Erkennung einer linksventrikulären systolischen Dysfunktion aus Einzelfällen

npj Digital Medicine Band 6, Artikelnummer: 124 (2023) Diesen Artikel zitieren

2352 Zugriffe

1 Zitate

40 Altmetrisch

Details zu den Metriken

Künstliche Intelligenz (KI) kann eine linksventrikuläre systolische Dysfunktion (LVSD) anhand von Elektrokardiogrammen (EKGs) erkennen. Tragbare Geräte könnten ein umfassendes KI-basiertes Screening ermöglichen, liefern jedoch häufig verrauschte EKGs. Wir berichten über eine neuartige Strategie, die die Erkennung versteckter Herz-Kreislauf-Erkrankungen wie LVSD automatisiert und für verrauschte Einzel-EKGs geeignet ist, die auf tragbaren und tragbaren Geräten erfasst werden. Wir nutzen 385.601 EKGs für die Entwicklung eines standardisierten und geräuschadaptierten Modells. Für das rauschadaptierte Modell werden EKGs während des Trainings mit zufälligem Gauß-Rauschen in vier verschiedenen Frequenzbereichen angereichert, wobei jeder reale Rauschquellen emuliert. Beide Modelle schneiden bei Standard-EKGs mit einem AUROC von 0,90 vergleichbar ab. Das geräuschadaptierte Modell schneidet bei demselben Testsatz deutlich besser ab, ergänzt durch vier verschiedene reale Geräuschaufzeichnungen mit mehreren Signal-Rausch-Verhältnissen (SNRs), einschließlich Geräuschen, die aus einem EKG eines tragbaren Geräts isoliert wurden. Das Standardmodell und das rauschadaptierte Modell weisen einen AUROC von 0,72 bzw. 0,87 auf, wenn sie anhand von EKGs ausgewertet werden, die mit dem Rauschen tragbarer EKG-Geräte bei einem SNR von 0,5 angereichert sind. Dieser Ansatz stellt eine neuartige Strategie für die Entwicklung tragbarer Werkzeuge aus klinischen EKG-Repositories dar.

Eine linksventrikuläre systolische Dysfunktion (LVSD) ist mit einem mehr als achtfachen Anstieg des Herzinsuffizienzrisikos und einem fast zweifachen Anstieg des Risikos, vorzeitig zu sterben, verbunden1. Eine frühzeitige Diagnose kann dieses Risiko wirksam mindern2,3,4, aber LVSD wird aufgrund des Fehlens wirksamer Screening-Strategien häufig erst diagnostiziert, nachdem Patienten eine symptomatische Erkrankung entwickelt5,6,7. Künstliche Intelligenz (KI) kann die linksventrikuläre systolische Dysfunktion (LVSD) anhand von Elektrokardiogrammen (EKGs) erkennen, einer Diagnose, die traditionell auf einer umfassenden Echokardiographie oder anderen Herzbildgebungsverfahren beruhte, deren Verwendung ressourcenintensiv und für allgemeine Screening-Strategien schwierig ist8,9. Obwohl AI-EKG ein vielversprechendes Screening-Tool zur Erkennung von LVSD ist, wurden die Algorithmen in klinisch erhaltenen 12-Kanal-EKGs entwickelt. Fortschritte bei tragbaren und tragbaren Technologien ermöglichen jetzt die Point-of-Care-Erfassung von Einzelkanal-EKG-Signalen und ebnen den Weg für effizientere und skalierbarere Screening-Tools mit diesen KI-EKG-Technologien10,11. Diese verbesserte Zugänglichkeit könnte ein umfassenderes KI-basiertes Screening auf LVSD ermöglichen, die Zuverlässigkeit solcher Tools wird jedoch durch das Vorhandensein von Rauschen in den von tragbaren und handgehaltenen Geräten gesammelten Daten eingeschränkt12,13. Folglich kann sich die Leistung von Modellen zur Erkennung von LVSD aus EKGs tragbarer Geräte in der realen Umgebung verschlechtern, wobei die Leistung geringer ist als bei den ursprünglichen Einzelleitungsderivaten der klinischen Entwicklungsstudien14,15.

In Ermangelung großer, gekennzeichneter Datensätze tragbarer EKGs basiert die Entwicklung von Algorithmen, die zugrunde liegende strukturelle Herzerkrankungen auf tragbaren Geräten erkennen können, auf Einzelkanalinformationen, die speziell aus 12-Kanal-EKGs aus klinischen EKG-Bibliotheken übernommen wurden. Dieser Prozess berücksichtigt jedoch nicht speziell die besonderen Herausforderungen bei der Datenerfassung, die bei tragbaren EKG-Geräten auftreten, was möglicherweise zu deren inkonsistenter Diagnoseleistung beiträgt. Tatsächlich gibt es in tragbaren Daten mehrere Rauschquellen, die auf Faktoren wie schlechten Elektrodenkontakt mit der Haut, Bewegung und Muskelkontraktion während des EKG sowie externe elektrische Störungen zurückzuführen sind16,17,18,19. Dieses Rauschen hat praktische Auswirkungen, da Modelle eine schlechtere Leistung zeigen, wenn sie mit allen verfügbaren tragbaren EKG-Daten getestet werden, im Gegensatz zu ausgewählten hochwertigen Teilmengen15. Dieser deutliche Leistungsunterschied aufgrund des Rauschens hat zu einer Einschränkung tragbarer Geräte-basierter Screening-Programme geführt, wobei in einer tragbaren Geräte-basierten Vorhofflimmer-Screening-Studie 22 % der Patienten aufgrund unzureichender Signalqualität disqualifiziert wurden12. Die Berücksichtigung dieses Rauschens ist eine Voraussetzung für die Entwicklung allgemein zugänglicher Modelle, die die Grundlage für wirksame Screening-Programme für LVSD in der Gemeinde bilden.

In der vorliegenden Studie gehen wir davon aus, dass ein neuartiger, lärmverstärkter Trainingsansatz die Leistung tragbarer EKG-Modelle mit einer Ableitung für eine genaue und lärmunabhängige Identifizierung von LVSD steigern kann. Unsere Methode, die auf dem Training auf Einzelleitungs-EKG-Daten beruht, die aus klinischen EKGs abgeleitet und durch benutzerdefinierte Rauschmuster ergänzt werden, die in Schlüsselfrequenzbereichen entwickelt wurden, die für bestimmte EKG-Rauschensignaturen relevant sind, berücksichtigt explizit mehrere reale Rauschmuster und verallgemeinert diese auf diese, einschließlich Von einem tragbaren EKG-Gerät isoliertes Rauschen.

Zwischen 2015 und 2021 wurden im Yale-New Haven Hospital (YNHH) 2.135.846 aufeinanderfolgende 12-Kanal-EKGs durchgeführt, davon 440.072 mit begleitenden transthorakalen Echokardiogrammen (TTEs), die innerhalb von 15 Tagen nach dem EKG erfasst wurden. Wir haben die Modelle für 385.601 EKG-TTE-Paare entwickelt, die 116.210 einzelne Patienten repräsentieren, die eine vollständige 12-Kanal-EKG-Aufzeichnung hatten (Abb. S1). Das Signal von Ableitung I, der Standardableitung von tragbaren Geräten11, wurde dann von jedem 12-Kanal-EKG isoliert. Alle ausgewählten Einzel-EKG-Aufzeichnungen enthielten 10 s lang ein Ableitung-I-Signal bei 500 Hz. Die Einzel-EKGs wurden dann auf Patientenebene in Trainings-, Validierungs- und Testdatensätze aufgeteilt (85 %–5 %–10 %).

