Ein Modell der künstlichen Intelligenz (KI) kann Patienten mit intermittierendem Vorhofflimmern (AF) identifizieren, selbst wenn es während eines normalen Sinusrhythmus in nur 10 Sekunden durchgeführt wird, so eine neue Studie.
Die Forscher analysierten Daten aus fast 650.000 Sinusrhythmus-Elektrokardiogrammen (EKGs) bei mehr als 180.000 Erwachsenen zwischen Dezember 1993 und Juli 2017 und teilten die EKGs in drei Gruppen ein: Training (70%), interne Validierung (10%) und Tests (20%)..
Die Testgruppe verwendete ein AI-fähiges EKG, um subtile Änderungen mithilfe einer speziell trainierten neuronalen Netzwerktechnologie zu erkennen.
Das primäre Ergebnis war, ob das AI-programmierte EKG AF im Testdatensatz bei Patienten mit bestätigtem AF genau erkennen konnte, bevor es mit dem AI-Gerät getestet wurde.
AI identifizierte das Vorhandensein von AF mit einer Genauigkeit von 79% für einen einzelnen Scan und einer Genauigkeit von 83% bei der Analyse mehrerer EKGs für denselben Patienten genau.
"Wir haben festgestellt, dass das AI-EKG in seiner Fähigkeit, kürzlich aufgetretenen oder bevorstehenden AF mit einer AUC von 0, 90 zu erkennen, sehr leistungsfähig ist", sagte Dr. Paul Friedman, Professor für Medizin an der Mayo Clinic in Rochester, Minnesota, gegenüber theheart.org | Medscape Kardiologie.
"In Zukunft könnte dies die Diagnose am Behandlungsort erleichtern, indem die Anwendung des Algorithmus auf kostengünstige, weit verbreitete Technologien ermöglicht wird. Wir haben beispielsweise zuvor die Übersetzung von neuronalen Netzen gezeigt, die mit 12-Kanal-EKGs erstellt wurden, auf mobile Geräte. Smartphone-basierte Elektroden, die normalerweise nur eine einzige Leitung verwenden ", sagte Friedman, der auch Normal Blane und Billie Jean Harty, Vorsitzender der Abteilung für Herz-Kreislauf-Medizin der Mayo-Klinik, ist und Dr. Robert L. Frye ehrt.
Die Studie wurde online am 1. August im Lancet veröffentlicht.
"Das Screening auf AF kann aufgrund der geringen diagnostischen Ausbeute eines einzelnen EKG zur Erkennung einer oft flüchtigen Arrhythmie eine Herausforderung sein", schreiben die Autoren.
AF ist "schwer zu erkennen und wird oft nicht diagnostiziert", stellte Friedman fest, wobei die Erkennung "eine Überwachung über Wochen bis Jahre erfordert, manchmal mit einem implantierten Gerät, wodurch Patienten möglicherweise einem Risiko für einen wiederkehrenden Schlaganfall ausgesetzt sind, da derzeitige Methoden AF oder AF nicht immer genau erkennen zu lange brauchen."
"Ein AI-fähiges EKG verwendet maschinelles Lernen in Form von tiefen neuronalen Netzen, um subtile Muster im Standard-12-Kanal-EKG zu identifizieren, um stille oder bevorstehende Krankheiten zu identifizieren", erklärte er.
Die bisherigen Erfahrungen mit dem AI-EKG bei der Erkennung stiller Krankheiten "motivierten uns, ein neues Netzwerk zu schaffen, das sich auf AF konzentriert, da es einen wichtigen Zusammenhang mit Herzinsuffizienz, Schlaganfall und Tod aufweist und eine wichtige Rolle bei der Bestimmung der Behandlung spielt. " er fügte hinzu.
Die Forscher analysierten zwischen dem 31. Dezember 1993 und dem 21. Juli 2017 Daten von allen erwachsenen Patienten (≥ 18 Jahre) im EKG-Labor der Mayo Clinic.
