Анализ результатов ЭКГ искусственным интеллектом

Электрокардиография (ЭКГ) была внедрена в клиническую практику более 100 лет назад и не потеряла своей актуальности на настоящий момент. Доступное и недорогое исследование позволяет оценить работу сердца при широком круге заболеваний, не прибегая к инвазивным процедурам¹.

Передовые технологии могут изменить наши привычные представления о диагностических возможностях этого метода. Цифровые алгоритмы на основе искусственного интеллекта (ИИ) помогают извлечь из кардиограммы больше информации, чем это возможно при расшифровке человеком. Благодаря вычислительным методам клиницист получает ценные сведения о состоянии организма на основе электрических потенциалов сердца.

Для каких целей используется ИИ при ЭКГ

Искусственный интеллект позволяет повысить точность решений различных диагностических задач:

• Обнаружение и классификация аритмий. ИИ анализирует записи ЭКГ и осуществляет их классификацию, выявляя характерные признаки нарушенного ритма².

• Помощь в случае острых патологий. Исходы ряда заболеваний (фибрилляция предсердий, инфаркт миокарда) определяются временем, затраченным на диагностику и начало лечения. ИИ позволяет сократить интервал между появлением первых клинических симптомов и оказанием медицинской помощи³.

• Повышение приоритета неинвазивной диагностики. Выявление сердечных заболеваний часто связано с забором крови: определение сердечных маркеров при инфаркте миокарда⁴, содержания электролитов в сыворотке при метаболических расстройствах⁵. ИИ повышает значимость электрокардиографии как альтернативного и безопасного метода.

• Обработка записей низкого качества. Алгоритмы эффективно работают с сигналами, содержащими шумы и другие артефакты. Это снижает зависимость клинициста от качества оборудования и возможных ошибок при снятии ЭКГ. Врачу не нужно повторно проводить процедуру, что сохраняет ценное время⁶.

• Мониторинг работы сердца. ИИ может быть интегрированы в кардиосервисы, чтобы обеспечить точную обработку записей и своевременное выявление патологий⁷.

• Прогнозирование в кардиологии. Нейросети позволяют заглянуть вперёд и определить вероятность заболевания сердца. Анализ электрофизиологических сигналов помогает оценить сердечно-сосудистые риски, например, в случае атеросклероза⁸. Применение технологий особенно актуально в случае записей, которые кажутся нормальными при обычной оценке. Важно выявить тревожные признаки «скрытых» патологий, например, фибрилляции предсердий⁹.

Распознавание ритмов ЭКГ

Мерцательная аритмия, или фибрилляция предсердий (ФП), — это нерегулярный и учащённый сердечный ритм. Возможные последствия ФП — инсульт или сердечная недостаточность¹⁰.

Учёные из Китая ведут работу по улучшению мониторинга этого нарушения ритма. Широкие возможности для распознавания патологии предоставляет ИИ: нейронная сеть смогла распознать признаки ФП на электрокардиограмме с точностью, чувствительностью и специфичностью, превышающими 99%¹¹.

Обучающий датасет включил 16 557 записей ЭКГ в 12 отведениях, которые предоставили несколько больниц. Метод, основанный на глубоком обучении, тестировался на 3312 кардиограммах¹¹.

Классификация аритмии

Учёные из Стэнфордского университета и Калифорнийского университета в Сан-Франциско представили глубокую нейронную сеть для автоматического обнаружения и классификации аритмии. ИИ способен распознать 12 классов ритмов даже для необработанных данных электрокардиографии. Обучение проводилось с использованием 91 232 ЭКГ в одном отведении для 53 549 пациентов¹².

Алгоритм способен прогнозировать изменения ритма примерно раз в секунду. Тестовый набор включил 328 уникальных электрокардиограмм, которые были описаны врачами-кардиологами. Чувствительность и специфичность алгоритмов почти во всех случаях оказалась больше 90%¹².

