摘要

我们的目标是通过使用日常行为记录的深度表征学习来识别和表征 SCD 高风险患者的行为特征。我们提出了一种管道，该管道对通过卷积残差变分神经网络（ResNet-VAE）学习的行为时间序列数据的低维表示采用无监督聚类。使用的数据来自在荷兰和丹麦的两个大型高等教育中心进行的前瞻性观察性 SafeHeart 研究。患者在 2021 年 5 月至 2022 年 9 月期间接受了植入式心律转复除颤器 (ICD)，并连续 180 天佩戴采用加速度计技术的可穿戴设备。共有 272 名患者（平均年龄 63.1±10.2 岁，81% 为男性）符合资格，总共采样了 37,478 天的行为数据（每位患者 138±47 天）。深度表征学习确定了五种不同的行为特征： A 组 (n = 46) 的体力活动水平非常低，睡眠模式受到干扰。簇 B (n = 70) 具有较高的活动水平，主要是轻度到中等强度。簇 C (n = 63) 表现出高强度的活动特征。D 组（n = 51）的睡眠效率高于平均水平。E 组 (n = 42) 经常醒来且睡眠质量不佳。恶性室性心律失常的年风险范围分别为 A 簇的 30.4%、D-E 簇的 9.8% 和 9.5%。与低风险概况 (D-E) 相比，根据临床协变量调整后，集群 A 的恶性室性心律失常风险增加了三到四倍（调整后的 HR 3.63，95% CI 1.548.53，p