摘要
该数据集包含哥伦比亚大学欧文医学中心收集的10万份去标识化的12导联心电图(ECG)，每份心电图都配有基于超声心动图得出的心脏结构性疾病(SHD)标签。每份心电图提供了所有12个导联以250 Hz采样的原始波形数据，以及包括年龄、性别、心率、PR间期、QRS持续时间和校正QT间期在内的人口统计学和心电图特异性表格元数据。每份心电图都标注有二元标签，指示是否存在结构性心脏疾病，这些疾病基于超声心动图结果确定，包括左心室射血分数降低、心室壁厚度增加、显著的瓣膜疾病、右心室功能障碍、肺动脉高压或心包积液。
该数据集是在创建"哥伦比亚微型模型"(Columbia Mini-Model)过程中开发的，这是一个用于从心电图检测结构性心脏疾病的轻量级深度学习模型。该数据集代表了更大规模EchoNext训练人群的一个简化、聚焦的子集，用于在资源受限环境或小规模部署环境中评估模型性能。发布此数据集旨在促进透明度和可重复性，支持心血管人工智能的进一步研究，并为基于心电图的轻量级结构性心脏疾病筛查模型提供基准测试。
背景
早期检测结构性心脏疾病对于改善治疗结果至关重要，但广泛筛查仍受限于超声心动图等成像工具的成本和可及性。应用于心律记录的机器学习最新进展在疾病识别方面显示出潜力，尽管之前的工作受限于在狭窄人群中的开发或仅针对特定心脏疾病。我们引入了一种名为EchoNext的深度学习模型，该模型在大型多样化医疗系统中基于超过100万份心律和影像记录进行训练，以检测多种形式的结构性心脏疾病。该模型在内部和外部验证中展示了高诊断准确性，在受控评估中表现优于心脏病专家，并在不同护理环境和种族/族裔群体中显示出一致的性能。这些模型在一项针对既往无心脏影像学检查患者的临床试验中进行了前瞻性评估，成功识别出先前未诊断的心脏疾病。这些发现支持了人工智能大规模扩展心脏疾病筛查获取途径的潜力。为了促进进一步开发和透明度，我们已公开发布了来自"哥伦比亚微型模型"的模型权重以及将心律数据与基于影像的诊断相关联的大型标注数据集。本资源包含该数据集，训练好的模型权重和代码可在Github获取。
方法
该数据集源自哥伦比亚大学欧文医学中心(一所学术性三级护理医院)的临床护理数据。所有数据均从2008年至2022年间接受了数字化存储的12导联心电图(ECG)和经胸超声心动图且时间间隔在1年以内的成年患者(年龄≥18岁)中回顾性收集。心电图波形数据从GE MUSE心电图管理系统中以所有12个导联250 Hz的采样频率提取。每份心电图都配有包括年龄、性别、心率、PR间期、QRS持续时间和校正QT间期在内的结构化元数据。所有心电图特征均从GE MUSE Nx 10.2获取的XML文件中提取。
超声心动图数据从Syngo Dynamics(西门子)和Xcelera(飞利浦)系统中提取。提取了五个数值：左心室射血分数(LVEF)、室间隔厚度、后壁厚度、肺动脉收缩压(PASP)和三尖瓣反流最大速度(TR Max Velocity)。两个壁厚的最大值被视为左心室壁厚度(LVWT)。此外，还提取了六种分类诊断：主动脉瓣、二尖瓣、三尖瓣和肺动脉瓣反流(AR、MR、TR、PR；分为无/微量、轻度、中度或重度)、右心室收缩功能(分为正常、轻度降低、中度降低或重度降低)、心包积液(分为无/微量、小量、中量或大量)以及主动脉瓣狭窄(AS；分为无/微量、轻度、中度或重度)。随后将标签二值化以创建中度或更严重疾病的标签。连续标签被二值化为：中度疾病(LVWT ≥ 13 mm，LVEF ≤ 45%，PASP ≥ 45 mmHg，TR最大速度 ≥ 32 cm/s)和重度疾病(LVWT ≥ 16mm，LVEF ≤ 35%，PASP ≥ 60 mmHg，TR最大速度 ≥ 36 cm/s)。带有假体瓣膜、LVEF缺失或无壁厚测量的超声心动图被从数据集中排除。SHD标签定义为存在一个或多个上述二值化标签。
要将心电图标记为疾病的"阳性"，它必须在具有SHD的超声心动图前1年内进行。对于没有SHD的患者(通过至少一次"阴性"超声心动图确认)，所有在最近一次超声心动图之前的ECG均被标记为阴性并纳入研究。对于在超声心动图前1年内获取的心电图，提供了更详细的SHD标签。
在纳入此数据集之前，所有数据都进行了去标识化处理。患者标识符被替换为随机生成的替代密钥。所有直接标识符，包括姓名和完整日期，均被移除。仅保留了心电图获取年份，患者年龄上限为90岁。未进行日期偏移。
数据描述
EchoNext微型模型数据集
该存储库包含用于训练EchoNext微型模型的数据集，该数据集由来自哥伦比亚和艾伦医院的10万份心电图(ECGs)组成。