Исследователи оценили, насколько точно разработанный ИИ определяет нарушение ритма по ЭКГ. Для оценки использовался показатель F1 — среднее гармоническое точности и полноты классификации. Средний показатель F1 для нейронной сети составил 0,837¹².

Разработка учёных из Тайвани классифицирует дополнительный диагностический паттерн. Наряду с 12 классами ритма ИИ также выявляет признаки инфаркта миокарда с подъёмом сегмента ST. Точность распознавания жизнеугрожающего состояния на ЭКГ оценивалась по специальному статистическому показателю — площади под кривой AUC. В ходе тестирования искусственный интеллект показал следующие результаты³:

• в случае одиночной маркировки острого инфаркта миокарда, когда патология в кардиограмме появляется отдельно, — 0,9962;

• в случае множественной маркировки, когда признаки ИМ сочетались с другими нарушениями ритма, — 0,9375.

Авторы отмечают, что метод поможет правильно расставить приоритеты оказания помощи у пациентов с болью в груди³.

Практика применения ИИ в расшифровке ЭКГ

Гипертрофия левого желудочка (ГЛЖ) представляет собой увеличение массы левого желудочка (ЛЖ) сердца. При этом увеличиваются размеры сердечных клеток — кардиомиоцитов. Прогрессирующая ГЛЖ может привести к нарушению функции ЛЖ и развитию сердечной недостаточности¹³. Своевременное выявление и лечение патологии улучшает прогноз у пациентов из группы риска¹⁴.

Учёные из Республики Корея разработали алгоритм для выявления ГЛЖ по данным ЭКГ. Результаты тестирования опубликованы в научном журнале Nature Communications. Эффективность алгоритма ИИ на основе глубокого обучения сравнивалась с возможностями аппаратной интерпретации электрокардиограмм и экспертными заключениями врача-кардиолога¹⁴:

• Алгоритм электрокардиографа: оценивал вероятность патологии сердца по четырём уровням: нет ГЛЖ, рассмотрим ГЛЖ, вероятная ГЛЖ и ГЛЖ.

• Кардиолог: ставил диагноз на основании клинических данных и результатов ЭКГ: критерий Соколова-Лайона, Ромхильта-Эстеса и Корнельский вольтажный индекс. Дополнительно рассматривалась демографическая информация: пол, возраст, рост и вес.

• Алгоритм на основе ИИ: исследовал как демографические признаки, так и характеристики ЭКГ: частота сердечных сокращений, зубцы и интервалы. В анализ также были включены необработанные электрокардиосигналы.

Исследование проводилось на базе двух больниц для более 21 тысячи пациентов. Характеристика качества классификации AUC для нейронной сети составила 0,880 и 0,868 для проверок в двух больницах. При той же специфичности алгоритм ИИ превысил чувствительность критерия Соколова-Лайона и аппаратной интерпретации на 177,7% и 143,8% соответственно¹⁴.

Американские учёные из Медицинской школы Уэйк-Форэст и Чикагского университета Лойолы разработали модель прогнозирования сердечной недостаточности (СН) на основе данных ЭКГ¹⁵.

Для этого использовались данные проспективного эпидемиологического исследования ARIC по изучению атеросклероза. Протестировать работу ИИ помогли отобранные сведения о первом посещении 14 613 пациентов с 1987 по 1989 год. Полученный прогноз проверялся подтверждёнными эпизодами СН у 5,5% пациентов в течение 10 лет¹⁵.

Достоверность предсказаний ИИ сравнивалась с калькуляторами риска сердечной недостаточности ARIC и Framingham Heart Study (FHS). Модели ARIC и FHS предсказывают вероятность заболевания на основе многих клинических факторов, включая¹⁵:

• пол;

• возраст;

• индекс массы тела;

• систолическое артериальное давление и ЧСС;

• наличие сахарного диабета;

• наличие сердечно-сосудистых заболеваний: гипертрофии левого желудочка, клапанной болезни сердца.

Разработанный алгоритм ИИ исходно анализировал только ЭКГ в 12 отведениях¹⁵.

