Hartfalen en kunstmatige intelligentie: zelflerend algoritme om tekens te detecteren die onzichtbaar zijn voor het ECG
Hartfalen en kunstmatige intelligentie: een speciaal op kunstmatige intelligentie (AI) gebaseerd computeralgoritme, gemaakt door Mount Sinai-onderzoekers, kon subtiele veranderingen in elektrocardiogrammen (ook bekend als ECG's of ECG's) leren identificeren om te voorspellen of een patiënt hartfalen had
Zelflerende algoritmen herkennen hartfalen
"We hebben aangetoond dat deep-learning algoritmen bloedpompproblemen aan beide zijden van het hart kunnen herkennen aan de hand van ECG-golfvormgegevens", zegt Benjamin S. Glicksberg, PhD, assistent-professor Genetics and Genomic Sciences, een lid van het Hasso Plattner Institute for Digital Health at Mount Sinai, en een senior auteur van de studie gepubliceerd in het Journal of the American College of Cardiology: Cardiovascular Imaging.
"Normaal gesproken vereist het diagnosticeren van dit soort hartaandoeningen dure en tijdrovende procedures.
We hopen dat dit algoritme een snellere diagnose van hartfalen mogelijk zal maken.”
De studie werd geleid door Akhil Vaid, MD, een postdoctoraal onderzoeker die werkt in zowel het Glicksberg-lab, Girish N. Nadkarni, MD, MPH, CPH, universitair hoofddocent geneeskunde aan de Icahn School of Medicine op de berg Sinaï, hoofd van de afdeling Data-Driven and Digital Medicine (D3M), en een senior auteur van de studie.
Bij ongeveer 6.2 miljoen Amerikanen treedt hartfalen of congestief hartfalen op wanneer het hart minder bloed pompt dan het lichaam normaal nodig heeft
Jarenlang hebben artsen sterk vertrouwd op een beeldvormende techniek, een echocardiogram genaamd, om te beoordelen of een patiënt mogelijk hartfalen ervaart.
Hoewel nuttig, kunnen echocardiogrammen arbeidsintensieve procedures zijn die alleen in geselecteerde ziekenhuizen worden aangeboden.
Recente doorbraken in kunstmatige intelligentie suggereren echter dat elektrocardiogrammen - een veelgebruikt elektrisch opnameapparaat - in deze gevallen een snel en gemakkelijk verkrijgbaar alternatief kunnen zijn.
Veel onderzoeken hebben bijvoorbeeld aangetoond hoe een "deep-learning" algoritme zwakte in de linker hartkamer van het hart kan detecteren, die vers zuurstofrijk bloed naar de rest van het lichaam duwt.
In deze studie beschreven de onderzoekers de ontwikkeling van een algoritme dat niet alleen de sterkte van de linker ventrikel beoordeelde, maar ook de rechter ventrikel, die zuurstofarm bloed uit het lichaam opneemt en naar de longen pompt.
“Hoewel het aantrekkelijk is, is het van oudsher een uitdaging voor artsen om ECG's te gebruiken om hartfalen te diagnosticeren.
Dit komt deels omdat er geen vastgestelde diagnostische criteria zijn voor deze beoordelingen en omdat sommige veranderingen in ECG-uitlezingen gewoon te subtiel zijn voor het menselijk oog om te detecteren, "zei Dr. Nadkarni.
"Deze studie is een opwindende stap voorwaarts in het vinden van informatie die verborgen is in de ECG-gegevens, wat kan leiden tot betere screening- en behandelingsparadigma's met behulp van een relatief eenvoudige en algemeen beschikbare test."
Typisch omvat een elektrocardiogram een proces in twee stappen.
Draadgeleiders worden op verschillende delen van de borst van een patiënt geplakt en binnen enkele minuten drukt een speciaal ontworpen, draagbare machine een reeks kronkelende lijnen of golfvormen af, die de elektrische activiteit van het hart vertegenwoordigen.
Deze machines zijn te vinden in de meeste ziekenhuizen en ambulances in de Verenigde Staten en vereisen minimale training om te kunnen werken.
Voor deze studie programmeerden de onderzoekers een computer om elektrocardiogrammen van patiënten te lezen, samen met gegevens die waren geëxtraheerd uit schriftelijke rapporten die de resultaten samenvatten van overeenkomstige echocardiogrammen van dezelfde patiënten.