Von diesen EKGs stammten 56.894 (14,8 %) von Patienten mit LVSD, definiert als eine gepaarte TTE-Aufzeichnung der LV-Ejektionsfraktion (LVEF) unter 40 %. Darüber hinaus hatten 40.240 (10,4 %) einen LVEF zwischen 40 % und 50 % und die restlichen 288.467 (74,8 %) hatten einen LVEF von 50 % oder mehr. Die Patienten hatten zum Zeitpunkt der EKG-Aufzeichnung ein mittleres Alter von 68 Jahren (IQR 56, 78) und 50.776 (43,7 %) der Patienten waren Frauen. Insgesamt 75.928 (65,3 %) Patienten waren nicht-hispanische Weiße, 14.000 (12,0 %) waren nicht-hispanische Schwarze, 9.349 (8,0 %) waren Hispanoamerikaner und 16.843 (14,5 %) hatten einen anderen ethnischen Hintergrund (Tabelle S1). .

Das geräuschadaptierte Modell wurde auf einem geräuscherweiterten Entwicklungsset trainiert. Hoch- und Tiefpassfilterung wurde verwendet, um fünfminütige Stichproben zufälligen Gaußschen Rauschens in vier verschiedenen Frequenzbereichen zu isolieren, die reale EKG-Rauschen umfassten, darunter 3–12 Hz, 12–50 Hz, 50–100 Hz und 100–150 Hz . Der erste dieser vier Bereiche, 3–12 Hz, wurde ausgewählt, um Bewegungsartefaktgeräusche aufgrund von Zittern zu emulieren20,21, während die Frequenzbereiche 12–50 Hz und 100–150 Hz häufiger auftretende Muskelaktivierungen mit niedrigerer und höherer Frequenz umfassen Artefakte bzw.17,21. Der 50–100-Hz-Bereich wurde ausgewählt, um Elektrodenbewegungsgeräusche darzustellen21. Sowohl dieser Bereich als auch der Frequenzbereich von 100–150 Hz, der Vielfache von 50 und 60 Hz enthält, den beiden bei der EKG-Erfassung verwendeten Netzfrequenzen17, dienen auch zur Emulation von Störgeräuschen aus der Stromleitung17,21. Diese Rauschproben wurden dann verwendet, um den rauschverstärkten Entwicklungssatz zu generieren, in dem EKGs selektiv mit zufälligen 10-Sekunden-Sequenzen eines der vier frequenzgebänderten Gaußschen Rauschen bei einem von vier Signal-Rausch-Verhältnissen (SNRs) verrauscht wurden ) jedes Mal, wenn ein EKG geladen wurde. Das Standardmodell wurde auf dem ursprünglichen Trainingssatz trainiert (beschrieben in Methoden, Isolierung von frequenzbandförmigem Gaußschen Rauschen und Methoden, Rauschverstärkung).

Beide Modelle wurden darauf trainiert, eine LVEF unter 40 % zu erkennen, ein Schwellenwert, der in den meisten Leitlinien zur Herzinsuffizienz-Diagnose4 enthalten ist und mit früheren Arbeiten übereinstimmt8,22. Verwendung des DeLong-Tests zum Vergleich der Fläche unter den Betriebskennlinien des Empfängers (AUROCs) der rauschadaptierten und Standardmodelle zur Erkennung von LVEF < 40 %23,24, der rauschadaptierten und der Standardmodelle mit einer AUROC von 0,90 (95 % CI 0,89–0,91) bzw. 0,90 (95 % CI 0,88–0,91) zeigten bei einem durchgehaltenen Testsatz ohne zusätzliches Rauschen eine ähnliche Leistung (p-Wert = 0,60). Die Fläche unter der Precision-Recall-Kurve (AUPRC) dieses durchgehaltenen Testsatzes betrug 0,46 bzw. 0,48. Bei der Auswahl separater Schwellenwerte, die im Validierungssatz eine Sensitivität von 0,90 ohne zusätzliches Rauschen für jedes Modell erreichten, hatte das rauschadaptierte Modell eine Spezifität und Sensitivität von 0,68 bzw. 0,92 und einen PPV bzw. NPV von 0,20 bzw. 0,99 der ausgehaltene Testsatz. Das Standardmodell hatte eine Sensitivität und Spezifität von 0,69 bzw. 0,91 sowie einen PPV und NPV von 0,21 bzw. 0,99. Die Leistung des geräuschadaptierten Modells war in allen Untergruppen nach Alter, Geschlecht und Rasse mit dem Standardmodell vergleichbar (Tabelle 1).

Die Leistung jedes Modells wurde auch anhand von vier verschiedenen realen Lärmaufzeichnungen getestet, darunter drei halbstündige Aufzeichnungen mit Elektrodenbewegungen, Muskelartefakten und Grundlinien-Wandergeräuschen, die aus der öffentlich zugänglichen MIT-BIH-Datenbank für Lärmbelastungstests stammen17. Beide Modelle wurden mit separaten Versionen des herausgehaltenen Testsatzes getestet, ergänzt durch jedes dieser drei realen Geräusche bei sieben verschiedenen Signal-Rausch-Verhältnissen (beschrieben in Methoden, Erfassung realer, öffentlicher EKG-Geräuschaufzeichnungen und). Methoden, Noise Augmentation).

Für das geräuschadaptierte Modell war die Modellleistung über alle SNRs hinweg für jedes MIT-BIH-Rauschen vergleichbar, mit AUROC zwischen 0,86–0,89, 0,87–0,89 und 0,88–0,89 für Elektrodenbewegung, Muskelartefakte und Grundlinien-Wandergeräusch für SNRs von 0,5 bis 2,0. Das Standardmodell wies eine geringere Leistung bei allen SNRs für jedes Geräusch auf, mit AUROC zwischen 0,79–0,86, 0,81–0,86 und 0,80–0,86 für Elektrodenbewegung, Muskelartefakte und Grundlinien-Wandergeräusch (Tabelle 2 und Abb. 1).

AUROC-Bereich unter der Betriebskennlinie des Empfängers, EKG-Elektrokardiogramm.

Zur Bewertung beider Modelle wurde auch das Rauschen eines tragbaren EKG-Geräts aus der realen Welt verwendet, das mithilfe einer Technik auf Basis der Fast-Fourier-Transformation anhand einer 30-sekündigen EKG-Aufzeichnung mit einer Ableitung von einem tragbaren EKG-Gerät KardiaMobile 6 L isoliert wurde (Methoden, Rauschextraktion aus). ein tragbares EKG-Gerät). Jedes Modell wurde verwendet, um Vorhersagen für rauschangereicherte EKGs für alle SNRs zu erstellen, wobei der AUROC des rauschadaptierten Modells zwischen 0,87 und 0,89 lag. Die Leistung des Standardmodells war bei jedem SNR deutlich geringer und lag zwischen 0,72 und 0,83. Dieser Unterschied war am deutlichsten bei einem SNR von 0,5, bei dem das geräuschadaptierte Modell einen AUROC von 0,87 (95 %-KI 0,86–0,88) beibehielt und das Standardmodell einen AUROC von 0,72 (95 %-KI 0,71–0,74, p- Wert < 0,001) (Tabelle 2 und Abb. 1).

