Boezemfibrillatiedetectie met behulp van machine learning

Elektrocardiogram (ECG) -signaal is een krachtige gegevensbron om de hartfunctie te bestuderen en verschillende abnormale aritmieën te diagnosticeren. In dit artikel ExpositMachine Learning Engineer Artem Khodakov en MedRecord Analyst en Medical Doctor Elena Rostovtseva delen hoe Machine Learning en deep learning-technieken kunnen helpen bij het meten van hartslagvariaties (HRV) en het detecteren van atriumfibrilleren (AF).

Belang van HRV-monitoring en AF-detectie voor hartpatiënten

Hartslagvariabiliteit

In de tweede helft van de 20e eeuw werd een significante invloed van het autonome zenuwstelsel op cardiovasculaire mortaliteit, inclusief plotselinge hartdood, erkend [10]. Met andere woorden, de hartslag is een indicator van afwijkingen in het autonome zenuwstelsel, en een verandering in de hartslagvariatie is de vroegste voorspeller van veel ziekten.

Het autonome zenuwstelsel is het belangrijkste mechanisme voor het regelen van de hartslag en ritme-regulatie, samen met andere mechanismen zoals pacemakerweefsels. De afhankelijkheid tussen een aanleg voor dodelijke aritmieën en tekenen van verhoogde sympathische activiteit of verminderde activiteit van de nervus vagus wordt aangetoond in experimenten. Dat had op zijn beurt invloed op de ontwikkeling van kwantitatieve markers van de activiteit van het autonome zenuwstelsel, waaronder een van de meest veelbelovende markers is de hartslagvariabiliteit (HRV).

De klinische relevantie van hartslagvariatie werd voor het eerst ontdekt in 1965 door Hon en Lee [11], zoals ze opmerkten, dat foetale nood (veranderingen in de hartslag) voorafging aan de veranderingen in het dynamische bereik van hartintervallen en ontdekten hoe om deze pathologische aandoening te voorkomen. Sindsdien zijn er verschillende onderzoeksprojecten op het gebied van HRV uitgevoerd (Sayers, Ewing, Wolf, Akselrod, enz.), En zijn er veel wetenschappelijke werken gewijd aan de studie van HRV.

Het klinische belang van HRV werd duidelijk aan het einde van de jaren tachtig, toen werd bewezen dat bepaalde HRV-parameters sterke en onafhankelijke voorspellers van mortaliteit na een acuut myocardinfarct zouden kunnen zijn. [12]. HRV kan aanvullende waardevolle informatie verschaffen over fysiologische en pathologische aandoeningen en de risicostratificatie verhogen. In de klinische praktijk wordt de analyse van HRV-gebruik steeds groter. De populariteit van deze techniek stijgt vanwege de hoge voorspellende betekenis van de resultaten met de relatieve eenvoud van de analyse.

Boezemfibrilleren

Boezemfibrilleren (AF) is een van de meest voorkomende aanhoudende hartritmestoornissen in de cardiologische praktijk. Het verhoogt het risico op overlijden, hartfalen, trombo-embolische complicaties (bijv. Beroerte, longembolie) en leidt vaak tot ziekenhuisopname van patiënten [9]. Samen met de vergrijzing van de wereldbevolking en hogere overlevingskansen van chronische ziekten, groeit de prevalentie van atriumfibrilleren (AF) exponentieel [13]. De daarmee samenhangende morbiditeit en mortaliteit maken AF dus tot een aanzienlijke belasting voor de volksgezondheid. Het volksgezondheidsaspect van AF inspireert de drang om risicofactoren voor AF te onderzoeken en de nauwkeurigheid van AF-voorspelling en -beheer te verbeteren. De huidige technologische (bijv. EHealth) en methodologische (kunstmatige intelligentie) vorderingen zijn relevant voor toekomstige ziektepreventie en ziektemanagement.

De schattingen van AF-prevalentie in de Verenigde Staten variëren van ongeveer 2,7 miljoen tot 6,1 miljoen en dat aantal zal naar verwachting stijgen tot 12,1 miljoen in 2030. Volgens een onderzoek uit 2013 bedroeg het geschatte aantal mensen met boezemfibrilleren in 2010 33,5 miljoen. Dat is ongeveer 0,5 procent van de wereldbevolking [2].

Machine Learning in AF-detectie en HRV-analyse

Theoretisch kader

Het meten van hartslagvariaties onthult een breed scala aan informatie over lichaam en gezondheid, zelfs als andere fysiologische parameters nog binnen hun normale of geaccepteerde bereik vallen. Het is wetenschappelijk bewezen dat HRV een van de beste maatregelen is om de ANS-functie (autonoom zenuwstelsel) te testen [1]. HRV-analyse omvat 2 verschillende benaderingen:

• Tijddomein methoden zijn gebaseerd op metingen van RR-intervallen. Tijdsdomein omvat een hele reeks statistieken, elk met een specifieke interpretatie van variabiliteit. Deze maatstaven werden gestandaardiseerd in een rapport van de Task Force van ESC / NASPE in 1996 [3].
• Frequentie domein analyse die de stroomverdeling in het frequentiedomein bestudeert. Het laat zien hoeveel van het signaal binnen een bepaalde frequentieband ligt. Hoge (HF) frequenties tussen 0,15 – 0,40 Hz zijn geassocieerd met parasympathische activiteit (herstel) en lagere frequenties (LF) tussen 0,04 – 0,15 Hz zijn gekoppeld aan zowel sympathische als parasympathische activiteit [4].

Gegevens en methoden

In deze studie wordt AF gedetecteerd met behulp van deep learning-technologieën. Convolutioneel neuraal netwerk (CNN) wordt ingezet voor ECG-classificatie op NO (normaal ritme) en AF. We gebruikten de gegevensset “AF-classificatie van een korte ECG-opname met enkele afleiding – De PhysioNet Computing in Cardiology Challenge 2017” (8528 ECG-monsters) om de prestaties van ons AF-detectiemodel [5, 6] te trainen en te evalueren.

Een van de uitdagingen die we tijdens dit onderzoek hebben opgelost, is het vinden van segmenten op een ECG (mogelijkheid om een ​​signaal te annoteren). Door detectie van QRS-pieken, maar zowel P-golven als T-golven, kunnen we een gedetailleerd rapport over ECG genereren, inclusief lengtegraad- en amplitude-afwijkingen van segmenten. We kunnen ook HRV-statistieken analyseren door RR-intervallen te berekenen.

QT Database is gebruikt voor training van annotatie-algoritmen [7, 6]. QT omvat 105 ECG-opnames van vijftien minuten met twee afleidingen. We gebruiken Hidden Markov Model (HMM) voor ECG-annotatie, dat is getraind op QT Database.