数据集概述
该数据集分为训练、验证和测试三个部分。一些心电图被标记为"no_split"，不包含在模型训练中。训练集可能包含每位患者的多个心电图；验证集和测试集仅包含每位患者的最新心电图。数据集中的每份心电图都附有表格特征、波形数据以及包括超声心动图测量值和诊断标签在内的元数据。
包含的文件
- 心电图元数据 (
EchoNext_metadata_100k.csv)。包含10万行每份心电图记录的元数据和标签的CSV文件：
注：元数据文件中心电图的顺序与相应NumPy数组文件中的行顺序匹配。这种对齐对于正确使用数据至关重要。
元数据文件中提供了以下列：
- 心电图人口统计学数据
- patient_key：去标识化的患者标识符。
- acquisition_year：心电图获取年份。
- location_setting：心电图获取的临床环境。取值包括
'inpatient'(住院)、'emergency'(急诊)、'outpatient'(门诊)和'procedural'(手术中)。 - race_ethnicity：种族和民族的综合分类。取值包括
'hispanic'(西班牙裔)、'white'(白人)、'black'(黑人)、'asian'(亚裔)、'other'(其他)和'unknown'(未知)。 - most_recent_ecg：二元标志，指示该心电图是否是患者的最新心电图(最新为
1，否则为0)。 - 原始心电图派生表格特征
- sex：患者性别(男性或女性)
- ventricular_rate：心室收缩率(每分钟心跳次数)，从心电图测量得出。
- atrial_rate：心房收缩率(每分钟心跳次数)，从心电图测量得出。
- pr_interval：从P波开始到QRS复合波开始的时间间隔(毫秒)，反映房室传导。
- qrs_duration：QRS复合波的持续时间(毫秒)，代表心室去极化的时间。
- qt_corrected：校正QT间期(毫秒)，根据心率调整，代表心室去极化和复极化的总时间。
- age_at_ecg：心电图获取时的患者年龄(岁)。
注：年龄值上限为90岁，用于去标识化。
- 超声心动图派生特征
- aortic_stenosis_value：主动脉瓣狭窄严重程度，分为无/微量、轻度、中度或重度
- aortic_regurgitation_value：主动脉瓣反流严重程度，从无到重度分级。
- mitral_regurgitation_value：二尖瓣反流严重程度，从无到重度分级。
- tricuspid_regurgitation_value：三尖瓣反流严重程度，从无到重度分级。
- pulmonary_regurgitation_value：肺动脉瓣反流，从无到重度分级。
- rv_systolic_function_value：右心室收缩功能的定性评估，分为正常、轻度降低、中度降低或重度降低。
- pericardial_effusion_value：心包腔内液体积聚的存在和大小，分为无、小量、中量或大量。
- ivs_measurement：舒张期测量的室间隔厚度(厘米)。
- lvpw_measurement：舒张期测量的左心室后壁厚度(厘米)。
- pasp_value：估计的肺动脉收缩压(mmHg)，由多普勒测量得出。
- tr_max_velocity_value：三尖瓣反流射流的最大速度(m/s)，用于估计肺动脉压力。
- lvef_value：左心室射血分数(%)，表示收缩期从左心室射出的血液百分比。
- 超声心动图派生二元标签
这些二元标签是从结构化超声心动图报告字段派生的，并使用临床相关阈值进行二值化，以指示中度或更严重的疾病严重程度
- lvef_lte_45_flag：指示左心室射血分数(LVEF)是否小于或等于45%，提示心室收缩功能中度降低。
- lvwt_gte_13_flag：指示室间隔(IVS)或后壁(LVPW)厚度的最大值是否大于或等于1.3厘米，提示左心室肥厚中度。
- aortic_stenosis_moderate_or_greater_flag：指示中度或重度主动脉瓣狭窄，基于超声心动图报告中的分类分级。
- aortic_regurgitation_moderate_or_greater_flag：指示中度或重度主动脉瓣反流。
- mitral_regurgitation_moderate_or_greater_flag：指示中度或重度二尖瓣反流。
- tricuspid_regurgitation_moderate_or_greater_flag：指示中度或重度三尖瓣反流。