Drei einzigartige Mehrfachrauschaufzeichnungen wurden generiert, indem die MIT-BIH-Elektrodenbewegungs-, Grundlinienwanderungs- und Muskelartefaktrauschaufzeichnungen zum Rauschen des tragbaren EKG-Geräts bei einem SNR von 1,0 hinzugefügt wurden. Diese erzeugten Rauschaufzeichnungen wurden dann verwendet, um die Leistung jedes Modells bei EKGs zu bewerten, die gleichzeitig mit mehreren Rauschsignaturen ergänzt wurden. Für das geräuschadaptierte Modell war die Modellleistung bei allen SNRs für die Kombinationen aus tragbarem EKG-Gerätegeräusch und Elektrodenbewegung, Muskelartefakt und Grundlinien-Wandergeräusch mit AUROC zwischen 0,86–0,89, 0,87–0,89 bzw. 0,88–0,89 vergleichbar , für SNRs von 0,5 bis 2,0. Das Standardmodell wies bei allen Rauschkombinationen eine geringere Leistung bei allen SNRs auf, mit AUROC zwischen 0,77–0,85, 0,77–0,85 und 0,78–0,86 für tragbare EKG-Gerätegeräusche in Kombination mit Elektrodenbewegung, Muskelartefakten und Grundlinien-Wandergeräuschen (Tabelle S3).

Um mechanistische Einblicke in die Leistungsunterschiede bei Standard- und rauschangereicherten Daten verschiedener Modelle zu gewinnen, haben wir die Unterschiede in den Einbettungsergebnissen von verrauschten und Standard-EKGs sowohl für Standard- als auch für rauschadaptierte Modelle visuell und quantitativ bewertet. Hierzu haben wir uns auf die Ausgabe der 320-dimensionalen letzten vollständig verbundenen Schicht jedes Modells konzentriert, bevor wir endgültige Vorhersagen erstellt haben. Diese Vorhersagen wurden für fünf verschiedene Versionen derselben 1000 EKGs gesammelt – einmal mit dem Original-EKG und einmal für jedes der vier realen Geräusche. Die Variation dieser Vorhersagen aufgrund der Hinzufügung von Rauschen wurde mithilfe der einheitlichen Mannigfaltigkeitsnäherung und -projektion (UMAP)25 visualisiert, die eine zweidimensionale Darstellung der 320-dimensionalen Vorhersagevektoren für jede Rausch- und Modellkombination erstellt. Das Ausmaß der Verschiebung in der UMAP-Projektion aufgrund der Rauschverstärkung, die sich der Verschiebung der zugrunde liegenden Vorhersagevektoren annähert, entspricht der Widerstandsfähigkeit jedes Modells gegenüber einer Verschiebung der vorhergesagten Wahrscheinlichkeiten aufgrund von Rauschen und Artefakten im Signal. Diese Verschiebung wurde auch quantitativ bewertet, indem für beide Modelle skalierte euklidische Abstände zwischen Vorhersagevektoren für dasselbe EKG mit und ohne jede Art von Rauschen verwendet wurden.

Für das Standardmodell unterschieden sich die Vorhersagen für jedes der verrauschten EKGs visuell von denen der Standard-EKGs, obwohl sie für denselben Satz von 1000 EKGs galten, und unterschieden sich nur durch das hinzugefügte Rauschen. Beim rauschadaptierten Modell gab es jedoch keine visuelle Trennung in den Vorhersagen des Modells zwischen Standard- und Rausch-EKGs, was darauf hindeutet, dass die Vorhersagen des rauschadaptierten Modells robuster sind als die des Standardmodells (Abb. 2).

UMAP-Uniform-Mannigfaltigkeits-Approximation und -Projektion, EKG-Elektrokardiogramm.

Quantitativ gesehen waren die skalierten euklidischen Abstände zwischen den Vorhersagen für verrauschte und Standardversionen der EKGs für das geräuschadaptierte Modell bei allen vier Geräuschen geringer. Im EKG mit Rauschen, das von tragbaren EKGs abgeleitet wurde, betrug der durchschnittliche skalierte euklidische Abstand für das Standardmodell beispielsweise 0,50 (95 %-KI 0,49–0,51) und für das rauschadaptierte Modell 0,41 (95 %-KI 0,40–0,42). Ähnlich betrug der Wert für die Basislinienwanderung 0,52 (0,51–0,53) bzw. 0,36 (0,36–0,37) (Tabelle 3).

Wir haben eine neuartige Strategie entwickelt, die die Erkennung versteckter Signaturen von Herz-Kreislauf-Erkrankungen wie LVSD automatisiert und für verrauschte Einzel-EKGs geeignet ist, die auf tragbaren und tragbaren Geräten erfasst werden. Mithilfe dieses Ansatzes haben wir einen rauschadaptierten Deep-Learning-Algorithmus entwickelt, der die systolische LV-Dysfunktion anhand von Einzelkanal-EKG-Daten genau identifiziert und gegenüber erheblichen Rauschartefakten resistent ist, obwohl er im Modellentwicklungsprozess nicht auf die spezifischen Geräusche gestoßen ist. Insbesondere zeigt der Algorithmus eine hervorragende Unterscheidungsleistung, selbst bei EKGs, die doppelt so viel Rauschen wie Signal enthalten, Eigenschaften, die ihn ideal für Screening-Strategien auf der Basis tragbarer Geräte machen. Bemerkenswert ist, dass der Algorithmus in einer vielfältigen Population entwickelt und validiert wurde und eine konsistente Leistung über Alters-, Geschlechts- und Rassenuntergruppen hinweg zeigt. Der geräuschadaptierte Ansatz definiert ein neuartiges Paradigma für den Aufbau robuster, tragbarer EKG-Herz-Kreislauf-Screening-Modelle mit einer Ableitung aus klinischen EKG-Repositories mit erheblichem Potenzial, das Screening struktureller Herzerkrankungen des LV auf ressourcenarme Umgebungen mit begrenzten Ressourcen auszudehnen Zugang zu krankenhaustauglicher Ausrüstung.

Das rauschadaptierte Training von Deep-Learning-Algorithmen stellt ein relativ neues Feld der KI-Forschung dar, das sich auf die Ausweitung des Einsatzes von KI-Tools auf den Alltag konzentriert, indem Rauschen und Artefakte berücksichtigt werden, die ihren zuverlässigen Einsatz in diesem Umfeld möglicherweise ausschließen. Mit klinischen EKGs trainierte Modelle wurden auf EKGs tragbarer Geräte angewendet, zeigten jedoch traditionell bei EKGs tragbarer Geräte eine deutlich geringere Leistung als auf herausgehaltenen klinischen EKG-Testsätzen14,15. Darüber hinaus stützten sich Modelle, die erfolgreich auf EKGs von tragbaren Geräten verallgemeinert wurden, auf automatisierte Algorithmen zur Auswahl hochwertiger Teilmengen verfügbarer EKG-Daten, wobei die Leistung bei der Auswertung aller erfassten EKGs geringer war15,26. Obwohl solche Algorithmen die Leistung verbessern können, weist dieser Ansatz Einschränkungen auf. Studien haben gezeigt, dass bei den von tragbaren Geräten aufgezeichneten Daten häufig eine schlechte Signalqualität vorliegt und dass es bei verschiedenen Herstellern erhebliche Qualitätsunterschiede gibt13. Der Ausschluss großer Teile der erfassten Daten kann den Umfang gemeinschaftsweiter Screening-Programme einschränken, die möglicherweise mehrere verschiedene Geräte zur Erfassung von EKGs verwenden und möglicherweise nicht in der Lage sind, mehrere EKGs pro Person zu erfassen, bis ein bestimmter Qualitätsschwellenwert erreicht ist. Für die Implementierung in solchen Situationen kann ein Modell erforderlich sein, das sich auf EKGs mit unterschiedlichen Arten und Pegeln von Rauschen verallgemeinert.