Um als AF-positiv eingestuft zu werden, mussten die Patienten mindestens ein digitales Standard-EKG mit 10 Sekunden und 12 Ableitungen und Sinusrhythmus und Vorhofflimmern haben. Um als AF-negativ eingestuft zu werden, mussten die Patienten keinen AF im EKG und zusätzlich keinen Hinweis auf AF in den Diagnosecodes in ihrer elektronischen Krankenakte haben.
Jedes EKG mit einem AF-Rhythmus oder Vorhofflattern wurde als AF klassifiziert.
Für Patienten mit mehreren EKGs definierten die Forscher ein "Fenster von Interesse" zum Zweck der Analyse.
Für diejenigen, bei denen mindestens ein AF-Rhythmus aufgezeichnet wurde, definierten die Forscher das erste aufgezeichnete AF-EKG als Index-EKG und das erste Datum des interessierenden Fensters als 31 Tage vor diesem Datum.
Bei Patienten mit mehreren EKGs, aber ohne AF wurde das Index-EKG als erstes verfügbares EKG angesehen.
Das primäre Ergebnis war die Fähigkeit des AI-verstärkten EKG, Patienten mit Vorhofflimmern zu identifizieren, bewertet anhand der Fläche unter der Kurve (AUC) der Empfängerbetriebskennlinie (ROC) sowie der Empfindlichkeit, Spezifität, Genauigkeit und des F1-Scores.
Die Forscher führten auch eine Sekundäranalyse durch, um festzustellen, ob die Verwendung zusätzlicher Sinusrhythmus-EKGs pro Patient die AUC des AI-fähigen EKGs bei der Erkennung einer AF-Vorgeschichte verbessern könnte.
Eine weitere Sekundäranalyse wurde durchgeführt, die nur den ersten normalen Sinusrhythmus nach dem Index-AF-EKG umfasste.
Von den 1 Million verfügbaren EKGs analysierten die Forscher 649.931 EKGs mit normalem Sinusrhythmus (180.922 Patienten; mittleres [SD] Alter 60, 3 [16, 5] Jahre beim ersten Besuch; 49, 6% Männer; 8, 5% mit ≥1 aufgezeichnetem AF).
Das Modell wurde unter Verwendung von 454.789 EKGs trainiert, die von 126.526 Patienten aufgezeichnet wurden (Mittelwert 3, 6 [4, 8] EKGs pro Patient).
Die Forscher teilten EKGs in zwei zusätzliche Kategorien ein:
- Interner Validierungsdatensatz (n = 64.340 EKGs von 18.116 Patienten)
- Testdatensatz (n = 130.802 EKGs von 36.280 Patienten)
Von dem Testdatensatz hatten 8, 4% der Patienten AF vor dem vom Modell getesteten normalen Sinusrhythmus-EKG verifiziert.
Bei Patienten im Testdatensatz mit mindestens einem aufgezeichneten AF fanden 55, 7% der 3051 ersten EKGs mit normalem Sinusrhythmus im interessierenden Fenster innerhalb einer Woche nach dem Index-AF-EKG statt.
Sowohl im internen Validierungsdatensatz als auch im Testdatensatz hatte ein einzelnes AI-fähiges EKG den gleichen Erfolg bei der Identifizierung von AF (AUC von 0, 87; 95% CI, 0, 86 - 0, 88).
Der Wahrscheinlichkeitswert, bei dem eine ähnliche Sensitivität, Spezifität und Genauigkeit (79, 2%) für den internen Validierungssatz festgestellt wurde, wurde dann auf den Testsatz angewendet, was einen F1-Wert von 39, 2% (38, 1 - 40, 4) mit einer Sensitivität ergab von 79, 0% (77, 5 - 80, 4), Spezifität von 79, 5% (79, 0 - 79, 9) und einer Gesamtgenauigkeit von 79, 4% (79, 0 - 79, 9).
Die Forscher testeten das Modell in den ersten 31 Tagen ab Studienbeginn an allen Sinusrhythmus-EKGs und wählten die durchschnittliche und maximale Wahrscheinlichkeit von AF-Scores aus.
Die AUC verbesserte sich auf 0, 89 (0, 89 - 0, 90), wenn die durchschnittliche Punktzahl des Testdatensatzes verwendet wurde, und auf 0, 90 (0, 90 - 0, 91), wenn die Forscher einen empfindlicheren Ansatz zur Verwendung der Punktzahl des EKG mit dem höchsten Risiko anwendeten.
