时压缩算法检测心室纤维性颤动在心肺复苏:自动体外除颤器的相对绩效评估。2021 3月复苏;160:94 - 102。(CrossRef][Medline]
    11. Cronberg T,格里尔DM, Lilja G, Moulaert V, Swindell P·罗塞蒂AO。脑损伤后心脏骤停:从预测的昏迷病人康复。柳叶刀神经2020年7月,19 (7):611 - 622。(CrossRef]
    12. de Marvao,道斯TJ,霍华德·摩根大通奥雷根DP。人工智能和心脏病:你需要知道什么2020。心2020年3月23日,106 (5):399 - 400 (免费的全文][CrossRef][Medline]
    13. Miyazawa AA。人工智能:心脏病的未来。心2019年8月12日,105 (15):1214。(CrossRef][Medline]
    14. Elola, Aramendi E,埃达E Irusta U,王H,伊德里斯A向预测坐牢期间心脏按压心脏骤停。熵(巴塞尔)2020 7月09年;22 (7):758 (免费的全文][CrossRef][Medline]
    15. Tricco AC,莉莉·E, Zarin W O ' brien KK, Colquhoun H, Levac D, et al .棱镜扩展范围的评论(PRISMA-ScR):检查表和解释。安实习生地中海2018年10月02;169 (7):467 - 473免费的全文][CrossRef][Medline]
    16. 繁荣的人工智能专利,指出“飞跃”技术:联合国报告。2019年联合国新闻。。URL:https://news.un.org/en/story/2019/01/1031702[2021-04-08]访问
    17. Rayyan QCRI。URL:https://www.rayyan.ai[2021-11-11]访问
    18. Murugappan M, Murugesan L, Jerritta年代,埃德里h .心脏骤停(SCA)预测使用心电图形态特性。阿拉伯J Sci Eng 2020年7月26日,46 (2):947 - 961。(CrossRef]
    19. Karankar N,舒克拉P, Agrawal N .比较研究各种机器学习分类器对医疗数据。:《7日通信系统和网络技术国际会议(CSNT)。2017发表于:7日通信系统和网络技术国际会议(CSNT);2017年11月11 - 13日;印度那格浦尔,p . 267 - 271。(CrossRef]
    20. Alfarhan KA, Mashor我,扎卡里亚奥马尔MI。自动心电图信号基于早期预测心脏性猝死的危险标志。J医疗成像治愈信息学2018年12月01;8 (9):1769 - 1775。(CrossRef]
    21. 餐前小吃N,孤独的T, Reddy D, Kuppili诉使用系综分类器预测心脏骤停的复发。Sādhanā2017年6月17日,42 (7):1135 - 1141。(CrossRef]
    22. Fujita H, Acharya UR,苏达山VK Ghista DN, Sree SV,尤金LW, et al。心脏性猝死(SCD)的预测基于非线性心率变异性特点和SCD指数。:软第一版2016年6月,43:510 - 519。(CrossRef]
    23. 戈尔茨坦英航,TI, Mitani AA,矛盾TL, Winkelmayer WC。短期预测心脏性猝死在老年血液透析患者使用电子健康记录。J是Soc Nephrol 2013 10月31日,9 (1):82 - 91。(CrossRef]
    24. Murukesan L, Murugappan M,伊克巴尔M,萨拉瓦南k .心脏骤停的预测基于机器学习方法的最佳心率变异性特征。J医疗成像Hlth通知2014年8月01;4 (4):521 - 532。(CrossRef]
    25. 柯林斯SA,卡托K,阿尔伯斯D,斯科特•K斯泰森毡帽PD,肯年代,et al .护理记录和病人的死亡率之间的关系。暴击治疗2013 7月01;22 (4):306 - 313 (免费的全文][CrossRef][Medline]
    26. Houshyarifar V, Chehel Amirani m .的方法来预测心脏性猝死(SCD)利用HRV信号的时域和双频谱特性。生物医学板牙Eng 2016年8月12日,27日(2 - 3):275 - 285。(CrossRef]
    27. 吴TT,林XQ,μY,李H,郭Y。机器学习的早期预测急性冠状动脉综合征住院患者心脏骤停。心功能杂志2021年3月14日,44 (3):349 - 356 (免费的全文][CrossRef][Medline]
    28. K,只是醒来时,Doi T, T, Tada H, Maruyama K .基于机器学习风险模型使用I-metaiodobenzylguanidine不同预测心力衰竭的心脏死亡模式。J诊断心功能杂志2020年5月14日,11 (10):897 - 904 (免费的全文][CrossRef][Medline]