Aufgrund des Mangels an öffentlich verfügbaren EKG-Datensätzen für tragbare Geräte ist das Training von Modellen, die direkt tragbare EKG-Daten verwenden, eine Herausforderung. Die aktuellen auf 12-Kanal-EKGs basierenden Modelle beschränken sich auf Investitionen von Gesundheitssystemen zur Integration von Tools in digitale EKG-Repositories und sind somit auf Personen beschränkt, die bereits in diesen Systemen eine Behandlung in Anspruch nehmen. Abgesehen davon, dass die klinisch indizierten EKGs den Umfang des Screenings einschränken, ist selbst diese Technologie für kleinere Krankenhäuser und Kliniken mit begrenztem Zugang zu digitalen EKGs möglicherweise nicht verfügbar oder kosteneffektiv.

Tragbare Geräte ermöglichen die Erstellung von EKGs, die leichter zugänglich sind, und ermöglichen ein gemeinschaftsweites Screening, ein wichtiger nächster Schritt bei der Früherkennung häufiger und seltener Kardiomyopathien. In diesem Sinne stellt unser Ansatz aus methodischer und klinischer Sicht einen großen Fortschritt dar. Erstens werden klinische EKG-Datensätze so erweitert, dass eine zuverlässige Modellierung verrauschter, von tragbaren Geräten abgeleiteter Einzel-EKG-Signale möglich ist. Zweitens zeigt es, dass durch Rauschverstärkung EKG-Modelle mit einer Ableitung die prognostische Leistung von EKG-Modellen mit 12 Ableitungen beibehalten können, wie hier für die Aufgabe der Vorhersage der systolischen Dysfunktion des linken Ventrikels gezeigt. Darüber hinaus vermeidet dieser Ansatz den unnötigen Ausschluss erfasster Daten, was die Generalisierbarkeit über verschiedene Geräteplattformen hinweg erhöht und besonders wichtig für gemeinschaftsweite Screening-Programme ist, die möglicherweise nicht in der Lage sind, mehrere EKGs pro Person zu erfassen und hohe Signalqualitätsschwellenwerte konstant zu erfüllen jeder Teilnehmer.

Unser Ansatz bietet auch eine Strategie zur Untersuchung des Prozesses, durch den die Modelle eine bessere Leistung erzielen. Im Vergleich zum aktuellen Ansatz der Modellentwicklung führte unser rauschadaptierter Ansatz zu einer selektiven Entfernung von Rauschen aus dem Signal, selbst für Rauschen, die das Modell zuvor nicht erlebt hatte, und bewahrte gleichzeitig die Robustheit des Modells bei der Erkennung komplexer versteckter Etiketten. Diese Strategie ist besonders wichtig für ein Modell, das für den Einsatz auf tragbaren Geräten gedacht ist, die EKGs in unvorhersehbaren Umgebungen mit unterschiedlichen Arten und Stärken von Rauschen erfassen.

Diese Studie weist mehrere Einschränkungen auf. Zunächst wurde dieses Modell anhand von EKGs von Patienten entwickelt, die sowohl ein EKG als auch ein klinisch indiziertes Echokardiogramm hatten. Obwohl sich diese Population von der beabsichtigten breiteren realen Verwendung dieses Algorithmus als Screening-Methode für systolische LV-Dysfunktion bei Personen ohne klinische Erkrankung unterscheidet, deutet die konsistente Leistung über alle demografischen Untergruppen hinweg auf Robustheit und Generalisierbarkeit der Leistung des Modells hin. Dennoch sind prospektive Beurteilungen im vorgesehenen Screening-Umfeld gerechtfertigt. Zweitens kann die Modellleistung je nach Schwere der systolischen LV-Dysfunktion variieren. Obwohl der LVEF-Schwellenwert von 40 % aufgrund seiner therapeutischen Implikationen gewählt wurde4, ist es möglich, dass sich die Modellleistung bei Patienten mit einem LVEF nahe diesem Grenzwert von der Leistung des Modells unterschied, deren LVEF deutlich über oder unter 40 % lag. Dies könnte auch auf einen Mangel an Präzision bei der LVEF-Messung mittels Echokardiographie zurückzuführen sein, die sich im Vergleich zu anderen Ansätzen wie der Magnetresonanztomographie als weniger präzise erwiesen hat27,28. Schließlich wurden während des Trainings vier verschiedene Arten von zufällig erzeugtem Rauschen verwendet, und bei der Leistungsbewertung des Testsatzes wurden zufällig ausgewählte Sequenzen von vier realen Geräuschen mit mehreren Signal-Rausch-Verhältnissen verwendet. Obwohl dies darauf hindeutet, dass sich die Modellleistung gut auf unsichtbare Geräusche übertragen lässt, können wir nicht feststellen, ob die Leistung bei jeder Art und Stärke von Geräuschen erhalten bleibt, die auf tragbaren Geräten möglich sind, einschließlich aller gerätespezifischen Geräuschsignaturen.

Die Studie wurde vom Yale Institutional Review Board überprüft, das das Studienprotokoll genehmigte und auf die Notwendigkeit einer Einwilligung nach Aufklärung verzichtete, da es sich bei der Studie um eine Sekundäranalyse vorhandener Daten handelt. Die Daten dürfen nicht öffentlich geteilt werden.

Die Studie wurde als retrospektive Analyse einer Kohorte von 116.210 Patienten im Alter von 18 Jahren oder älter konzipiert, die sich innerhalb von 15 Tagen nach dem Index-EKG im Yale-New Haven Health Hospital einem klinisch indizierten EKG mit gepaarten Echokardiogrammen unterzogen. Um die Generalisierbarkeit unserer Modelle sicherzustellen, haben wir keine Ausschlusskriterien angewendet, einschließlich Patienten aller Geschlechter, Rassen und ethnischen Zugehörigkeiten (Tabelle S1).

Rohspannungsdaten für Ableitung I wurden aus 12-Kanal-EKGs isoliert, die zwischen 2015 und 2021 im Yale-New Haven Hospital (YNHH) gesammelt wurden. Ableitung I wurde ausgewählt, da sie die Standardableitung darstellt, die von tragbaren Geräten erhalten wird11. Jedes klinische EKG wurde als standardmäßige 10-Sekunden-Aufzeichnung mit 12 Ableitungen und einer Abtastfrequenz von 500 Hz aufgezeichnet. Diese EKGs wurden überwiegend mit Philips PageWriter- und GE MAC-Geräten aufgezeichnet. Patientenidentifikatoren wurden verwendet, um EKGs mit einem begleitenden transthorakalen Echokardiogramm innerhalb von 15 Tagen nach dem EKG zu verknüpfen. Diese Echokardiogramme wurden von erfahrenen Kardiologen ausgewertet und der in ihrer Interpretation definierte LVEF wurde identifiziert. Wenn innerhalb des 15-Tage-Fensters mehrere Echokardiogramme durchgeführt wurden, wurde dasjenige verwendet, das jedem EKG am nächsten liegt, um die LVEF für die Modellentwicklung und -bewertung zu definieren.

