심폐소생술(CPR) 중 심정지 리듬 분류를 위한 딥러닝 모델을 개발하고 평가하기 위해, 131명의 심정지 환자에서 508개의 심전도(ECG) 구간(각각 4초, 250 Hz에서 기록됨)을 분석하였다. 압박-영향을 받은 구간은 흉부 압박 동안 기록되었고, 압박-비영향 구간은 압박 일시정지 동안 또는 자발순환회복(ROSC) 선언 직후에 추출되었다. 1차원 합성곱 신경망(1D-CNN)과 순환 신경망(RNN) 모델을 네 가지 이진 분류 과제에 사용하였다: (1) 모든 ECG 구간에서 충격 가능 리듬(VF 및 pVT) 대 충격 불가능 리듬(무수축 및 PEA); (2) 압박-영향을 받은 ECG 구간에서의 동일한 분류; (3) 모든 ECG 구간에서 맥 생성 리듬(ROSC 리듬) 대 맥 비생성 리듬(무수축, PEA, VF 및 pVT); (4) 압박-영향을 받은 ECG 구간에서의 동일한 분류. 1D-CNN 모델은 모든 분류 과제에서 RNN 모델에 비해 일관되게 우수한 성능을 보였다. 충격 가능 대 충격 불가능 리듬 분류에서 1D-CNN은 모든 ECG 구간과 압박-영향을 받은 ECG 구간 각각에 대해 91.3%와 89.8%의 정확도를 달성한 반면, RNN은 50.6%와 54.5%를 보였다. 맥 생성 리듬을 탐지하는 데서 1D-CNN은 모든 ECG 구간과 압박-영향을 받은 ECG 구간 각각에 대해 90.9%와 85.7%의 정확도를 보였고, RNN은 92.2%와 84.4%를 보였다. 1D-CNN 모델은 심정지 리듬 분류에서 우수한 성능을 나타내었으며, 압박-영향을 받은 ECG 데이터에서도 높은 정확도를 유지하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.