    29. L公关、固定绞车SV、青年志愿交配。冠心病的早期预测模型,使用遗传算法hyper-parameter优化和机器学习技术。卫生工艺2020年11月13日,11 (1):63 - 73。(CrossRef]
    30. Shashikant R, Chetankumar p .心脏骤停的预测模型基于心率变异性的吸烟者使用机器学习技术参数。:第一版信息学2020年7月28日:提前打印。(CrossRef]
    31. Amezquita-Sanchez JP, Valtierra-Rodriguez M,埃德里H, Perez-Ramirez CA。一种新型小波transform-homogeneity使用心电图信号模型来预测心脏性猝死。地中海J系统2018年8月16日,42 (10):176。(CrossRef][Medline]
    32. 刘N Koh ZX,吴作栋J,林Z, Haaland B, Ting BP, et al。不良心脏事件的预测在急诊胸痛患者使用变量选择的机器学习。BMC医学通知决策Mak 2014年8月23日;14:75 [免费的全文][CrossRef][Medline]
    33. Ebrahimzadeh E, Foroutan,夏姆斯M, Baradaran R, Rajabion L,尹浩然,Joulani。一个最优策略的预测心脏性猝死从HRV信号通过一个开创性的特征选择方法。169年2月第一版方法程序生物医学2019;(3):19-36。(CrossRef][Medline]
    34. Mirhoseini SR, Jahedmotlagh先生,Pooyan m .改善早期检测精度心脏猝死(SCD)使用决策森林和支持向量机。:程序的机器人和人工智能国际会议上。2016年发表于:机器人和人工智能国际会议上;4月20 - 22日举行,2016;洛杉矶URL:https://www.researchgate.net/publication/296701627_Improve_Accuracy_of_Early_Detection_Sudden_Cardiac_Deaths_SCD_Using_Decision_Forest_and_SVM
    35. 徐上野R, L, Uegami W,松井H, Okui J, Hayashi H, et al .实验室结果的价值除了生命体征在机器学习算法来预测住院心脏骤停:单中心回顾性队列研究。《公共科学图书馆•综合》2020;15 (7):e0235835 [免费的全文][CrossRef][Medline]
    36. Balachander T, Pradeep K,巴拉JS。一个集成的方法对早期风险检测心脏性猝死使用机器学习的方法。Int J副词Sci抛光工艺2020;29 (6):2500 - 2509 (免费的全文]
    37. 拉姆库玛儿RP, Polepaka随机森林分类器的性能比较和卷积神经网络在预测心脏疾病。:智能系统的发展和计算。新加坡:施普林格;2020:683 - 691。
    38. Kwon JM,金正日KH、全KH李SY,公园JJ,哦黑洞。人工智能算法使用心电描记法预测心脏骤停。地中海Scand J创伤Resusc紧急情况2020年10月06;28 (1):98免费的全文][CrossRef][Medline]
    39. 吴常港元,CT,刘JH, Lim WS,王HC,赵SI, et al。早期检测院内心脏骤停对不平衡数据基于机器学习。:《IEEE国际会议上医疗信息学(阿)。2019发表于:IEEE国际会议上医疗信息学(ICHI);2019年6月10号至13号,;中国西安。(CrossRef]
    40. Chauhan Kumar Chauhan U, V, V, Tiwary年代,Kumar a .心脏骤停预测使用机器学习算法。:第二届国际会议上智能计算、测量和控制技术(ICICICT)。2019发表于:2智能计算国际会议上,仪表和控制技术(ICICICT);2019年7月5 - 6;Kannur,印度。(CrossRef]
    41. 苏张赖D, Y,张X, Y,本Heyat MB。一个自动化的策略对早期心脏性猝死的风险识别使用机器学习方法可测量的心律不齐的风险标记。IEEE访问2019;7 (2):94701 - 94716。(CrossRef]
    42. Acharya UR, Fujita H,苏达山V, Ghista D,尤金·L, Koh j .自动预测心脏性猝死使用kolmogorov复杂度和复发风险量化分析特征提取HRV信号。:《IEEE国际会议系统,人,和控制论。2019年发表于:IEEE国际会议系统,人,和控制论;2015年10月9 - 12日;中国香港p。94701 - 94716。(CrossRef]
