左心室肥大のための自己注意深層学習フレームワーク「CoAt-Mixer」
カテゴリ：公衆衛生・予防医療
公開日：2026年2月19日
タイトル：CoAt-Mixer: Self-attention deep learning framework for left ventricular hypertrophy using electrocardiography
雑誌名：PLoS One. 2023; 18(6): e0286916. doi: 10.1371/journal.pone.0286916. Epub 2023 Jun 08.
概 要：
左心室肥大は全死因死亡率および罹患率の重要な独立リスク因子であり、心臓の変化を早期に正確に診断することが臨床的に重要です。本研究では、心電図を用いて左心室肥大を診断するためのビッグデータと深層学習アルゴリズムを活用し、性別による診断力の違いを確認することを目的としました。2010年10月から2020年2月までに得られた心電図データを用いた後ろ向き研究で、二項分類を行い、性別ごとのデータセットを使用しました。モデルは、心電図や人口統計データを用いて左心室肥大をある程度分類できることを確認しました。
方 法：
この研究は、2010年10月から2020年2月までに得られた心電図データを用いた後ろ向き研究です。男性、女性、全体の3つのデータセットを使用し、左心室肥大の一次スクリーニングのための二項分類を行いました。分類タスクには6種類の入力が使用され、カットオフ値は132 g/m2および109 g/m2で設定されました。主要評価指標は、受信者動作特性曲線（AUROC）です。
結 果：
全体のデータセットに対して、モデルはAUROC 0.836（95% CI, 0.833-838）を達成し、感度は78.37%（95% CI, 76.79-79.95）でした。男性データセットではAUROC 0.826（95% CI, 0.822-830）、感度は76.73%（95% CI, 75.14-78.33）でした。女性データセットではAUROC 0.772（95% CI, 0.769-775）、感度は72.90%（95% CI, 70.33-75.46）でした。性別による診断力の違いも確認されました。
結 論：
本研究のモデルは、心電図を用いて左心室肥大をある程度分類できることを示しました。特に、性別を考慮した学習環境が構築され、診断力の違いが確認されました。このモデルは、左心室肥大が疑われる患者が低コストでスクリーニング検査を受けるのに役立つと期待されます。