심부전 및 인공 지능: ECG에 보이지 않는 징후를 감지하는 자가 학습 알고리즘

심부전 및 인공 지능: Mount Sinai 연구원이 만든 특수 인공 지능(AI) 기반 컴퓨터 알고리즘은 심전도(ECG 또는 EKG라고도 함)의 미묘한 변화를 식별하여 환자가 심부전을 겪고 있는지 여부를 예측하는 방법을 배울 수 있었습니다.

자가 학습 알고리즘은 심부전 문제를 인식합니다.

Hasso Plattner 디지털 연구소의 일원인 유전 및 유전체 과학 조교수인 Benjamin S. Glicksberg 박사는 "딥 러닝 알고리즘이 ECG 파형 데이터에서 심장 양쪽의 혈액 펌핑 문제를 인식할 수 있음을 보여주었습니다."라고 말했습니다. The Health at Mount Sinai, 그리고 Journal of the American College of Cardiology: Cardiovascular Imaging에 발표된 연구의 선임 저자입니다.

“일반적으로 이러한 유형의 심장 상태를 진단하려면 비용과 시간이 많이 소요되는 절차가 필요합니다.

이 알고리즘을 통해 심부전을 더 빨리 진단할 수 있기를 바랍니다.”

이 연구는 Glicksberg 연구실인 Girish N. Nadkarni, MD, MPH, CPH, Mount Sinai의 Icahn School of Medicine 부교수이자 의과대학 학과장인 박사후 연구원인 Akhil Vaid가 주도했습니다. 데이터 기반 및 디지털 의학(D3M) 및 이 연구의 수석 저자입니다.

약 6.2만 명의 미국인에게 영향을 미치는 심부전 또는 울혈성 심부전은 심장이 신체가 정상적으로 필요로 하는 것보다 적은 양의 혈액을 펌프질할 때 발생합니다.

수년 동안 의사들은 환자가 심부전을 겪고 있는지 여부를 평가하기 위해 심초음파라는 영상 기술에 크게 의존해 왔습니다.

도움이 되지만 심초음파는 일부 병원에서만 제공되는 노동 집약적인 절차가 될 수 있습니다.

그러나 최근 인공 지능의 발전은 널리 사용되는 전기 기록 장치인 심전도가 이러한 경우에 빠르고 쉽게 사용할 수 있는 대안이 될 수 있음을 시사합니다.

예를 들어, 많은 연구에서 "딥 러닝" 알고리즘이 어떻게 심장의 좌심실의 약점을 감지할 수 있는지 보여주었습니다. 좌심실은 새로 산소가 공급된 혈액을 신체의 나머지 부분으로 밀어냅니다.

이 연구에서 연구원들은 좌심실의 강도를 평가할 뿐만 아니라 신체에서 유입되는 탈산소화된 혈액을 폐로 펌핑하는 우심실의 강도를 평가하는 알고리즘의 개발을 설명했습니다.

“매력적이긴 하지만 전통적으로 의사가 심부전을 진단하기 위해 ECG를 사용하는 것은 어려운 일이었습니다.

이것은 부분적으로 이러한 평가에 대해 확립된 진단 기준이 없고 ECG 판독값의 일부 변화가 인간의 눈으로 감지하기에는 너무 미묘하기 때문입니다.”라고 Nadkarni 박사가 말했습니다.

"이 연구는 비교적 간단하고 널리 이용 가능한 테스트를 사용하여 더 나은 스크리닝 및 치료 패러다임으로 이어질 수 있는 ECG 데이터 내에 숨겨진 정보를 찾는 데 있어 흥미로운 진전을 나타냅니다."

일반적으로 심전도는 XNUMX단계 과정을 포함합니다.

와이어 리드는 환자의 가슴의 다른 부분에 테이프로 붙이고 몇 분 안에 특별히 설계된 휴대용 기계가 심장의 전기적 활동을 나타내는 일련의 구불구불한 선 또는 파형을 인쇄합니다.

이 기계는 대부분의 병원과 구급차 미국 전역에서 운영되며 최소한의 교육만 필요합니다.

이 연구를 위해 연구원들은 동일한 환자에게서 채취한 해당 심장 초음파의 결과를 요약한 서면 보고서에서 추출한 데이터와 함께 환자의 심전도를 읽도록 컴퓨터를 프로그래밍했습니다.

이 상황에서 서면 보고서는 컴퓨터가 심전도 데이터와 비교하고 약한 심장을 찾는 방법을 배울 수 있는 표준 데이터 세트 역할을 했습니다.