Ähnliche Verbesserungen wurden bei derselben Analyse des internen Validierungssatzes festgestellt.
Die Forscher führten auch eine Sekundäranalyse des Testdatensatzes durch, die nur den ersten normalen Sinusrhythmus nach dem Einsetzen des AF umfasste, und stellten fest, dass sich die AUC des Netzwerks auf 0, 90 (0, 89 - 0, 91) verbesserte.
Wie in der Primäranalyse ergab die Wahrscheinlichkeitsschwelle eine ähnliche Sensitivität und Spezifität für den internen Validierungssatz und wurde zur Klassifizierung der Patienten im Testdatensatz verwendet.
Wenn die Forscher die maximale Punktzahl mit dem berechneten Schwellenwert verwendeten, fanden sie Verbesserungen bei allen Maßnahmen (F1-Punktzahl 45, 4% [44, 2 - 46, 5]; Sensitivität 82, 3% [80, 9 - 83, 6]; Spezifität 83, 4% [83, 0 - 83, 8]].; und Gesamtgenauigkeit 83, 3% [83, 0 - 83, 7]) auf dem Testdatensatz.
"Die Hinzufügung von KI zu einem weit verbreiteten, kostengünstigen, nicht-invasiven Standardtest - dem Elektrokardiogramm - verwandelt es in ein leistungsstarkes [Werkzeug], das kürzlich aufgetretenen oder bevorstehenden AF erkennen kann. und Tod ", kommentierte Friedman.
"Dies geschieht aufgrund der Fähigkeit des Netzwerks, subtile Muster im Netzwerk zu erkennen, die in der Öffentlichkeit verborgen sind", fügte er hinzu.
Kommentar zur Studie für theheart.org | Medscape Cardiology, Jeroen Hendriks, MSc, PhD, Zentrum für Herzrhythmusstörungen, Universität Adelaide und Royal Adelaide Hospital, Australien, Co-Autor eines begleitenden Leitartikels, nannte die Forschung "robust".
"Anstatt zu versuchen, Vorhofflimmern durch längeres Überwachen des Sinusrhythmus zu beobachten, schlagen die Autoren vor, dass AI dieses Nadel-im-Heuhaufen-Szenario vermeiden und stattdessen aus nur einem normalen Sinusrhythmus-EKG identifizieren kann, wenn tatsächlich eine Nadel versteckt ist innerhalb."
In Zukunft könnte "AI das Behandlungsteam bei der klinischen Entscheidungsfindung unterstützen" und beispielsweise auch bei Patienten mit ESUS [Embolie-Schlaganfall mit unbestimmter Quelle] nützlich sein, um festzustellen, ob AF die zugrunde liegende Ursache des Schlaganfalls ist. " Schlug Hendriks vor.
"Dieses spezielle Modell ist spezifisch für AF. Wir haben jedoch Modelle für eine Reihe anderer Bedingungen erstellt, die dieselben Grundprinzipien verwenden, sodass eine große Anzahl von Bedingungen mithilfe des AI-EKG erkannt werden kann", fügte Friedman hinzu.
Die Studie und die Autoren erhielten keine externe oder kommerzielle Unterstützung; Die Finanzierung erfolgte über interne Ressourcen der Mayo Clinic. Die Autoren erklären keine relevanten finanziellen Beziehungen. Hendriks berichtet, dass die Universität von Adelaide in seinem Namen Vortrags- oder Beratungsgebühren von Medtronic und Pfizer / Bristol-Myers Squibb erhalten hat. Er wird auch durch ein Stipendium der National Heart Foundation of Australia unterstützt. Das Institute of Cardiovascular Research wurde von der British Heart Foundation ausgezeichnet. Die Angaben seines Mitautors sind im Original-Editorial aufgeführt.
Lanzette. Online veröffentlicht am 1. August 2019. Abstract, Editorial
Weitere Neuigkeiten zu Medscape Cardiology finden Sie auf Facebook und Twitter.
