目的探讨24 h动态心电图参数对急性心肌梗死(AMI)患者发生恶性心律失常(MVA)的预测价值。方法选取2021年3月至2023年5月收治的94例AMI患者为研究对象,全部患者均行24 h动态心电图检测,并记录患者住院期间MVA发生情况,对比发生、未发生MV...目的探讨24 h动态心电图参数对急性心肌梗死(AMI)患者发生恶性心律失常(MVA)的预测价值。方法选取2021年3月至2023年5月收治的94例AMI患者为研究对象,全部患者均行24 h动态心电图检测,并记录患者住院期间MVA发生情况,对比发生、未发生MVA患者24 h动态心电图参数[24 h QT间期变异性(24 h QTV)、连续正常RR间期标准差(SDNN)、每5 min RR间期平均值的标准差均值(SDNN-Index)、每5 min RR间期平均值的标准差(SDANN)],绘制受试者工作曲线(ROC),分析24 h动态心电图参数预测AMI患者MVA发生的价值。结果94例AMI患者住院期间发生MVA 27例,发生率为28.72%。发生MVA的AMI患者24 h QTV、SDNN、SDNN-Index及SDANN均较未发生MVA患者低,差异均有统计学意义(均P<0.05)。绘制ROC曲线发现,24 h QTV、SDNN、SDNN-Index、SDANN单独及联合检测预测AMI患者MVA发生的AUC均>0.70,均有一定预测价值,其中联合检测的预测价值最高。结论24 h动态心电图参数对AMI患者发生MVA具有较高的预测价值,多参数联合预测有利于早期采取防治措施,预防MVA发生。展开更多
文摘传统联邦学习训练模型时假定所有参与方可信,但实际场景存在恶意参与方或恶意攻击模型,现有的联邦学习算法面对投毒攻击时,存在模型性能严重下降的问题。针对模型投毒问题,本文提出一种基于联邦平均(federated averaging,Fedavg)与异常检测的联邦检测算法——FedavgCof,该算法考虑到所有参与方之间的差异对比,在中心服务器和本地模型之间添加异常检测层,通过基于聚类的本地异常检测因子(cluster-based local outlier factor,COF)异常检测算法剔除影响模型性能的异常参数,提升模型鲁棒性。实验结果表明,虽然新型投毒方式攻击性更强,但是FedavgCof能够有效防御投毒攻击,降低模型性能损失,提高模型抗投毒攻击能力,相较于Median和模型清洗算法平均提升精度达到10%以上,大幅提升了模型的安全性。
文摘目的探讨24 h动态心电图参数对急性心肌梗死(AMI)患者发生恶性心律失常(MVA)的预测价值。方法选取2021年3月至2023年5月收治的94例AMI患者为研究对象,全部患者均行24 h动态心电图检测,并记录患者住院期间MVA发生情况,对比发生、未发生MVA患者24 h动态心电图参数[24 h QT间期变异性(24 h QTV)、连续正常RR间期标准差(SDNN)、每5 min RR间期平均值的标准差均值(SDNN-Index)、每5 min RR间期平均值的标准差(SDANN)],绘制受试者工作曲线(ROC),分析24 h动态心电图参数预测AMI患者MVA发生的价值。结果94例AMI患者住院期间发生MVA 27例,发生率为28.72%。发生MVA的AMI患者24 h QTV、SDNN、SDNN-Index及SDANN均较未发生MVA患者低,差异均有统计学意义(均P<0.05)。绘制ROC曲线发现,24 h QTV、SDNN、SDNN-Index、SDANN单独及联合检测预测AMI患者MVA发生的AUC均>0.70,均有一定预测价值,其中联合检测的预测价值最高。结论24 h动态心电图参数对AMI患者发生MVA具有较高的预测价值,多参数联合预测有利于早期采取防治措施,预防MVA发生。