Hjärtsvikt och artificiell intelligens: självlärande algoritm för att upptäcka tecken som är osynliga för EKG
Hjärtsvikt och artificiell intelligens: en speciell artificiell intelligens (AI) -baserad datoralgoritm skapad av Mount Sinai-forskare kunde lära sig hur man identifierar subtila förändringar i elektrokardiogram (även känd som EKG eller EKG) för att förutsäga om en patient upplevde hjärtsvikt
Självlärande algoritmer känner igen hjärtsviktsproblem
"Vi visade att djuplärande algoritmer kan känna igen blodpumpningsproblem på båda sidor av hjärtat från EKG-vågformsdata", säger Benjamin S. Glicksberg, doktorand, biträdande professor i genetik och genomvetenskap, medlem av Hasso Plattner Institute for Digital Health på Mount Sinai, och en senior författare till studien publicerad i Journal of the American College of Cardiology: Cardiovascular Imaging.
”Vanligtvis kräver diagnos av denna typ av hjärtsjukdomar dyra och tidskrävande ingrepp.
Vi hoppas att denna algoritm möjliggör snabbare diagnos av hjärtsvikt. ”
Studien leddes av Akhil Vaid, MD, en postdoktor som arbetar i både Glicksberg labby Girish N. Nadkarni, MD, MPH, CPH, docent i medicin vid Icahn School of Medicine vid Mount Sinai, chef för avdelningen för Datadriven och digital medicin (D3M), och en senior författare till studien.
Påverkar cirka 6.2 miljoner amerikaner, hjärtsvikt eller hjärtsvikt uppstår när hjärtat pumpar mindre blod än kroppen normalt behöver
I åratal har läkare starkt förlitat sig på en bildteknik som kallas ekokardiogram för att bedöma om en patient kan uppleva hjärtsvikt.
Även om det är till hjälp kan ekokardiogram vara arbetsintensiva ingrepp som endast erbjuds på utvalda sjukhus.
De senaste genombrotten inom artificiell intelligens tyder dock på att elektrokardiogram - en allmänt använd elektrisk inspelningsenhet - kan vara ett snabbt och lättillgängligt alternativ i dessa fall.
Till exempel har många studier visat hur en algoritm för "djupinlärning" kan upptäcka svaghet i hjärtats vänstra kammare, vilket driver ut nysyresatt blod till resten av kroppen.
I denna studie beskrev forskarna utvecklingen av en algoritm som inte bara bedömde styrkan i vänster kammare utan också höger kammare, vilket tar deoxygenerat blod som strömmar in från kroppen och pumpar det till lungorna.
”Även om det tilltalande, har det traditionellt varit utmanande för läkare att använda EKG för att diagnostisera hjärtsvikt.
Detta beror delvis på att det inte finns några etablerade diagnostiska kriterier för dessa bedömningar och på att vissa förändringar i EKG-avläsningarna helt enkelt är för subtila för det mänskliga ögat att upptäcka, säger Dr. Nadkarni.
"Denna studie representerar ett spännande steg framåt för att hitta information gömd i EKG-data som kan leda till bättre screening- och behandlingsparadigm med hjälp av ett relativt enkelt och allmänt tillgängligt test."
Normalt innebär ett elektrokardiogram en tvåstegsprocess.
Trådkablar är tejpade på olika delar av en patients bröst och inom några minuter skriver en specialdesignad, bärbar maskin ut en serie snirkliga linjer, eller vågformer, som representerar hjärtats elektriska aktivitet.
Dessa maskiner finns på de flesta sjukhus och ambulanser i hela USA och kräver minimal utbildning för att fungera.
För denna studie programmerade forskarna en dator för att läsa patientelektrokardiogram tillsammans med data som extraherats från skriftliga rapporter som sammanfattar resultaten av motsvarande ekokardiogram tagna från samma patienter.