Показатель AUC для калькуляторов риска СН ARIC и FHS составил 0,802 и 0,780. Нейросеть, используя только данные электрокардиограммы, показала сравнимый результат — 0,756. Учёным удалось улучшить её до 0,818, включив в анализ клинические факторы¹⁵.

Авторы отмечают ценность электрокардиографии в прогнозировании СН как недорогого и доступного метода. Опираясь на её данные, нейронная сеть способна с высокой точностью предсказывать новые эпизоды заболевания в будущем¹⁵.

Повышенный уровень калия в крови — гиперкалиемия — часто протекает бессимптомно и может привести к опасным для жизни нарушениям ритма. Проблеме эффективного мониторинга гиперкалиемии посвящён совместный проект клиники Майо и компании AliveCor, занимающейся передовыми технологиями в кардиологии¹⁶.

Нейронная сеть была обучена на более 1,6 миллиона ЭКГ для примерно 450 000 пациентов с хронической болезнью почек (ХБП), у которых встречается повышенный уровень калия. Связанные с этим кардиотоксические эффекты проявляются на кардиограмме. Модель на основе глубокого обучения с высокой точностью классифицировала эти изменения: показатель AUC составил от 0,853 до 0,901¹⁶.

Исследователи отмечают ряд преимуществ разработанного ИИ в клинических условиях¹⁶:

• алгоритм может применяться в скрининг-диагностике гиперкалиемии;

• метод достоверно определяет уровень калия без проведения забора крови;

• оперативный мониторинг электролитного состава крови позволяет вовремя скорректировать терапию и не допустить фатальных осложнений.

ЭКГ-анализ с применением ИИ благодаря ускоренной обработке записей востребован в условиях реанимации, когда необходимо быстро помочь тяжёлым пациентам. Короткое ЭКГ от компании СберМедИИ призван оптимизировать работу бригад СМП и ФАП и улучшить выявление сердечно-сосудистых патологий.

Алгоритм работы сервиса:

1. Врач загружает данные электрокардиографии.

2. ИИ проводит анализ и выявляет возможные нарушения ритма и другие признаки заболеваний сердца.

3. Результаты видны врачам-специалистам, СМП и ФАП, имеющим доступ к сервису.

4. Подключённый специалист принимает вызов и проводит онлайн-консультацию по видеосвязи. При отправке медицинских документов они подтверждаются электронно-цифровой подписью.

По мере поступления новых данных нейронная сеть автоматически повышает точность решений. Получить качественную медицинскую помощь можно независимо от местонахождения: достаточно иметь доступ к онлайн-сервису через рабочий или домашний компьютер.

Новые подходы, основанные на методах машинного обучения, позволяют улучшить классический метод диагностики сердечно-сосудистых патологий. ИИ не только автоматизирует и ускоряет процесс обработки кардиограмм, но и устраняет возможные расхождения при интерпретации результатов.

Источники

1. Бойл Н.Г., Вохра Дж.К. Непреходящая роль электрокардиограммы как диагностического инструмента в кардиологии. J Am Coll Cardiol. 2017 4 апреля; 69 (13): 1704-1706. doi: 10.1016/j.jacc.2017.01.036.

2. Нагараджан В.Д., Ли С.Л., Робертус Дж.Л., Ниенабер К.А., Траянова Н.А., Эрнст С. Искусственный интеллект в диагностике и лечении аритмий. Eur Heart J. 2021 7 октября; 42 (38): 3904-3916. doi: 10.1093/eurheartj/ehab544.

3. Куан-Ченг Чанг, По-Синь Се, Мей-Яо Ву и др. Полезность искусственного интеллекта с несколькими метками для выявления нарушений ритма и острого инфаркта миокарда с подъемом сегмента ST на электрокардиограмме в 12 отведениях, European Heart Journal — Digital Health. 2021 июнь; 2(2):299–310. doi: 10.1093/ehjdh/ztab029.

