Benchmarking mortality risk prediction from electrocardiograms

最近有几项高影响力的研究利用大型医院拥有的心电图（ECG）数据库建模和预测患者死亡率。MIMIC-IV是于2023年9月发布的第一个可比较的公共数据集，包括来自美国医院系统的800,000个ECG。此前，最大的公共ECG数据集是Code-15，其中包含巴西例行护理期间收集的345,000个ECG。这些数据集现在为更广泛的观众探索ECG生存建模提供了极好的资源。在这里，我们使用两种神经网络架构对Code-15和MIMIC-IV进行生存模型性能基准测试，比较了四种深度生存建模方法与基于分类器输出训练的Cox回归，并在一到十年内评估了性能。我们的结果产生了AUROC和一致性得分，与过去的工作相当（约为0.8），并且考虑到与死亡率相关的ECG样本比例（MIMIC-IV：27％，Code-15：4％），具有合理的AUPRC得分（MIMIC-IV：0.4-0.5，Code-15：0.05-0.13）。在对相反数据集进行模型评估时，AUROC和一致性值下降了0.1-0.15，这可能是由于队列差异造成的。所有代码和结果都是公开的。

在大型医院ECG数据库上建立模型，预测患者死亡率

使用深度生存模型对Code-15和MIMIC-IV数据集进行生存模型性能基准测试，并将其与Cox回归进行比较

使用MIMIC-IV和Code-15数据集进行实验，公开了代码和结果，实验结果表明深度生存模型的性能与之前的工作相当，AUPRC分数合理，模型在不同数据集上的性能有所下降，可能是由于队列差异造成的

最近的相关研究包括利用大型医院ECG数据库进行死亡率预测的高影响力研究，以及利用深度学习方法进行生存分析的其他研究，如“DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network”