    43. Acharya UR约瑟夫•KP Kannathal N, Lim厘米,苏瑞JS。心率变异性:审查。地中海生物Eng第一版2006年12月,44 (12):1031 - 1051。(CrossRef][Medline]
    44. ChuDuc H, NguyenPhan K, NguyenViet d对心率变异性及其应用。APCBEE Procedia 7:80 2013; 85年。(CrossRef]
    45. Vuoti AO, Tulppo MP, Ukkola哦,Junttila MJ,王虹艳,基维涅米,et al .预后价值的冠状动脉疾病患者的心率变异性在当前治疗时代。《公共科学图书馆•综合》2021;16 (7):e0254107 [免费的全文][CrossRef][Medline]
    46. Devi R, Tyagi港元,库马尔d .心率变异性分析早期预测心脏性猝死。世界科学院、工程和技术。2007。URL:https://publications.waset.org/10004326/heart-rate-variability-analysis-for-early-stage-prediction-of-sudden-cardiac-death[2021-05-14]访问
    47. 公园SJ,曹K, Kwon O,公园H,李Y,垫片WH, et al。开发和验证deep-learning-based小儿早期预警系统:单中心研究。生物医学J 2021年1月:在出版社。(CrossRef]
    48. 张成泽D,金正日J,乔YH,李JH,黄我,公园SM, et al。发展神经网络模型早期发现心脏骤停在急诊室。J紧急情况2020年1月,38 (1):43-49。(CrossRef][Medline]
    49. Tylman W, Waszyrowski T, Napieralski Kamiński M, Trafidło T, Kulesza Z, et al .实时使用hardware-implemented贝叶斯网络的预测急性心血管事件。第一版医学杂志2016年2月01;69:245 - 253。(CrossRef][Medline]
    50. Somanchi年代,Adhikari年代,林,甘尼Eneva E r .心脏骤停的早期预测使用电子医疗记录(蓝色代码)。:《21 ACM SIGKDD知识发现和数据挖掘。2015年国际会议上提出:知识发现(KDD)的15:21 ACM SIGKDD国际会议上的知识发现和数据挖掘;2015年8月10 - 13日;澳大利亚悉尼新南威尔士p。2119 - 2126。(CrossRef]
    51. 肯尼迪CE,青木N, Mariscalco M,特里JP。使用时间序列分析预测针对新生儿重症监护室医生心脏骤停在儿童重症监护室医生。Pediatr暴击护理杂志2015;16 (9):332 - 339。(CrossRef]
    52. Churpek MM,袁TC,温斯洛C, Meltzer Kattan兆瓦,说道DP。多中心的比较传统机器学习方法和回归预测临床恶化的病房。暴击治疗地中海2016年2月,44 (2):368 - 374 (免费的全文][CrossRef][Medline]
    53. Badriyah T,布里格斯JS, Meredith P,贾维斯西南,施密特PE、费瑟斯通π,et al。决策树早期预警评分(DTEWS)验证的设计国家早期预警评分(新闻)。复苏2014年3月,85 (3):418 - 423。(CrossRef][Medline]
    54. 何鸿燊JC,公园y学习从不同的角度:强劲的心脏骤停预测通过学习时间转移。:学报IEEE的第39届国际会议在医学和生物工程协会(EMBC)。2017发表于:第39届国际会议的IEEE在医学和生物工程协会(EMBC);2017年7月11日- 15日;济州岛,韩国(南)。(CrossRef]
    55. 香港年代,李,李J, Cha WC,金正日k .预测心脏骤停的急诊科基于机器学习和序列特征:模型开发和回顾性临床验证研究。地中海JMIR通知2020年8月04;8 (8):e15932 [免费的全文][CrossRef][Medline]
    56. 李曹K, Kwon O, Kwon J, Y,公园H,全K, et al。检测病人恶化使用人工智能在快速反应系统。暴击护理杂志2020;48 (4):285 - 289。(CrossRef]
    57. 刘JH, Chang港元,吴邦国CT, Lim WS,王HC,张成泽JS。基于机器学习的心脏骤停的早期检测系统。:《国际会议技术和人工智能的应用(TAAI)。2019发表于:国际会议技术和人工智能的应用(TAAI);11月研讨会,2019;高雄,台湾。(CrossRef]
    58. 爪哇SL, Sepehri MM,爪哇ML, Khatibi t .智能预警模型的早期预测脓毒症患者的心脏骤停。第一版方法程序生物医学2019年9月,178:47-58。(CrossRef][Medline]