Zur Isolierung des Signals aus Ableitung I von 12-Kanal-EKGs wurde eine standardmäßige Vorverarbeitungsstrategie verwendet, die eine Medianpassfilterung und Skalierung auf Millivolt umfasste. Das Signal der Ableitung I wurde dann von jedem EKG isoliert und ein einsekündiger Medianfilter für jedes Einzelableitungs-EKG berechnet und von diesem subtrahiert, um die Basisliniendrift zu beseitigen. Die Amplituden jeder Probe in jeder Aufzeichnung wurden dann durch einen Faktor 1000 geteilt, um die Spannungsaufzeichnungen auf Millivolt zu skalieren.

Zufälliges Gaußsches Rauschen innerhalb von vier verschiedenen Frequenzbereichen wurde isoliert, um das rauschadaptierte Modell zu trainieren. Hochpass- und Tiefpassfilter wurden auf fünf Minuten zufälliges Gaußsches Rauschen angewendet, um Rauschen innerhalb jedes der Frequenzbereiche zu isolieren, die 3–12 Hz, 12–50 Hz, 50–100 Hz und 100–150 Hz umfassten. Jeder Frequenzbereich wurde speziell ausgewählt, um ein Element realer EKG-Geräusche zu modellieren. 3–12 Hz modelliert die Bewegungsartefaktgeräusche, die auf Zittern zurückzuführen sind und in diesem Frequenzbereich auftreten20,21. Der 50–100-Hz-Bereich spiegelt konsistente Elektrodenkontaktgeräusche wider21, während die Bereiche 12–50 Hz und 100–150 Hz die niedrigeren bzw. höherfrequenten Muskelgeräusche enthalten17,21. Darüber hinaus enthalten die Bereiche 50–100 und 100–150 Hz jeweils Vielfache von 50 und 60 Hz, den beiden bei der EKG-Erfassung verwendeten Netzfrequenzen17, die das Stromleitungsinterferenzrauschen ausmachen17,21 (Abb. 3).

EKG-Elektrokardiogramm, Hz Hertz, s Sekunden.

Zum Testen der Modelle wurden vier reale Lärmaufzeichnungen verwendet, die beim Training keines der Modelle berücksichtigt wurden. Dazu gehörten drei halbstündige Lärmaufzeichnungen aus der MIT-BIH Noise Stress Test Database. Die Geräusche des MIT-BIH-Datensatzes, die jeweils mit einer Abtastfrequenz von 360 Hz erfasst wurden, stellen drei Arten von Geräuschen dar, die häufig in EKGs vorkommen: Grundlinien-Wandergeräusch, ein niederfrequentes Geräusch, das durch die Bewegung der Elektrode oder des Probanden erzeugt wird17, Muskelartefakte, die durch Muskelkontraktionen verursacht werden21 und Elektrodenbewegungsartefakte, die durch unregelmäßige Bewegungen der Elektroden während der EKG-Aufzeichnungen verursacht werden17,21. Jede dieser Aufzeichnungen wurde mit einem standardmäßigen 12-Kanal-EKG-Rekorder erstellt, indem die Elektroden an den Gliedmaßen des Patienten so positioniert wurden, dass die EKG-Signale des Patienten in den Aufzeichnungen nicht sichtbar waren (Abb. 4)17.

EKG-Elektrokardiogramm, s Sekunden.

Reales Rauschen wurde auch aus einer 30-sekündigen, 300-Hz-Einkanal-EKG-Aufzeichnung isoliert, die mit einem tragbaren EKG-Gerät KardiaMobile 6 L erstellt wurde. Das Rauschen wurde aus der Aufzeichnung extrahiert, indem eine modifizierte Version des Fourier-Transformations-basierten Ansatzes angewendet wurde, der zuvor zur Entrauschung von EKGs verwendet wurde29. Zunächst wurde eine schnelle Fourier-Transformation (FFT) auf eine 30-sekündige EKG-Aufzeichnung angewendet und das Ergebnis im Frequenzbereich aufgetragen. Anschließend wurde manuell ein Schwellenwert ausgewählt, um die Frequenzen mit hoher und niedriger Amplitude, die Signal bzw. Rauschen enthielten, zu trennen. Anstatt schließlich die inverse FFT für die Frequenzen mit Amplituden über diesem Schwellenwert zu berechnen, wurde eine inverse FFT auf alle Frequenzen mit Amplituden unter dem ausgewählten Schwellenwert angewendet, was das Rauschen ergab (Abb. 5).

EKG-Elektrokardiogramm, s Sekunden, FFT Fast Fourier Transform, Hz Hertz.

Beim Training des rauschadaptierten Modells wurde jedes EKG zweimal in den Trainingsdatensatz aufgenommen, wobei bei jedem Laden eines EKG einer der vier Frequenzbereiche für das erzeugte Rauschen zufällig ausgewählt wurde. Anschließend wurde eine 10-sekündige Sequenz zufällig aus der gesamten fünfminütigen Länge der ausgewählten Geräuschaufzeichnung ausgewählt. Diese Rauschsequenz wurde dann dem Standard-EKG mit einem Signal-Rausch-Verhältnis (SNR) hinzugefügt, das zufällig aus einer Reihe von SNRs ausgewählt wurde, darunter 0,50, 0,75, 1,00 und 1,2530.

Während der Modellevaluierung wurden die verrauschten Versionen des Testsatzes nach dem gleichen Verfahren wie beim verrauschten Trainingssatz mit mehreren wichtigen Modifikationen generiert. Erstens stammte das zu den EKGs im Testsatz hinzugefügte Rauschen entweder aus den Grundlinienwander-, Elektrodenbewegungs- oder Muskelartefakt-Rauschaufzeichnungen aus dem MIT-BIH-Datensatz oder aus der 30-s-Rauschprobe des tragbaren EKG-Geräts KardiaMobile 6 L. Zweitens wurden die MIT-BIH-Rauschen und die tragbaren EKG-Rauschen alle von ihren ursprünglichen Abtastfrequenzen, 360 Hz bzw. 300 Hz, auf eine Abtastfrequenz von 500 Hz hochgesampelt, um sie an die EKGs der klinischen Geräte anzupassen. Drittens wurde die spezifische 10-Sekunden-Rauschensequenz, die jedem EKG im Testsatz hinzugefügt wurde, einmal zufällig ausgewählt und für jedes EKG definiert, um sicherzustellen, dass jedes Mal, wenn ein Modell bei jedem SNR auf ein bestimmtes Rauschen getestet wurde, immer jedes einzelne EKG geladen wurde mit der gleichen zufällig ausgewählten Rauschfolge. Die Modellleistung wurde separat für EKGs bewertet, die mit jedem Rauschtyp auf einem größeren Satz von SNRs angereichert waren, einschließlich aller im Training verwendeten SNRs und SNRs von 1,50, 1,75 und 2,00. Drei zusätzliche Mehrfachrauschaufzeichnungen wurden erstellt, indem ein zufällig ausgewähltes 10-Sekunden-Segment des tragbaren EKG-Rauschens mit zufällig ausgewählten 10-Sekunden-Segmenten jeder der drei MIT-BIH-Rauschaufzeichnungen im Verhältnis 1:1 getrennt kombiniert wurde. Diese Mehrfachrauschaufzeichnungen wurden dann verwendet, um die Leistung beider Modelle bei EKGs zu bewerten, die mit mehreren gleichzeitigen Rauschsignaturen mit demselben größeren Satz an SNRs ergänzt wurden.

Jedes im Datensatz enthaltene EKG hatte einen entsprechenden LVEF-Wert aus einem gepaarten Echokardiogramm innerhalb von 15 Tagen nach dem EKG. Der Grenzwert für eine niedrige LVEF wurde auf LVEF < 40 % festgelegt, ein Schwellenwert, der in den meisten Leitlinien zur Herzinsuffizienz-Diagnose4 enthalten ist und mit früheren Arbeiten in diesem Bereich übereinstimmt8,22.