ECG 장비? 비상 박람회에서 ZOLL 부스를 방문하십시오

심부전: 자연어 처리 프로그램은 컴퓨터가 작성된 보고서에서 데이터를 추출하는 데 도움이 되었습니다.

한편, 알고리즘이 펌핑 강도를 인식하는 법을 배우도록 돕기 위해 이미지에서 패턴을 발견할 수 있는 특수 신경망이 통합되었습니다.

Vaid 박사는 “심장 전체를 쉽고 저렴하게 이해할 수 있는 AI를 개발하여 최첨단 기술을 선보이고 싶었다”고 말했다.

그런 다음 컴퓨터는 700,000년부터 150,000년까지 Mount Sinai Health System 환자 2003명으로부터 얻은 2020개 이상의 심전도 및 심초음파 보고서를 읽습니다.

XNUMX개 병원의 데이터는 컴퓨터를 훈련하는 데 사용되었으며 다섯 번째 병원의 데이터는 다른 실험 환경에서 알고리즘이 어떻게 수행되는지 테스트하는 데 사용되었습니다.

Nadkarni 박사는 "이 연구의 잠재적인 이점은 세계에서 가장 다양한 환자 집단 중 하나에서 가장 큰 ECG 컬렉션 중 하나를 포함한다는 것입니다."라고 말했습니다.

초기 결과는 알고리즘이 어떤 환자가 좌심실이 건강하거나 매우 약한지를 예측하는 데 효과적임을 시사했습니다.

여기서 강도는 좌심실 박출률로 정의되며, 이는 심초음파에서 관찰된 바와 같이 각 박동에서 심실이 펌프로 내보내는 체액의 양을 추정한 것입니다.

건강한 심장은 박출률이 50% 이상이고 약한 심장은 40% 이하입니다.

알고리즘은 어떤 환자가 건강한 박출률을 가지고 있는지 예측하는 데 94% 정확하고 87% 미만인 박출률을 가진 환자를 예측하는 데 40% 정확했습니다.

심장 보호 및 심폐 소생술? 지금 비상 박람회에서 EMD112 부스를 방문하여 자세히 알아보십시오.

그러나 알고리즘은 심장이 약간 약해진 환자를 예측하는 데 효과적이지 않았습니다.

이 경우 프로그램은 73~40% 사이의 박출률을 가진 환자를 예측하는 정확도가 50%였습니다.

추가 결과는 알고리즘이 심전도에서 오른쪽 판막 약점을 감지하는 방법도 학습했음을 시사했습니다.

이 경우, 약점은 심장초음파 보고서에서 추출한 보다 설명적인 용어로 정의되었습니다.

여기서 알고리즘은 오른쪽 판막이 약한 환자를 예측하는 데 84% 정확했습니다.

Vaid 박사는 "우리의 결과는 이 알고리즘이 결국 의사가 심장 양쪽의 부전을 정확하게 진단하는 데 도움이 될 수 있음을 시사했습니다."라고 말했습니다.

마지막으로 추가 분석은 알고리즘이 인종과 성별에 관계없이 모든 환자에서 심장 쇠약을 감지하는 데 효과적일 수 있음을 시사했습니다.

Glicksberg 박사는 "우리의 결과는 이 알고리즘이 임상의가 다양한 환자가 겪는 심부전을 퇴치하는 데 도움이 되는 유용한 도구가 될 수 있음을 시사합니다."라고 덧붙였습니다. "우리는 보다 실제 환경에서 그 효과를 테스트하기 위해 전향적 시험을 신중하게 설계하는 과정에 있습니다."

이 연구는 국립 보건원(TR001433)의 지원을 받았습니다.

기사

Vaid, A., et al., 심전도에서 우심실 및 좌심실 기능 장애를 동시에 식별하기 위해 딥 러닝 알고리즘 사용, Journal of the American College of Cardiology: Cardiovascular Imaging, 13년 2021월 10.1016일, DOI: 2021.08.004/j.jcmg.XNUMX .XNUMX.

읽기 :

심장의 염증: 심근염, 감염성 심내막염 및 심낭염

마음의 속삭임: 그것이 무엇이며 언제 염려해야 하는지

상심 증후군이 증가하고 있습니다: 우리는 Takotsubo 심근병증을 알고 있습니다

출처:

마운트 시나이

아래 ICO도 확인해 보세요