Выявление систолической дисфункции левого желудочка по единичным

npj Digital Medicine, том 6, Номер статьи: 124 (2023) Цитировать эту статью

2352 Доступа

1 Цитаты

40 Альтметрика

Подробности о метриках

Искусственный интеллект (ИИ) может обнаруживать систолическую дисфункцию левого желудочка (ЛЖЖ) по электрокардиограммам (ЭКГ). Носимые устройства могут обеспечить широкий скрининг на основе искусственного интеллекта, но часто получают зашумленные ЭКГ. Мы сообщаем о новой стратегии, которая автоматизирует обнаружение скрытых сердечно-сосудистых заболеваний, таких как LVSD, адаптированной для шумных ЭКГ в одном отведении, полученных на носимых и портативных устройствах. Мы используем 385 601 ЭКГ для разработки стандартной и адаптированной к шуму модели. В модели, адаптированной к шуму, ЭКГ во время обучения дополняются случайным гауссовым шумом в четырех различных частотных диапазонах, каждый из которых имитирует реальные источники шума. Обе модели сопоставимо работают на стандартных ЭКГ с показателем AUROC 0,90. Адаптированная к шуму модель работает значительно лучше на том же тестовом наборе, дополненном четырьмя отдельными записями реального шума с разными отношениями сигнал/шум (SNR), включая шум, изолированный от ЭКГ портативного устройства. Стандартная и адаптированная к шуму модели имеют AUROC 0,72 и 0,87 соответственно при оценке на ЭКГ, дополненной шумом портативного устройства ЭКГ при SNR 0,5. Этот подход представляет собой новую стратегию разработки портативных инструментов на основе клинических хранилищ ЭКГ.

Систолическая дисфункция левого желудочка (СДЛЖ) связана с более чем 8-кратным увеличением риска сердечной недостаточности и почти с 2-кратным увеличением риска преждевременной смерти1. Ранняя диагностика может эффективно снизить этот риск2,3,4, но ЛЖЖ часто диагностируется только после того, как у пациентов развиваются симптомы заболевания из-за отсутствия эффективных стратегий скрининга5,6,7. Искусственный интеллект (ИИ) может обнаружить систолическую дисфункцию левого желудочка (СДЛЖ) по электрокардиограммам (ЭКГ), диагноз, который традиционно основывается на комплексной эхокардиографии или других изображениях сердца, что требует больших ресурсов и сложно использовать для стратегий обобщенного скрининга8,9. Несмотря на то, что AI-ECG является многообещающим инструментом скрининга для выявления LVSD, алгоритмы были разработаны на основе клинически полученных ЭКГ в 12 отведениях. Достижения в области носимых и портативных технологий теперь позволяют получать сигналы ЭКГ по одному отведению в местах оказания медицинской помощи, прокладывая путь к более эффективным и масштабируемым инструментам скрининга с помощью этих технологий AI-ECG10,11. Эта улучшенная доступность могла бы обеспечить более широкий скрининг LVSD на основе искусственного интеллекта, но надежность таких инструментов ограничена наличием шума в данных, собранных с носимых и портативных устройств12,13. Следовательно, производительность моделей для обнаружения LVSD по ЭКГ портативных устройств может ухудшиться в реальных условиях, с более низкой производительностью, чем наблюдалось в исходных производных с одним отведением в клинических исследованиях14,15.

В отсутствие больших, размеченных наборов данных носимых ЭКГ, разработка алгоритмов, которые могут обнаружить основные структурные заболевания сердца на носимых устройствах, опирается на информацию об одном отведении, специально адаптированную из ЭКГ с 12 отведениями, извлеченных из клинических библиотек ЭКГ. Однако этот процесс конкретно не учитывает уникальные проблемы сбора данных, возникающие при использовании носимых ЭКГ, что, возможно, способствует их нестабильной диагностической эффективности. Действительно, в портативных данных существует несколько источников шума, возникающих из-за таких факторов, как плохой контакт электрода с кожей, движение и сокращение мышц во время ЭКГ, а также внешние электрические помехи16,17,18,19. Этот шум имеет практическое значение, поскольку модели демонстрируют худшие характеристики при тестировании на всех доступных данных ЭКГ, доступных на носимых устройствах, в отличие от выбранных высококачественных подмножеств15. Эта заметная разница в эффективности, основанная на шуме, привела к ограничению программ скрининга на основе носимых устройств, при этом исследование по скринингу фибрилляции предсердий на основе носимых устройств дисквалифицировало 22% пациентов из-за недостаточного качества сигнала12. Учет этого шума является необходимым условием для разработки широко доступных моделей, которые лягут в основу эффективных программ скрининга LVSD в обществе.