Alle im EKG-Satz vertretenen eindeutigen Patienten wurden dann auf Patientenebene zufällig in Trainings-, Validierungs- und durchgehaltene Testsätze unterteilt (85 %, 5 %, 10 %). Wir haben mehrere CNN-Modelle (Convolutional Neural Network) mit unterschiedlicher Anzahl und Größe von Faltungsschichten und Gesamtmodellparametern erstellt und getestet. Wir haben die Architektur ausgewählt, die die höchste Fläche unter der AUROC-Kurve (Receiver Operator Characteristic) im Validierungssatz mit der geringsten Anzahl von Parametern für das Standardmodell ergibt. Diese Architektur bestand aus einer (5000, 1, 1)-Eingabeschicht, die einem 10-s-EKG mit 500 Hz und Ableitung I entsprach, gefolgt von sieben zweidimensionalen Faltungsschichten, denen jeweils eine Batch-Normalisierungsschicht31, ReLU, folgte Aktivierungsschicht und eine zweidimensionale Max-Pooling-Schicht. Die Ausgabe der siebten Faltungsschicht wurde dann als Eingabe in ein vollständig verbundenes Netzwerk übernommen, das aus zwei dichten Schichten bestand, denen jeweils eine Batch-Normalisierungsschicht, eine ReLU-Aktivierungsschicht und eine Dropout-Schicht mit einer Dropout-Rate von 0,532 folgten. Die Ausgabeschicht war eine dichte Schicht mit einer Klasse und einer Sigmoid-Aktivierungsfunktion. Modellgewichte wurden für die Verlustfunktion so berechnet, dass das Lernen nicht durch die geringere Häufigkeit von LVEF < 40 % im Vergleich zur Inzidenz von LVEF ≥ 40 % beeinträchtigt wurde, wobei das Schema zur Neugewichtung der effektiven Anzahl von Stichprobenklassen verwendet wurde33 (Abb. S2).

Beide Modelle wurden auf dem Keras-Framework in TensorFlow 2.9.1 und Python 3.9 mit dem Adam-Optimierer trainiert. Zunächst wurden die Modelle eine Epoche lang mit einer Lernrate von 0,001 trainiert. Anschließend wurde die Lernrate auf 0,0001 gesenkt und das Training fortgesetzt, bis sich die Leistung des Validierungssatzes drei aufeinanderfolgende Epochen lang nicht verbesserte. Für jedes Modell wurde die Epoche mit der höchsten Leistung im Validierungssatz ausgewählt.

Um die Variation zwischen Vorhersagen für Standard- und rauschangereicherte Daten für jedes Modell zu visualisieren, haben wir zunächst sowohl das Standardmodell als auch das rauschadaptierte Modell modifiziert, indem wir ihre endgültigen Ausgabeebenen entfernt haben, sodass beide Modelle stattdessen die 320-dimensionale Vektorausgabe der endgültigen vollständigen Daten des Modells erzeugten verbundene Schicht. Anschließend wählten wir zufällig eine Teilmenge von 1000 EKGs aus der zurückgehaltenen Testmenge aus. Für jedes der beiden Modelle haben wir die 320-dimensionalen Vorhersagevektoren fünfmal für jedes der 1000 EKGs generiert – einmal ohne Rauschen und einmal mit einem SNR von 0,5 für jedes der vier zum Testen verwendeten Rauschen. Anschließend haben wir die Variation in den Vorhersagen separat für das Standardmodell und das rauschadaptierte Modell mithilfe der einheitlichen Mannigfaltigkeitsnäherung und -projektion (UMAP) visualisiert, die eine zweidimensionale Darstellung der 320-dimensionalen Vorhersagevektoren erstellt25. Die Variation der Vorhersagen wurde numerisch durch paarweise Berechnung der euklidischen Abstände zwischen den 320-dimensionalen Vorhersagevektoren für die Standard- und Rauschdaten für jedes der vier Rauschen bewertet. Diese euklidischen Abstände wurden dann pro Modell und pro Rauschen skaliert, indem durch den Gesamtbereich der paarweisen euklidischen Abstände für jedes Modell und jede Rauschkombination dividiert wurde. Anschließend wurde für jedes Modell und jede Rauschkombination der durchschnittliche skalierte euklidische Abstand und ein 95 %-Konfidenzintervall berechnet.

Zusammenfassende Statistiken werden als Anzahl (Prozentsätze) und Median (Interquartilbereich, IQR) für kategoriale bzw. kontinuierliche Variablen dargestellt. Die Modellleistung wurde im durchgehaltenen Testsatz sowohl mit als auch ohne zusätzliche reale Geräusche bewertet. Zur Messung der Modelldiskriminierung haben wir die Area Under Receiving Operation Characteristics (AUROC) verwendet. Wir haben auch die Fläche unter der Präzisions-Recall-Kurve (AUPRC), die Sensitivität, die Spezifität, den positiven Vorhersagewert (PPV), den negativen Vorhersagewert (NPV) und das diagnostische Odds-Ratio bewertet und Schwellenwerte basierend auf Grenzwerten ausgewählt, die bei der Validierung eine Sensitivität von 0,90 erreichten Daten. Wir haben einen DeLong-Test verwendet, um die AUROCs der rauschadaptierten und Standardmodelle für jedes Rauschen bei jedem Signal-Rausch-Verhältnis zu vergleichen23. 95 %-Konfidenzintervalle für AUROC wurden mit dem DeLong-Algorithmus23,24 berechnet. Ein gepaarter t-Test wurde verwendet, um die Überlappungswahrscheinlichkeit für die skalierten euklidischen Abstände zwischen Projektionen der letzten Schicht des rauschadaptierten Modells und des Standardmodells zu berechnen. Alle Analysen wurden mit Python 3.9 durchgeführt und das Signifikanzniveau wurde auf einen Alpha von 0,05 eingestellt.

Der Datensatz kann nicht öffentlich zugänglich gemacht werden, da es sich um elektronische Gesundheitsakten handelt. Die externe Weitergabe dieser Daten ohne entsprechende Einwilligung könnte die Privatsphäre des Patienten gefährden und würde gegen die Genehmigung des Institutional Review Board für die Studie verstoßen.

Der Code für die Studie ist auf Anfrage bei den Autoren erhältlich.

Wang, TJ et al. Naturgeschichte einer asymptomatischen linksventrikulären systolischen Dysfunktion in der Gemeinde. Auflage 108, 977–982 (2003).

Artikel PubMed Google Scholar

Srivastava, PK et al. Krankenhauseinweisung bei Herzinsuffizienz und leitliniengerechte Verschreibungsmuster bei Patienten mit Herzinsuffizienz und reduzierter Ejektionsfraktion. JACC Heart Fail 9, 28–38 (2021).

Artikel PubMed Google Scholar

Wolfe, NK, Mitchell, JD & Brown, DL Die unabhängige Verringerung der Mortalität im Zusammenhang mit einer leitliniengerechten medizinischen Therapie bei Patienten mit koronarer Herzkrankheit und Herzinsuffizienz mit reduzierter Ejektionsfraktion. EUR. Heart J. Ergebnisse der Qual Care Clin. 7, 416–421 (2021).

Artikel PubMed Google Scholar

Heidenreich, PA et al. AHA/ACC/HFSA-Leitlinie 2022 für die Behandlung von Herzinsuffizienz: ein Bericht des Joint Committee on Clinical Practice Guidelines des American College of Cardiology/American Heart Association. Auflage 145, e895–e1032 (2022).

