ECG用于实验室数值预测：全面的生理学与技术分析

实验室检测对于临床决策至关重要，但通常需要进行有创血液采样。近期研究表明，ECG记录可能包含超出心律范围的信息，并能够提供与实验室数值相关的信息。本论文采用多模态深度学习框架，研究如何利用ECG记录和患者元数据预测NT-proBNP，同时考察基于ECG的预测在生理学上的合理性。此外，论文还比较了使用II导联的单导联配置与相应的12导联配置。附录中还介绍了针对葡萄糖、血红蛋白和钾的补充实验。研究使用MIMIC-IV开展了回归、二分类和三分类实验，其中三分类任务基于临床确立的阈值。12导联配置始终取得更好的性能。回归任务中，单导联和12导联的平均绝对误差分别为534.98 pg/mL和514.27 pg/mL。二分类任务的AUROC分别达到0.849和0.876，三分类任务的宏平均AUROC分别达到0.738和0.752。结果表明，精确回归预测NT-proBNP仍然具有挑战性，而对更宽泛的浓度范围进行分类则更为有效。研究结果与这一生理学假设一致：ECG特征和NT-proBNP浓度反映了共同的心血管过程。因此，基于ECG的NT-proBNP预测可以提供补充信息，尤其适用于对更宽泛的浓度范围进行分类。然而，实验室检测仍不可或缺，并且还需要在独立数据集上进行验证。