关键发现：
- 深度学习模型（6层LSTM加注意力机制）能够准确预测急性心肌缺血期间室性早搏（PVC）的发生时间；基于短段心外膜电图序列，池化交叉验证实现了低误差和优秀的校准（例如，当输入从3个心跳增加到7个心跳时，平均绝对误差从6.50秒降至4.73秒；R² ≥ 0.996）。
- 提供更多时间上下文可提高准确性：使用7个心跳比3个心跳的平均绝对误差降低约27%，并获得了最佳的校准和阈值性能。
- 在特定受试者设置（留一实验验证）中，有限的微调显著提高了性能，使用15%的受试者数据微调比10%的数据平均绝对误差降低约10-15秒，并平缓了误差与预测时间范围的斜率，其中5-7个心跳的改进最为显著。
- 在临床可操作的时间窗口内，预测精度很高：在池化测试中，96-99%的估计值在30秒以内，≥99.5%在60秒以内；在个性化设置中，使用15%微调数据时，60秒精度提升至约77-80%。
- 研究结果确立了主动、实时心律失常风险管理的可行性：心外膜信号包含预测特征，且仅需适度的受试者特定数据即可个性化预测模型。
摘要：
背景：心肌缺血可引发危及生命的室性心律失常。目前的监测主要是被动的，限制了预防性干预的机会。
目的：确定高分辨率心外膜电图是否包含预测特征，从而能够预测急性缺血期间室性早搏（PVC）的发生时间，并量化有效个性化所需的受试者特定数据量。
方法：我们分析了来自21次猪急性缺血实验的心外膜袜式电图（247个电极，1 kHz），共包含2,252次自发性PVC。将信号分割为3、5或7个连续非PVC心跳的重叠序列，并连续预测下一次PVC的时间。采用6层长短期记忆网络（LSTM，隐藏层大小128）加时间注意力机制，使用平均绝对误差（MAE）进行训练。在(A)池化80/10/10交叉验证和(B)留一实验验证（使用10%或15%的保留数据微调）中评估性能。
结果：在范式A中，MAE随上下文长度增加而降低（3个心跳：6.50秒，5个心跳：5.97秒，7个心跳：4.73秒），校准良好（R² > 0.996）。在范式B中，将微调数据从10%增加到15%使平均MAE降低9.6-14.6秒，并平缓了误差随预测时间范围的增长，提高了30-60秒窗口内的预测比例。
结论：心外膜电图支持在急性缺血期间准确预测PVC的发生时间，且适度的受试者特定适应显著提高了泛化能力，推动了实时预测监测工具的开发。
关键词：心律失常预测；心肌缺血；心外膜电图；LSTM；时间-事件建模
【全文结束】