Geri Dön

Ventriküler erken vuru ablasyonu planlanan hastalarda yapay öğrenme modellemesi kullanımı

Deep learning modeling in patients scheduled for premature ventricular contraction (PVC) ablation

PDF İndir

  1. Tez No: 981111
  2. Yazar: HAKAN YALMAN
  3. Danışmanlar: DOÇ. DR. MURAT ÇİMCİ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Kardiyoloji, Cardiology
  6. Anahtar Kelimeler: çıkış yolu VEV, intramural odak, yapay öğrenme, artificial intelligence, intramural foci, outflow tract PVCs
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İstanbul Üniversitesi-Cerrahpaşa
  10. Enstitü: Cerrahpaşa Tıp Fakültesi
  11. Ana Bilim Dalı: Kardiyoloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaçlar: 12 derivasyonlu yüzeyel EKG verileri ile eğitilen yapay öğrenme modellemeleri ile çıkış yolu VEV'lerin yerleşim yerlerinin yüksek doğruluk ve duyarlılıkla belirlenmesi ve RF kateter ablasyonu sonrası nüks öngörüsüyle ilişkilerinin incelenmesi. Gereç ve Yöntem: Temmuz 2020–Temmuz 2025 arasında merkezimizde gerçekleştirilen çıkış yolu VEV kateter ablasyonları retrospektif olarak analiz edildi. 12 derivasyonlu EKG'lerden çok kanallı sınıflama için 13 kanallı girdi kullanan, daha derin ve geniş bir 1-B evrişimsel sinir ağı mimarisi (1-D CNN, MultiQRSNet) geliştirildi. Üç model eğitildi: (i) Sağ–Sol Model, (ii) Sağ–Sol–İntramural Model, (iii) Sağ–Sol Nüks Modeli. Gruplar arası sonuçlar karşılaştırıldı; çok değişkenli analizlerle nüks belirteçleri değerlendirildi. Bulgular: Sağ ventrikül çıkış yolu hastaları, sol ventrikül çıkış yolu ve intramural gruplara kıyasla daha genç (45,8±15,7 vs 58,4±11,3 ve 55,1±13,9 yıl; p<0,001), daha düşük VKİ sahip (27,1±3,9 vs 30,5±5,4 ve 29,9±5,5 kg/m²; p=0,001) ve komorbiditeleri (hipertansiyon %22 vs %53 ve %46; p=0,004; diyabet %5 vs %22 ve %27; p=0,012) daha az saptandı. Üç modelin performansı da istatistiksel olarak anlamlıydı (p<0,01). Sağ–Sol model sağ ve sol çıkış yolu ayrımında %98,22 doğruluk ve %98,22 duyarlılık sağladı. Sağ–Sol–İntramural model üç sınıflı ayrımda %60,73 doğruluk elde etti. Sağ–Sol Nüks model ise“kür”ve“nüks”sınıflamasında %69,83 doğruluğa ulaştı. Çok değişkenli analizde ABC-VT risk skoru bağımsız nüks öngördürücüsü olarak belirlendi. (OR: 1,21; p=0,044). Sonuç: Çalışmamızda oluşturduğumuz yapay öğrenme modeli ile, sağ ve sol çıkış yolu ayrımında yüksek kesinlikle bilmekle birlikte intramural odakların belirlenmesine olanak sağlamaktadır. Nüks öngörüsünde ABC-VT risk skoruyla birlikte Sağ-Sol Nüks modeli de kullanılabilir. Elde ettiğimiz sonuçlar sık VEV ile başvuran hastaların tedavi seçimine yardımcı olup girişim yeri komplikasyonları, işlem süresi ve maliyetlerin azalmasına yardımcı olabilmektedir.

