Сигнал электрокардиограммы (ЭКГ) является мощным источником данных для изучения функции сердца и диагностики нескольких аномальных аритмий. В этой статье инженер Exposit по машинному обучению Артем Ходаков и аналитик и медицинский советник MedRecord Елена Ростовцева рассказывают, как методы машинного обучения и глубокого обучения могут помочь в анализе вариабельности сердечного ритма (ВСР) и обнаружении фибрилляции предсердий (ФП).

Важность мониторинга ВСР и выявления ФП у кардиологических больных

Вариабельность сердечного ритма

Во второй половине 20 века было признано значительное влияние вегетативной нервной системы на смертность от сердечно-сосудистых заболеваний, в том числе внезапную сердечную смерть [1]. Другими словами, частота сердечных сокращений является индикатором аномалий вегетативной нервной системы, а изменение вариабельности сердечного ритма является самым ранним предиктором многих заболеваний.

Вегетативная нервная система является основным механизмом, контролирующим частоту сердечных сокращений и регуляцию ритма, наряду с другими механизмами, такими как ткани водителя ритма. В экспериментах подтверждается зависимость между предрасположенностью к летальным аритмиям и признаками повышенной симпатической активности или пониженной активности блуждающего нерва. Это, в свою очередь, повлияло на развитие количественных маркеров активности вегетативной нервной системы, в том числе одного из наиболее многообещающих маркеров - вариабельности сердечного ритма (ВСР).

Клиническая значимость вариабельности сердечного ритма была впервые обнаружена в 1965 году Хоном и Ли [2], поскольку они отметили, что дистресс плода (изменения частоты сердечных сокращений) предшествовали изменениям в динамическом диапазоне сердечных интервалов, и выяснили, как предотвратить это патологическое состояние. С тех пор были выполнены различные исследовательские проекты по ВСР (Сейерс, Юинг, Вольф, Аксельрод и др.), И многие научные работы были посвящены изучению ВСР.

Клиническая важность ВСР стала очевидной в конце 1980-х годов, когда было доказано, что определенные параметры ВСР могут быть сильными и независимыми предикторами смертности после острого инфаркта миокарда [3]. ВСР может предоставить дополнительную ценную информацию о физиологических и патологических состояниях и повысить стратификацию риска. В клинической практике все чаще проводится анализ использования ВСР. Популярность этого метода растет из-за высокой прогностической значимости результатов при относительной простоте их анализа.

Мерцание предсердий

Фибрилляция предсердий (ФП) - одна из наиболее распространенных стойких аритмий сердца в кардиологической практике. Это увеличивает риск смерти, сердечной недостаточности, тромбоэмболических осложнений (например, инсульт, тромбоэмболия легочной артерии) и часто приводит к госпитализации пациентов [4].

Наряду с глобальным старением населения и увеличением выживаемости от хронических заболеваний распространенность фибрилляции предсердий (ФП) растет в геометрической прогрессии [5]. Таким образом, связанные с этим заболеваемость и смертность делают ФП серьезным бременем для общественного здравоохранения. Аспект ФП, связанный с общественным здоровьем, побуждает исследовать факторы риска ФП и повышать точность прогнозирования и лечения ФП. Текущие технологические (например, электронное здравоохранение) и методологические (искусственный интеллект) достижения актуальны для будущей профилактики заболеваний и управления ими.

Оценки распространенности ФП в США колеблются от 2,7 миллиона до 6,1 миллиона, и ожидается, что это число вырастет до 12,1 миллиона в 2030 году. По данным исследования 2013 года, примерное количество людей с фибрилляцией предсердий в мире в 2010 году составило 33,5 миллиона. Это примерно 0,5 процента населения мира.

Машинное обучение в обнаружении ФП и анализе ВСР

Теоретическая основа

Измерение вариаций частоты сердечных сокращений позволяет получить широкий спектр информации о теле и здоровье, даже если другие физиологические параметры все еще находятся в своих нормальных или допустимых диапазонах. Было научно доказано, что ВСР является одним из лучших показателей для проверки функции ВНС (вегетативной нервной системы). Анализ ВСР включает 2 разных подхода:

  • Методы временной области основаны на измерениях RR-интервалов. Временная область включает в себя целый ряд показателей, каждая из которых имеет определенную интерпретацию изменчивости. Эти показатели были стандартизированы в отчете Рабочей группы ESC / NASPE в 1996 году.
  • Анализ частотной области, который изучает распределение мощности в частотной области. Он показывает, какая часть сигнала находится в определенной полосе частот. Высокие (HF) частоты в диапазоне 0,15–0,40 Гц связаны с парасимпатической активностью (восстановлением), а более низкие частоты (LF) в диапазоне 0,04–0,15 Гц связаны как с симпатической, так и с парасимпатической активностью.