In deze situatie fungeerden de geschreven rapporten als een standaardset gegevens voor de computer om te vergelijken met de elektrocardiogramgegevens en om te leren hoe zwakkere harten te herkennen.
ECG-APPARATUUR? BEZOEK DE ZOLL-STAND OP EMERGENCY EXPO
Hartfalen: programma's voor het verwerken van natuurlijke taal hielpen de computer om gegevens uit de geschreven rapporten te halen
Ondertussen werden speciale neurale netwerken ingebouwd die patronen in afbeeldingen kunnen ontdekken om het algoritme te helpen pompkrachten te herkennen.
"We wilden de stand van de techniek pushen door AI te ontwikkelen die het hele hart gemakkelijk en goedkoop kan begrijpen", zei Dr. Vaid.
De computer las vervolgens meer dan 700,000 elektrocardiogrammen en echocardiogramrapporten van 150,000 Mount Sinai Health System-patiënten van 2003 tot 2020.
Gegevens van vier ziekenhuizen werden gebruikt om de computer te trainen, terwijl gegevens van een vijfde werden gebruikt om te testen hoe het algoritme zou presteren in een andere experimentele setting.
"Een potentieel voordeel van deze studie is dat het een van de grootste verzamelingen ECG's van een van de meest diverse patiëntenpopulaties ter wereld betrof," zei Dr. Nadkarni.
De eerste resultaten suggereerden dat het algoritme effectief was in het voorspellen welke patiënten gezonde of zeer zwakke linkerventrikels zouden hebben.
Hier werd de sterkte bepaald door de ejectiefractie van het linkerventrikel, een schatting van hoeveel vloeistof het ventrikel met elke slag naar buiten pompt, zoals waargenomen op echocardiogrammen.
Gezonde harten hebben een ejectiefractie van 50 procent of meer, terwijl zwakke harten een ejectiefractie hebben die gelijk is aan of lager is dan 40 procent.
Het algoritme was 94 procent nauwkeurig in het voorspellen welke patiënten een gezonde ejectiefractie hadden en 87 procent nauwkeurig in het voorspellen van degenen met een ejectiefractie die lager was dan 40 procent.
Het algoritme was echter niet zo effectief in het voorspellen welke patiënten een licht verzwakt hart zouden hebben
In dit geval was het programma 73 procent nauwkeurig in het voorspellen van de patiënten met een ejectiefractie tussen 40 en 50 procent.
Verdere resultaten suggereerden dat het algoritme ook leerde zwakheden van de rechterklep te detecteren op basis van de elektrocardiogrammen.
In dit geval werd zwakte gedefinieerd door meer beschrijvende termen uit de echocardiogramrapporten.
Hier was het algoritme 84 procent nauwkeurig in het voorspellen welke patiënten zwakke rechterkleppen hadden.
"Onze resultaten suggereerden dat dit algoritme artsen uiteindelijk kan helpen bij het correct diagnosticeren van falen aan beide zijden van het hart", zei Dr. Vaid.
Ten slotte suggereerde aanvullende analyse dat het algoritme effectief kan zijn in het detecteren van hartzwakte bij alle patiënten, ongeacht ras en geslacht.
"Onze resultaten suggereren dat dit algoritme een nuttig hulpmiddel zou kunnen zijn om klinische beoefenaars te helpen bij het bestrijden van hartfalen bij een verscheidenheid aan patiënten", voegde Dr. Glicksberg eraan toe. "We zijn bezig met het zorgvuldig ontwerpen van prospectieve onderzoeken om de effectiviteit ervan in een meer realistische omgeving te testen."
Deze studie werd ondersteund door de National Institutes of Health (TR001433).
Artikel
Vaid, A., et al., Met behulp van deep learning-algoritmen om tegelijkertijd rechter- en linkerventrikeldisfunctie te identificeren op het elektrocardiogram, Journal of the American College of Cardiology: Cardiovascular Imaging, 13 oktober 2021, DOI: 10.1016/j.jcmg.2021.08.004 .XNUMX.
Lees ook:
Ontstekingen van het hart: myocarditis, infectieuze endocarditis en pericarditis
Hartgeruis: wat het is en wanneer u zich zorgen moet maken?
Het gebroken hartsyndroom neemt toe: we kennen Takotsubo-cardiomyopathie