I den här situationen fungerade de skriftliga rapporterna som en standarduppsättning data för datorn att jämföra med elektrokardiogramdata och lära sig hur man upptäcker svagare hjärtan.
EKG -UTRUSTNING? BESÖK ZOLL -STÅLEN PÅ NÖD EXPO
Hjärtsvikt: program för bearbetning av naturligt språk hjälpte datorn att extrahera data från de skrivna rapporterna
Samtidigt införlivades speciella neurala nätverk som kunde upptäcka mönster i bilder för att hjälpa algoritmen att lära sig känna igen pumpstyrkor.
"Vi ville driva den senaste tekniken genom att utveckla AI som kan förstå hela hjärtat enkelt och billigt", säger Dr Vaid.
Datorn läste sedan mer än 700,000 150,000 elektrokardiogram och ekokardiogramrapporter från 2003 2020 Mount Sinai Health System -patienter från XNUMX till XNUMX.
Data från fyra sjukhus användes för att träna datorn, medan data från en femte användes för att testa hur algoritmen skulle fungera i en annan experimentell miljö.
"En potentiell fördel med denna studie är att den involverade en av de största samlingarna av EKG från en av de mest olika patientpopulationerna i världen", säger Dr. Nadkarni.
De första resultaten antydde att algoritmen var effektiv för att förutsäga vilka patienter som antingen skulle ha friska eller mycket svaga vänstra kammare.
Här definierades styrkan av utkastningsfraktion av vänster kammare, en uppskattning av hur mycket vätska ventrikeln pumpar ut med varje slag som observerats på ekokardiogram.
Friska hjärtan har en utkastningsfraktion på 50 procent eller högre medan svaga hjärtan har sådana som är lika med eller under 40 procent.
Algoritmen var 94 procent korrekt för att förutsäga vilka patienter som hade en hälsosam utkastningsfraktion och 87 procent noggrann för att förutsäga dem som hade en utkastningsfraktion som var under 40 procent.
Men algoritmen var inte lika effektiv för att förutsäga vilka patienter som skulle ha något försvagade hjärtan
I det här fallet var programmet 73 procent korrekt för att förutsäga de patienter som hade en utkastningsfraktion som var mellan 40 och 50 procent.
Ytterligare resultat tyder på att algoritmen också lärde sig att upptäcka svagheter i höger ventil från elektrokardiogrammen.
I detta fall definierades svaghet av mer beskrivande termer extraherade från ekokardiogramrapporterna.
Här var algoritmen 84 procent korrekt för att förutsäga vilka patienter som hade svaga högerventiler.
"Våra resultat tyder på att denna algoritm så småningom kan hjälpa läkare att korrekt diagnostisera misslyckande på vardera sidan av hjärtat", säger Dr Vaid.
Slutligen föreslog ytterligare analys att algoritmen kan vara effektiv för att upptäcka hjärtsvaghet hos alla patienter, oavsett ras och kön.
"Våra resultat tyder på att denna algoritm kan vara ett användbart verktyg för att hjälpa kliniker att bekämpa hjärtsvikt som drabbas av en mängd olika patienter", tillade Dr Glicksberg. "Vi håller på att noggrant utforma prospektiva tester för att testa dess effektivitet i en mer verklig miljö."
Denna studie stöddes av National Institutes of Health (TR001433).
Artikeln
Vaid, A., et al., Använda algoritmer för djupinlärning för att samtidigt identifiera dysfunktion av höger och vänster kammare från elektrokardiogrammet, Journal of the American College of Cardiology: Cardiovascular Imaging, 13 oktober 2021, DOI: 10.1016/j.jcmg.2021.08.004 .XNUMX.
Läs också:
Hjärtinflammationer: Myokardit, infektiös endokardit och perikardit
Hjärtmummor: Vad det är och när man ska oroa sig
Trasigt hjärtsyndrom är på uppgång: Vi känner till Takotsubo kardiomyopati