カテーテルアブレーション 今日の論文（2026年10月16日）

【論文1】ディープラーニングを用いた単導線洞調律心電図の再分類による心房細動再発検出の精度向上。

────────────────────────────────────────

■ 論文情報
Liu Yingshuo, Lim Chanho, Bidaoui Ghassan et al.
Circulation. Arrhythmia and electrophysiology（2026）｜PMID: 42841203
https://pubmed.ncbi.nlm.nih.gov/42841203/

────────────────────────────────────────

■ 概要（日本語）

背景：心房細動（AF）はカテーテルアブレーション後の一般的な転帰であり、5年以内に最大50％の患者で再発が認められる。広範な研究が行われているにもかかわらず、AF再発の評価における観察期間および予測期間の最適化には依然として課題が残されている。 そこで我々は、携帯型デバイスから得られた単導線心電図ストリップを用い、過去および将来のAFイベントに基づいて洞調律を再分類する、新たな深層学習モデルを開発し、その妥当性を検証した。
方法：558名の参加者のうち、研究追跡期間中に再発が確認されなかった308名から「良性洞調律」の心電図ストリップを、再発が確認された250名からは心房細動イベントの±3日以内に記録された「重度洞調律」の心電図ストリップをそれぞれ収集した。 臨床的特徴量に基づくモデルと深層学習モデルの両方を用いて、これらの心電図を心房細動再発事象への近接度に応じて分類した。性能評価には、受信者動作特性曲線下面積（AUC）、精度、感度、特異度、およびF1スコアを用いた。
結果：心電図波形レベルの事前学習済み深層学習モデルは、ROC曲線下面積0.86、感度0.79、特異度0.76を達成した。 これを補完する参加者レベルの臨床特徴量に基づくランダムフォレストのベンチマークでは、ROC曲線下面積が0.71、感度が0.58、特異度が0.69であった。 特徴量に基づく分析により、心拍変動、平均R-R間隔、女性、左心房容積、および平均P波持続時間に関連する要因が特定された。
結論：我々の動的ディープラーニングモデルは、±3日以内の心房細動（AF）イベントに基づいて、30秒間の単一誘導洞調律心電図を再分類し、短時間の心電図スナップショットを短期的なAFリスクの要約指標へと変換する。

────────────────────────────────────────

■ Abstract（English）

BACKGROUND: Atrial fibrillation (AF) remains a common outcome after catheter ablation, with recurrence observed in up to 50% of patients within 5 years. Despite extensive research, challenges remain in optimizing observation and prediction windows for AF recurrence assessment. Therefore, we developed and validated a novel deep learning model that reclassifies sinus rhythm based on past and future AF events using single-lead ECG strips from handheld devices.
METHODS: Of the 558 participants, 308 with no documented recurrence during study follow-up contributed Benign Sinus strips, while 250 with documented recurrence contributed sinus rhythm strips recorded within ±3 days of an AF event, defined as Severe Sinus strips. Both clinical feature-based models and a deep learning model were used to classify these ECGs according to their proximity to AF recurrence events. Performance was evaluated using area under the receiver operating characteristic curve, accuracy, sensitivity, specificity, and F1-score.
RESULTS: The strip-level pretrained deep learning model achieved an area under the receiver operating characteristic curve of 0.86, with sensitivity of 0.79, and specificity of 0.76. The complementary participant-level clinical feature-based Random Forest benchmark achieved an area under the receiver operating characteristic curve of 0.71, sensitivity of 0.58, and specificity of 0.69. Feature-based analyses identified associations involving heart-rate variability, mean R-R interval, female sex, left atrial volume, and mean P-wave duration.
CONCLUSIONS: Our dynamic deep learning model reclassifies 30-second single-lead sinus rhythm ECGs based on AF events within ±3 days, transforming a brief ECG snapshot into a summarized indicator of short-term AF risk.

════════════════════════════════════════

※ 論文データはPubMed（NCBI）より取得。翻訳はDeepLを使用しています。
#カテーテルアブレーション #アブレーション #医学論文 #CatheterAblation #臨床工学技士