- pulmonary_regurgitation_moderate_or_greater_flag：指示中度或重度肺动脉瓣反流。
- rv_systolic_dysfunction_moderate_or_greater_flag：指示中度或重度右心室收缩功能障碍。
- pericardial_effusion_moderate_large_flag：指示存在中量或大量心包积液。
- pasp_gte_45_flag：指示肺动脉收缩压(PASP)是否大于或等于45 mmHg，提示肺动脉高压。
- tr_max_gte_32_flag：指示三尖瓣反流最大速度是否大于或等于3.2 m/s(32 cm/s)，作为肺动脉压力升高的替代指标。
- shd_moderate_or_greater_flag：复合二元标签，指示中度或更严重的结构性心脏疾病的存在，定义为满足上述一个或多个条件的阈值。
- 数据集分割信息
- split：指示数据分区——train(训练)、val(验证)、test(测试)或no_split(不用于分割)。
- 表格特征
- 文件名遵循
EchoNext_<SPLIT>_tabular_features.npy的约定，其中split为：train、val、test或no_split。 - 每个文件是形状为N x 7的NumPy数组。
- NumPy数组文件中心电图的顺序与相应元数据文件中的行顺序匹配。
- 每份心电图的预处理表格特征，按分割划分：
- sex：患者性别的二元指示器。编码为
0表示女性，1表示男性。 - ventricular_rate：预处理后的心室率。
- atrial_rate：预处理后的心房率。
- pr_interval：预处理后的PR间期。
- qrs_duration：预处理后的QRS持续时间。
- qt_corrected：预处理后的QT间期。
- age_at_ecg：心电图获取时患者的预处理年龄。
- 预处理注意事项：
- 连续特征进行了标准化。
- 缺失值使用中位数进行填补，除了
atrial_rate和pr_interval被设为0。 sex被二值化。
- 波形特征
- 文件名遵循
EchoNext_<SPLIT>_waveforms.npy的约定。每个文件包含相应分割中ECG的预处理波形数据。心电图存储为形状为N × 1 × 2500 × 12的NumPy数组，表示一个10秒、12导联、以250 Hz采样的ECG片段，N是分割的大小。 - NumPy数组文件中心电图的顺序与相应元数据文件中的行顺序匹配。
- 波形预处理
- 每个导联进行中值滤波。
- 在0.1和99.9百分位处裁剪。
- 使用数据集范围的均值和标准差进行归一化。
使用说明
- 有关运行推理的更多详细信息可在Github中获取。
使用说明
该数据集是EchoNext研究(《使用人工智能从心电图检测结构性心脏疾病》)的一部分开发的。它使可重复研究和可扩展的AI驱动结构性心脏疾病(SHD)筛查成为可能。该数据集可以作为评估现有基于心电图模型的基准，或作为训练新的SHD检测深度学习模型的资源。
EchoNext微型模型和数据集提供了多种再利用机会。研究人员可以使用该数据集来训练或微调SHD分类模型，探索基于心电图诊断的模型可解释性，或将SHD风险评分作为特征纳入下游临床预测任务。该数据集也非常适合在资源受限环境中对轻量级模型进行基准测试。使用EchoNext微型模型进行推理的说明可在公共GitHub仓库中获取。
需要注意几个限制。该数据集使用固定的二元阈值来定义SHD标签(例如，LVEF ≤ 45%)，这可能与所有临床指南不一致。一些超声心动图测量受观察者间变异性影响，可能引入潜在的标签噪声。某些条件，如肺动脉反流，在数据集中代表性不足。该数据集仅包括在一年窗口期内同时进行了心电图和超声心动图的患者，这可能引入选择偏差。此外，疾病标签是从结构化报告字段派生的，可能无法完全捕捉临床解释的细微差别。
其他限制包括自动提取的心电图特征(特别是校正QT间期(QTc))可能存在的不准确性，已知QTc容易出错。虽然该数据集包含高比例的西班牙裔和黑人患者，但仅包含3.4%的亚裔患者，并且仅限于单一机构，这可能影响在不同人群和心电图采集系统间的通用性。
发布说明
版本1.1.1于2026年4月20日发布。更新了引用。
版本1.1.0于2025年9月15日发布。向患者心电图元数据文件添加了3个新的信息字段：
- location_setting：心电图获取的临床环境
- race_ethnicity：种族和民族的综合分类