Özet (Çeviri)

Aim: To determine the localization of outflow tract premature ventricular contractions (PVCs) with high accuracy and sensitivity using artificial intelligence models trained with 12-lead surface ECG data, and to investigate their relationship with the prediction of recurrence after RF catheter ablation. Materials and Methods: Outflow tract PVCs catheter ablations performed at our center between July 2020 and July 2025 were analyzed retrospectively. A deeper and wider 1-D convolutional neural network architecture (1-D CNN, MultiQRSNet), using a 13-channel input for multi-channel classification from 12-lead ECGs, was developed. Three models were trained: (i) Right–Left Model, (ii) Right–Left–Intramural Model, (iii) Right–Left Recurrence Model. Inter-group results were compared; recurrence predictors were evaluated with multivariate analyses. Results: Patients with right ventricular outflow tract (RVOT) PVCs were younger (45.8±15.7 vs 58.4±11.3 and 55.1±13.9 years; p<0.001), had a lower BMI (27.1±3.9 vs 30.5±5.4 and 29.9±5.5 kg/m²; p=0.001), and fewer comorbidities (hypertension 22% vs 53% and 46%; p=0.004; diabetes 5% vs 22% and 27%; p=0.012) compared to the left ventricular outflow tract (LVOT) and intramural groups. The performance of all three models was statistically significant (p<0.01). The Right–Left model achieved 98.22% accuracy and 98.22% sensitivity in distinguishing between right and left outflow tracts. The Right–Left–Intramural model obtained 60.73% accuracy in the three-class classification. The Right–Left Recurrence model reached 69.83% accuracy in the“cure”and“recurrence”classification. In the multivariate analysis, the ABC-VT risk score was identified as an independent predictor of recurrence (OR: 1.21; p=0.044). Conclusion: The artificial intelligence model developed in our study allows for the identification of intramural foci, in addition to distinguishing between right and left outflow tracts with high precision. For recurrence prediction, the Right-Left Recurrence model can be used in conjunction with the ABC-VT risk score. Our results may aid in treatment selection for patients presenting with frequent PVCs, helping to reduce procedural site complications, procedure time, and costs.

Benzer Tezler

  1. Tez No

    860663

    Çocuklarda sağ ventrikül çıkım yolu aritmilerinde üç boyutlu haritalama yöntemi ile ablasyon sonuçları

    Results of ablation with three-dimensionalmapping in right ventricular outflow tractarrhythmias in children

    SALİH TÜRKMEN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. ŞEVKET BALLI

  2. Tez No

    666067

    Yapısal kardiyak anomalisi ve süreğen hastalığı olmayan ventriküler erken vuru (VEV)'lu çocuk ve adolesan olgularda izlem sürecinde prognozun değerlendirilmesi

    Prognosis of ventricular premature contractions (VPCS) in children and adolescents without structural cardiac abnormalities and chronic disease: A clinical follow up study

    KÜRŞAT ÇETİN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Çocuk Sağlığı ve HastalıklarıAkdeniz Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. FİLİZ EKİCİ

  3. Tez No

    987842

    Çocuk Kardiyolojisi Bilim Dalında 2005-2024 yılları arasında 0-18 yaş arası ventriküler erken vuru (VEV) tanısı ile izlenen hastaların geriye dönük değerlendirilmesi

    Retrospective evaluation of patients aged 0-18 years with a diagnosis of premature ventricular beat who were followed up in the Department of Pediatric Cardiology between 2005 and 2024

    CEMİL BAYKAL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Çocuk Sağlığı ve HastalıklarıKaradeniz Teknik Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. EMBİYA DİLBER

  4. Tez No

    790804

    Solving the inverse problem of electrocardiography for spontaneous pvc localization: Analysis of clinical electrocardiographic data

    Elektrokardiyografinin ters problemini spontan ventriküler erken vuru konumlandırılmasında çözmek: Klinik elektrokardiyografik verilerin analizi

    NIKA RASOOLZADEH

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    BiyomühendislikOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    DOÇ. DR. YEŞİM SERİNAĞAOĞLU DOĞRUSÖZ

  5. Tez No

    334188

    Yapısal olarak normal kalpte ventriküler erken vuruların klinik değerlendirilmesi ve izlem sonuçları

    Clinical evaluation of ventricular premature contractions in children with structurally normal heart and results of follow up

    AYLİN ÇİFTÇİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2013

    Çocuk Sağlığı ve HastalıklarıAnkara Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. HASAN ERCAN TUTAR

Geri Dön