4. Чжао И, Цзин С, Хоу Ян и др. Раннее выявление ST- сегмент приподнятого инфаркта миокарда с помощью искусственного интеллекта с электрокардиограммой в 12 отведениях. Int J Кардиол. 2020 15 октября;317:223-230. doi: 10.1016/j.ijcard.2020.04.089.

5. Квон ДМ., Юнг МС., Кён ХК и др. Искусственный интеллект для обнаружения дисбаланса электролитов с помощью электрокардиографии. Ann Noninvasive Electrocardiol. 2021 май; 26(3):e12839. doi: 10.1111/anec.12839.

6. Цю Л., Цай В., Чжан М. Двухэтапное шумоподавление сигнала ЭКГ на основе глубокой сверточной сети. Physiol Meas.2021 9 декабря; 42 (11). doi: 10.1088/1361-6579/ac34ea.

7. Аттиа З.И., Носеворти П.А., Лопес-Хименес Ф. и др. Алгоритм ЭКГ с искусственным интеллектом для выявления пациентов с фибрилляцией предсердий во время синусового ритма: ретроспективный анализ прогнозирования исхода. Lancet. 7 сентября 2019 г.; 394 (10201): 861-867. doi: 10.1016/S0140-6736(19)31721-0.

8. Амбале-Венкатеш Б., Ян X, Ву К.О. и др. Прогнозирование сердечно-сосудистых событий с помощью машинного обучения: многоэтническое исследование атеросклероза. Circ Res. 2017 13 октября;121(9):1092-1101. doi: 10.1161/CIRCRESAHA.117.311312.

9. Христопулос Г., Графф-Рэдфорд Дж., Лопес К.Л. и др. Искусственный интеллект-электрокардиография для прогнозирования возникновения мерцательной аритмии: популяционное исследование. Circ Arrhythm Electrophysiol. 2020 декабрь;13(12):e009355. doi: 10.1161/CIRCEP.120.009355.

10. Баман Дж. Р., Пассман Р. С. Мерцательная аритмия. JAMA. 2021 1 июня; 325(21):2218. дои: 10.1001/jama.2020.23700.

11. Кай В., Чен Ю., Го Ц. и др. Точное обнаружение мерцательной аритмии по ЭКГ в 12 отведениях с использованием глубокой нейронной сети. Comput Biol Med. 2020 янв;116:103378. doi: 10.1016/j.compbiomed.2019.103378.

12. Ханнун А.Ю., Раджпуркар П., Хагпанахи М. и др. Обнаружение и классификация аритмий на уровне кардиолога на амбулаторных электрокардиограммах с использованием глубокой нейронной сети. Nat Med. 2019 янв; 25(1):65-69. doi: 10.1038/s41591-018-0268-3.

13. Лаццерони Д., Римольди О., Камичи П.Г. От гипертрофии левого желудочка к дисфункции и отказу. Circ J. 2016;80(3):555-64. doi: 10.1253/circj.CJ-16-0062.

14. Джун-Мён Квон, Ки-Хён Чон, Хью Ми Ким, Мин Чжон Ким, Сон Мин Лим, Кён-Хи Ким, Пил Сан Сон, Джинсик Пак, Рак Кён Чой, Бён-Хи О, Сравнение производительности искусственного интеллекта и общепринятые критерии диагностики гипертрофии левого желудочка с помощью электрокардиографии. EP Europace. 2020 март, 22(3): 412–419, https://doi.org/10.1093/europace/euz324.

15. Акбилгич О., Батлер Л., Карабаир И. и др. ЭКГ-ИИ: электрокардиографическая модель искусственного интеллекта для прогнозирования сердечной недостаточности. Eur Heart J Digit Health. 2021 9 октября; 2(4): 626-634. doi: 10.1093/ehjdh/ztab080.

16. Галлоуэй К.Д., Валис А.В., Шрейбати Ж.Б. и др. Разработка и проверка модели глубокого обучения для выявления гиперкалиемии по электрокардиограмме. JAMA Cardiol. 2019 1 мая; 4(5):428-436. doi: 10.1001/jamacardio.2019.0640.