PubMed Google Scholar

Wang, TJ, Levy, D., Benjamin, EJ & Vasan, RS Die Epidemiologie der „asymptomatischen“ linksventrikulären systolischen Dysfunktion: Auswirkungen auf das Screening. Ann. Praktikant. Med. 138, 907–916 (2003).

Artikel PubMed Google Scholar

Vasan, RS et al. Plasma-natriuretische Peptide für das Gemeinschaftsscreening auf linksventrikuläre Hypertrophie und systolische Dysfunktion: die Framingham-Herzstudie. JAMA 288, 1252–1259 (2002).

Artikel CAS PubMed Google Scholar

McDonagh, TA & McDonald, K. Screening auf asymptomatische linksventrikuläre Dysfunktion unter Verwendung eines natriuretischen Peptids vom B-Typ. Verstopfen. Herzinsuffizienz 14, 5–8 (2008).

Artikel CAS PubMed Google Scholar

Attia, ZI et al. Screening auf kardiale Kontraktilfunktionsstörungen mithilfe eines Elektrokardiogramms mit künstlicher Intelligenz. Nat. Med. 25, 70–74 (2019).

Artikel CAS PubMed Google Scholar

Galasko, GIW, Barnes, SC, Collinson, P., Lahiri, A. & Senior, R. Was ist die kostengünstigste Strategie zum Screening auf linksventrikuläre systolische Dysfunktion: natriuretische Peptide, Elektrokardiogramm, Handechokardiographie, traditionell Echokardiographie oder ihre Kombination? EUR. Herz J. 27, 193–200 (2006).

Artikel PubMed Google Scholar

Kamga, P., Mostafa, R. & Zafar, S. Die Verwendung tragbarer EKG-Geräte im klinischen Umfeld: eine Übersicht. Curr. Emerg. Hosp. Med. Rep. 10, 67–72 (2022).

Artikel PubMed PubMed Central Google Scholar

Duarte, R. et al. Lead-I-EKG zur Erkennung von Vorhofflimmern bei Patienten, die mit unregelmäßigem Puls in die Grundversorgung gehen, mittels Einzelzeitpunkttests: Eine systematische Überprüfung und wirtschaftliche Bewertung. PLoS ONE 14, e0226671 (2019).

Artikel CAS PubMed PubMed Central Google Scholar

Dörr, M. et al. Die WATCH AF-Studie: SmartWATCHes zur Erkennung von Vorhofflimmern. JACC-Klinik. Elektrophysiol. 5, 199–208 (2019).

Artikel PubMed Google Scholar

Mannhart, D. et al. Klinische Validierung von 5 direkt an den Verbraucher tragbaren Smart-Geräten zur Erkennung von Vorhofflimmern: BASEL-Wearable-Studie. JACC-Klinik. Elektrophysiol. 9, 232–242 (2023).

Artikel PubMed Google Scholar

Bachtiger, P. et al. Point-of-Care-Screening auf Herzinsuffizienz mit reduzierter Ejektionsfraktion mithilfe künstlicher Intelligenz während einer EKG-gestützten Stethoskopuntersuchung in London, Großbritannien: eine prospektive, beobachtende, multizentrische Studie. Lanzettenziffer. Gesundheit 4, e117–e125 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Attia, ZI et al. Automatisierte Erkennung einer niedrigen Ejektionsfraktion aus einem Ein-Kanal-Elektrokardiogramm: Anwendung eines KI-Algorithmus auf ein Elektrokardiogramm-fähiges digitales Stethoskop. EUR. Herz J. Ziffer. Gesundheit https://doi.org/10.1093/ehjdh/ztac030 (2022).

Satija, U., Ramkumar, B. & Manikandan, MS Ein Überblick über Signalverarbeitungstechniken zur Bewertung der Signalqualität von Elektrokardiogrammen. IEEE Rev. Biomed. Ing. 11, 36–52 (2018).

Artikel PubMed Google Scholar

Moody, GB, Muldrow, W. & Mark, R. Ein Lärmstresstest für Arrhythmiedetektoren. Berechnen. Cardiol. 11, 381–384 (1984).

Google Scholar

Satija, U., Ramkumar, B. & Manikandan, MS Eine neue automatisierte, signalqualitätsbewusste EKG-Schlagklassifizierungsmethode für unbeaufsichtigte EKG-Diagnoseumgebungen. IEEE Sens. J. 19, 277–286 (2019).

Artikel Google Scholar

Satija, U., Ramkumar, B. & Manikandan, MS Eine einfache Methode zur Erkennung und Klassifizierung von EKG-Geräuschen für tragbare EKG-Überwachungsgeräte. im Jahr 2015 2. Internationale Konferenz über Signalverarbeitung und integrierte Netzwerke (SPIN) 164–169 (2015).

Charles, PD, Esper, GJ, Davis, TL, Maciunas, RJ & Robertson, D. Klassifizierung von Tremor und Aktualisierung der Behandlung. Bin. Fam. Arzt 59, 1565–1572 (1999).

CAS PubMed Google Scholar

Friesen, GM et al. Ein Vergleich der Rauschempfindlichkeit von neun QRS-Erkennungsalgorithmen. IEEE Trans. Biomed. Ing. 37, 85–98 (1990).

Artikel CAS PubMed Google Scholar

Sangha, V. et al. Erkennung einer linksventrikulären systolischen Dysfunktion anhand elektrokardiographischer Bilder. Vorabdruck unter https://www.medrxiv.org/content/10.1101/2022.06.04.22276000v2 (2022).

DeLong, ER, DeLong, DM & Clarke-Pearson, DL Vergleich der Flächen unter zwei oder mehr korrelierten Betriebskennlinien des Empfängers: ein nichtparametrischer Ansatz. Biometrie 44, 837–845 (1988).

Artikel CAS PubMed Google Scholar

Sun, X. & Xu, W. Schnelle Implementierung des DeLong-Algorithmus zum Vergleich der Flächen unter korrelierten Betriebskennlinien des Empfängers. IEEE-Signalprozess. Lette. 21, 1389–1393 (2014).

Artikel Google Scholar

McInnes, L., Healy, J. & Melville, J. UMAP: Einheitliche Mannigfaltigkeitsnäherung und Projektion zur Dimensionsreduktion. https://arxiv.org/abs/1802.03426 (2018).

Attia, ZI et al. Prospektive Bewertung der Smartwatch-fähigen Erkennung linksventrikulärer Dysfunktion. Nat. Med. 28, 2497–2503 (2022).

Artikel CAS PubMed PubMed Central Google Scholar

Pellikka, PA et al. Variabilität der Ejektionsfraktion, gemessen durch Echokardiographie, gesteuerte Einzelphotonen-Emissions-Computertomographie und kardiale Magnetresonanz bei Patienten mit koronarer Herzkrankheit und linksventrikulärer Dysfunktion. JAMA Netw. Offen 1, e181456 (2018).

Artikel PubMed PubMed Central Google Scholar

Jenkins, C. et al. Messung des linksventrikulären Volumens mit Echokardiographie: ein Vergleich der Trübung des linken Ventrikels, der dreidimensionalen Echokardiographie oder beider mit der Magnetresonanztomographie. EUR. Herz J. 30, 98–106 (2009).

Artikel PubMed Google Scholar

Kumar, A., Ranganatham, R., Komaragiri, R. & Kumar, M. Effizienter QRS-Komplexerkennungsalgorithmus basierend auf der schnellen Fourier-Transformation. Biomed. Ing. Lette. 9, 145–151 (2019).