- most_recent_ecg：指示该心电图是否是患者的最新心电图
伦理
DISCOVERY试验及相关分析已获得纽约-长老会医院/哥伦比亚大学欧文医学中心机构审查委员会的批准。已从前瞻性研究的所有参与者处获得书面知情同意。用于训练和评估EchoNext模型的回顾性数据在IRB批准的协议下进行分析。这些协议包括允许为研究目的共享去标识化数据的规定。作者声明没有其他伦理问题。
利益冲突
哥伦比亚大学已提交了关于EchoNext心电图算法的专利申请(#63/555,968)，TJP、LJ、CMH和PE是该专利的发明人。
参考文献
- Otto CM, Nishimura RA, Bonow RO, Carabello BA, Erwin JP 3rd, Gentile F, et al. 2020 ACC/AHA guideline for the management of patients with valvular heart disease: a report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. J Am Coll Cardiol. 2021 Feb 2;77(4):e25–197.
- Heidenreich PA, Bozkurt B, Aguilar D, Allen LA, Byun JJ, Colvin MM, et al. 2022 AHA/ACC/HFSA guideline for the management of heart failure: executive summary: a report of the American College of Cardiology/American Heart Association Joint Committee on Clinical Practice Guidelines. J Am Coll Cardiol. 2022 May 3;79(17):1757–80.
- Elias P, Poterucha TJ, Rajaram V, Moller LM, Rodriguez V, Bhave S, et al. Deep learning electrocardiographic analysis for detection of left-sided valvular heart disease. J Am Coll Cardiol. 2022 Aug 9;80(6):613–26.
- Ulloa-Cerna AE, Jing L, Pfeifer JM, Raghunath S, Ruhl JA, Rocha DB, et al. rECHOmmend: an ECG-based machine learning approach for identifying patients at increased risk of undiagnosed structural heart disease detectable by echocardiography. Circulation. 2022 Jul 5;146(1):36–47.
- Siontis KC, Noseworthy PA, Attia ZI, Friedman PA. Artificial intelligence-enhanced electrocardiography in cardiovascular disease management. Nat Rev Cardiol. 2021 Jul;18(7):465–78.
- Poterucha TJ, Jing L, Ricart RP, Adjei-Mosi M, Finer J, Hartzel D, et al. Detecting structural heart disease from electrocardiograms using AI. Nature. 2025 Jul 16.
- IntroECG: A full-process library for deep learning on 12-lead electrocardiograms.
- Neumann B, Vink AS, Hermans BJM, et al. Manual vs. automatic assessment of the QT-interval and corrected QT. Europace [Internet] 2023;25(9).
【全文结束】