    59. Majumder AJ, ElSaadany丫,年轻的R博士Ucci节能耐磨智能物联网系统预测心脏骤停。阿德哼第一版2019年2月12日;交互2019:1-21。(CrossRef]
    60. 金正日J,崔M, Chang H,金正日Y,公园大肠预测心脏骤停、呼吸衰竭病人使用可行的人工智能和简单的轨迹数据。中国地中海2019年8月29日,1336 (9):[免费的全文][CrossRef][Medline]
    61. Akrivos E, Papaioannou V, Maglaveras N, Chouvarda即预测重症监护心脏骤停的病人通过机器学习。:Maglaveras N, Chouvarda我,卡瓦略P,编辑。精密医学由pHealth和连接健康。新加坡:施普林格;2018:25-29。
    62. 李Kwon J,李Y, Y, J·李,公园一个算法基于预测的深度学习医院心脏骤停。J是心脏协会2018年7月03;7 (13):e008678。(CrossRef]
    63. Rohila, Sharma A检测心脏性猝死的比较研究心率变异性在正常和异常的心脏疾病。Biocybern生物医学Eng 2020 7月03;40 (3):1140 - 1154。(CrossRef]
    64. Naik Raka, G,柴r .计算算法的基于时间的通过心电图描记的标记检测心脏骤停。:Sci 2017 9月16日,7 (9):954。(CrossRef]
    65. Murugappan M, Murukesan L,奥马尔•我Khatun年代,Murugappan美国基于时域特性的心脏骤停的预测使用机器学习算法。J医疗成像Hlth通知2015年11月01;5 (6):1267 - 1271。(CrossRef]
    66. Ebrahimzadeh E, Pooyan M,比佳A一个新颖的方法来预测心脏性猝死(SCD)使用非线性和时频分析HRV信号。《公共科学图书馆•综合》2014年2月4日,9 (2):e81896 [免费的全文][CrossRef][Medline]
    67. 费尔南德斯M,门德斯R,维埃拉SM,雷特F,帕洛斯C,约翰逊,et al .危重患者死亡率和心肺骤停的风险向应急部门使用机器学习和自然语言处理。《公共科学图书馆•综合》2020年4月2;15 (4):e0230876 [免费的全文][CrossRef][Medline]
    68. Ebrahimi Z, Loni M, Daneshtalab M, Gharehbaghi A .回顾深度学习心电图心律失常分类的方法。专家系统:X 2020年9月,7:100033。(CrossRef]
    69. Sahoo年代,破折号,Behera年代,Sabut美国机器学习的方法来检测心律失常心电图信号:一项调查。IRBM 2020年8月,41 (4):185 - 194。(CrossRef]
    70. 朗斯代尔H, Jalali Ahumada L, Matava c .机器学习和人工智能在儿科研究:现状、未来前景,例子在围手术期和急救护理。J Pediatr 2020年6月,221年代:3 - 10。(CrossRef][Medline]
    71. 香港年代,周Y,商J,肖C,太阳J .机遇和挑战的深度学习方法心电图数据:系统回顾。第一版医学杂志2020年7月,122:103801。(CrossRef][Medline]
    72. Itchhaporia d在心脏病学人工智能。趋势Cardiovasc地中海2020年11月23日:A。(CrossRef][Medline]

    ‎
    人工智能:人工智能
    DL:深度学习
    DT:决策树
    HRV:心率变异性
    资讯:再邻居
    LR:逻辑回归
    网:医学主题词
    ML:机器学习
    OHCA:心脏按压心脏骤停
    棱镜:首选项报告系统评价和荟萃分析
    射频:随机森林
    支持向量机:支持向量机

    编辑C洛维斯;提交28.05.21;同行评议的J沃尔什,P Sarajlic;评论作者23.09.21;修订版本收到07.10.21;接受10.10.21;发表17.12.21

    版权

    ©Asma Alamgir,奥萨马Mousa Zubair沙。最初发表在JMIR医学信息学(https://medinform.www.mybigtv.com), 17.12.2021。

    这是一个开放分布式根据条知识共享归属许可(https://creativecommons.org/licenses/by/4.0/),它允许无限制的使用、分配、和繁殖在任何媒介,提供原工作,首次出版于JMIR医学信息学是正确引用。完整的书目信息,原始发布在https://medinform.www.mybigtv.com/上的链接,以及这个版权和许可信息必须包括在内。
    Baidu
    map