Artikel PubMed Google Scholar

Johnson, D. Signal-Rausch-Verhältnis. Scholarpedia J. 1, 2088 (2006).

Artikel Google Scholar

Ioffe, S. & Szegedy, C. Batch-Normalisierung: Beschleunigung des Deep-Network-Trainings durch Reduzierung der internen Kovariatenverschiebung. in Proceedings of the 32nd International Conference on Machine Learning (Hrsg. Bach, F. & Blei, D.) Bd. 37, 448–456 (PMLR, 07–09, Juli 2015).

Hinton, GE, Srivastava, N., Krizhevsky, A., Sutskever, I. & Salakhutdinov, RR Verbesserung neuronaler Netze durch Verhinderung der Co-Adaption von Merkmalsdetektoren. https://arxiv.org/abs/1207.0580 (2012).

Cui, Y., Jia, M., Lin, T.-Y., Song, Y. & Belongie, S. Klassenbalancierter Verlust basierend auf der effektiven Anzahl von Proben. https://arxiv.org/abs/1901.05555 (2019).

Referenzen herunterladen

Diese Studie wurde durch Forschungsgelder unterstützt, die Dr Auszeichnung, 2022060). Die Geldgeber spielten keine Rolle bei der Konzeption und Durchführung der Studie; Sammlung, Verwaltung, Analyse und Interpretation der Daten; Vorbereitung, Überprüfung oder Genehmigung des Manuskripts; und Entscheidung, das Manuskript zur Veröffentlichung einzureichen.

Fakultät für Informatik, Yale University, New Haven, CT, USA

Akshay Khunte & Veer Sangha

Abteilung für Herz-Kreislauf-Medizin, Abteilung für Innere Medizin, Yale School of Medicine, New Haven, CT, USA

Evangelos K. Oikonomou, Lovedeep S. Dhingra, Arya Aminorroaya, Harlan M. Krumholz und Rohan Khera

Fakultät für Informatik und Ingenieurwesen, Texas A&M University, College Station, TX, USA

Bobak J. Mortazavi

Zentrum für Ergebnisforschung und -bewertung, Yale-New Haven Hospital, New Haven, CT, USA

Bobak J. Mortazavi, Andreas Coppi, Harlan M. Krumholz und Rohan Khera

Abteilung für Innere Medizin, Yale School of Medicine, New Haven, CT, USA

Andreas Coppi

Abteilung für Biomedizinische Informatik und Datenwissenschaft, Yale School of Medicine, New Haven, CT, USA

Cynthia A. Brandt & Rohan Khera

VA Connecticut Healthcare System, West Haven, CT, USA

Cynthia A. Brandt

Abteilung für Gesundheitspolitik und -management, Yale School of Public Health, New Haven, CT, USA

Harlan M. Krumholz

Abteilung für Gesundheitsinformatik, Abteilung für Biostatistik, Yale School of Public Health, New Haven, CT, USA

Rohan Khera

Sie können diesen Autor auch in PubMed Google Scholar suchen

RK konzipierte die Studie und griff auf die Daten zu. AK und RK haben das Modell entwickelt. AK, VS und RK führten die statistische Analyse durch. AK und EKO haben das Manuskript verfasst. Alle Autoren gaben Feedback zum Studiendesign und leisteten kritische Beiträge zum Verfassen des Manuskripts. RK hat die Studie betreut, Fördermittel beschafft und ist der Bürge.

Korrespondenz mit Rohan Khera.

AK, VS und RK sind Miterfinder der vorläufigen US-Patentanmeldung Nr. 63/428.569 „Artikel und Methoden zur Erkennung versteckter Herz-Kreislauf-Erkrankungen anhand tragbarer elektrokardiographischer Signaldaten mithilfe von Deep Learning“. VS und RK sind Miterfinder der in den USA anhängigen Patentanmeldung Nr. 63/346.610 „Artikel und Methoden zur formatunabhängigen Erkennung versteckter Herz-Kreislauf-Erkrankungen aus gedruckten elektrokardiographischen Bildern mithilfe von Deep Learning“. EKO und RK sind Miterfinder der vorläufigen US-Patentanmeldung Nr. 63/177.117 (ohne Bezug zur aktuellen Arbeit) und Mitbegründer von Evidence2Health, einer Präzisionsgesundheitsplattform für evidenzbasierte Pflege. BJM berichtete, dass er außerhalb der eingereichten Arbeiten Zuschüsse vom National Institute of Biomedical Imaging and Bioengineering, dem National Heart, Lung, and Blood Institute, der US Food and Drug Administration und der Advanced Research Projects Agency des US-Verteidigungsministeriums erhalten habe; Darüber hinaus verfügt BJM über ein angemeldetes Patent für Vorhersagemodelle unter Verwendung elektronischer Gesundheitsakten (US20180315507A1). HMK arbeitet im Rahmen eines Vertrags mit den Centers for Medicare & Medicaid Services an der Unterstützung von Qualitätsmessprogrammen und erhielt über die Yale University ein Forschungsstipendium von Johnson & Johnson zur Unterstützung des Datenaustauschs aus klinischen Studien. war Empfänger einer Forschungsvereinbarung über die Yale University vom Shenzhen Center for Health Information für die Arbeit zur Förderung intelligenter Krankheitsprävention und Gesundheitsförderung; arbeitet mit dem Nationalen Zentrum für Herz-Kreislauf-Erkrankungen in Peking zusammen; erhält eine Vergütung von der Anwaltskanzlei Arnold & Porter für Arbeiten im Zusammenhang mit dem Sanofi-Clopidogrel-Rechtsstreit, von der Anwaltskanzlei Martin Baughman für Arbeiten im Zusammenhang mit dem Cook Celect IVC-Filter-Rechtsstreit und von der Anwaltskanzlei Siegfried and Jensen für Arbeiten im Zusammenhang mit dem Vioxx-Rechtsstreit; Vorsitzender eines kardiologischen wissenschaftlichen Beirats für UnitedHealth; war Mitglied des IBM Watson Health Life Sciences Board; ist Mitglied des Beirats für Element Science, des Beirats für Facebook und des Physician Advisory Board für Aetna; und ist Mitbegründer von Hugo Health, einer Plattform für persönliche Gesundheitsinformationen, und Mitbegründer von Refactor Health, einem Unternehmen für KI-gestütztes Datenmanagement im Gesundheitswesen. RK ist Mitherausgeber bei JAMA und erhielt Unterstützung vom National Heart, Lung, and Blood Institute der National Institutes of Health (Auszeichnung K23HL153775) und der Doris Duke Charitable Foundation (Auszeichnung 2022060). Über Yale erhält er außerdem Forschungsunterstützung von Bristol-Myers Squibb und Novo Nordisk.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Khunte, A., Sangha, V., Oikonomou, EK et al. Erkennung einer linksventrikulären systolischen Dysfunktion mittels Einkanal-Elektrokardiographie, angepasst für tragbare und tragbare Geräte. npj Ziffer. Med. 6, 124 (2023). https://doi.org/10.1038/s41746-023-00869-w

Zitat herunterladen

Eingegangen: 06. Januar 2023

Angenommen: 26. Juni 2023

Veröffentlicht: 11. Juli 2023

DOI: https://doi.org/10.1038/s41746-023-00869-w

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Nachricht

Erkennung einer linksventrikulären systolischen Dysfunktion aus Einzelfällen