Данные и методы

В этом исследовании AF выявляется с помощью технологий глубокого обучения. Сверточная нейронная сеть (CNN) используется для классификации ЭКГ на NO (нормальный ритм) и AF. Мы использовали набор данных Классификация AF на основе короткой записи ЭКГ в одном отведении - The PhysioNet Computing in Cardiology Challenge 2017 (8528 образцов ЭКГ) для обучения и оценки производительности нашей модели обнаружения AF [5, 6].

Одна из задач, которую мы решили в ходе этого исследования, - это поиск сегментов на ЭКГ (способность аннотировать сигнал). Обнаружение пиков QRS, а также зубцов P и T позволяет нам создать подробный отчет об ЭКГ, включая аномалии долготы и амплитуды сегментов. Мы также можем анализировать показатели ВСР, вычисляя интервалы RR.

База данных QT использовалась для обучения алгоритму аннотации. QT включает 105 пятнадцатиминутных записей ЭКГ в двух отведениях. Мы используем скрытую марковскую модель (HMM) для аннотации ЭКГ, которая была обучена в базе данных QT.

Результаты исследования

Для каждой модели машинного обучения существует 2 формата вывода:

  • Чистые данные (в JSON, XML или двоичном формате), которые можно использовать в запросах API для дальнейшего анализа или визуализации.
  • Визуализированные данные, полученные с использованием графических библиотек Python.

Результаты сегментации ЭКГ и измерения ВСР содержат аннотированный сигнал с местоположениями пиков QRS во времени и список параметров ВСР. В зависимости от формата вывода он может быть предоставлен как объект JSON или распечатан и сохранен как аннотированный сигнал (рисунок 1) и таблица с параметрами (рисунок 2).

Ниже представлены результаты обучения модели AF. Модель обучена классифицировать входные данные ЭКГ на два класса: один с фибрилляцией предсердий (метка «AF»), а другой - нет (метка «NO»).

Производительность модели вы можете увидеть на рисунке ниже (Рисунок 3). В верхней части таблицы представлена ​​статистика обучения на уровне класса. Он включает в себя точность (положительная прогностическая ценность, PPV), отзывчивость (чувствительность), балл F1 (показатель точности теста) и поддержку (количество выборок). Мы тестируем нашу модель на наборе данных, который никогда не использовался в процессе обучения, чтобы обеспечить надежные оценки и объективную оценку эффективности модели: значение F1 0,9 означает, что 90% ЭКГ AF были классифицированы правильно.

Ссылки

  • [1] Корр ПБ, Ямада К.А., Витковски Ф.С. Механизмы, контролирующие вегетативную функцию сердца и их связь с аритмогенезом. В: Fozzard HA, Haber E, Jennings RB, Katz AN, Morgan HE, ред. Сердце и сердечно-сосудистая система. Нью-Йорк: Raven Press, 1986: 1343–1403.
  • [2] Hon EH, Lee ST. Электронные оценки частоты сердечных сокращений плода, предшествующие его смерти, дальнейшие наблюдения. Am J Obstet Gynec 1965; 87: 814–26.
  • [3] Буй Мин Зиеп, Таратухин Э. Возможность анализа вариабельности сердечного ритма. Российский кардиологический журнал № 6/2011.
  • [4] Патель Н.Дж., Дешмук А., Пант С. и др. Современные тенденции госпитализации по поводу фибрилляции предсердий в США с 2000 по 2010 год: значение для планирования здравоохранения. Тираж. 2014 июн; 129 (23): 2371–9.
  • [5] Елена Корней, Кристин С. Бёршель, Эмелия Дж. Бенджамин, Ренате Б. Шнабель. Эпидемиология мерцательной аритмии в 21 веке. 2020 г.