Модель глубокого обучения, использующая данные ЭКГ для прогнозирования риска внезапной сердечной смерти

Вступительное слово от себя

После двух с половиной лет погружения в мир машинного обучения я не перестаю удивляться его возможностям! Погружение в этот предмет оказалось для меня настоящим открытием, и сейчас я вижу, какие широкие горизонты он открывает. В своем путешествии я сталкиваюсь с различными областями применения машинного обучения, одной из которых является медицина.

Недавно я наткнулся на статью о модели глубокого обучения, использующей данные ЭКГ для прогнозирования риска внезапной сердечной смерти. Переведя эту статью, я осознал, насколько глубокое влияние машинного обучения может оказать на медицину. Этот подход позволяет использовать данные, которые ранее казались сложными для анализа, для точного прогнозирования серьезных заболеваний.

Использование глубокого обучения в медицине предоставляет ряд преимуществ. Это включает в себя более точные прогнозы заболеваний, использование полного объема данных для анализа, а также более высокую скорость и широкий охват при обработке информации.

Это приятно осознавать, что я могу разбираться в коде (доступен здесь), представленном в статье, однако я также понимаю, что мой уровень знаний в области медицины не так высок, как мог бы быть. Тем не менее, я готов учиться и развиваться, чтобы лучше понять, как медицинские данные могут быть использованы в машинном обучении.

Эта статья представляет собой лишь малую часть того, что машинное обучение может предложить медицине. Я надеюсь, что мой опыт и исследование этой темы привлекут внимание молодых ML инженеров, врачей к предмету машинного обучения в области медицины.

Авторы

Lauri Holmstrom, Harpriya Chugh, Kotoka Nakamura, Ziana Bhanji, Madison Seifer, 

Audrey Uy-Evanado, Kyndaron Reinier, David Ouyang & Sumeet S. Chugh

Введение Обычные алгоритмы на основе ЭКГ могут способствовать стратификации риска внезапной сердечной смерти (ВСС), но демонстрируют умеренные прогностические возможности. Модели глубокого обучения (DL) используют весь цифровой сигнал и, возможно, могут улучшить прогностическую силу. Нашей целью было обучить и проверить модель DL на основе 12-канального ЭКГ для оценки риска ВСС.

• Методы Случаи ВСС вне больницы были перспективно выявлены в районе метро Портленда, штат Орегон. Всего было ретроспективно собрано и проанализировано 1 827 ЭКГ до сердечной остановки из 1 796 случаев ВСС для разработки модели DL на основе ЭКГ. Внешняя валидация была проведена на 714 ЭКГ из 714 случаев ВСС из округа Вентура, штат Калифорния. Два отдельных контрольных образца были получены из 1 342 ЭКГ, взятых у 1 325 человек, у которых как минимум 50% имели установленное заболевание коронарных артерий. Модель DL была сравнена с ранее проверенной конвенциональной 6-переменной моделью риска ЭКГ.

• Результаты Модель DL достигает AUROC 0,889 (95% CI 0,861–0,917) для обнаружения случаев ВСС против контроля во внутреннем тестовом наборе данных, и успешно проверяется на внешних случаях ВСС с AUROC 0,820 (0,794–0,847). Модель DL проявляет существенно лучшие результаты, чем конвенциональная модель риска ЭКГ, которая достигает AUROC 0,712 (0,668–0,756) во внутренней и 0,743 (0,711–0,775) во внешней когорте.

• Выводы Модель DL на основе ЭКГ различает случаи ВСС от контроля с улучшенной точностью и демонстрирует более высокую эффективность, чем конвенциональная модель риска ЭКГ. Дальнейшее детальное исследование требуется для оценки вклада модели DL в улучшение стратификации риска ВСС.

Краткое описание проблемы

Внезапная сердечная смерть (ВСС) происходит, когда возникают проблемы с электрической активностью в сердце. Это распространенная причина смерти по всему миру, поэтому было бы полезно легко выявлять людей с высоким риском ВСС. Электрокардиограммы — это доступный и широко используемый способ измерения электрической активности сердца. Мы разработали вычислительный метод, который может использовать электрокардиограммы для определения, находится ли человек в повышенном риске ВСС. Наш метод может позволить врачам скрининг больших групп людей и выявление тех, кто находится в повышенном риске ВСС. Это может позволить регулярное наблюдение за этими людьми и, возможно, предотвращение ВСС у некоторых из них.

Внезапная сердечная смерть (ВСС) является серьезной глобальной проблемой общественного здравоохранения. В Европе и Соединенных Штатах ежегодно около 700 000 человек сталкиваются с этим, в-основном, смертельным состоянием. Учитывая высокую смертность от ВСС, эффективная первичная профилактика могла бы оказать существенное положительное воздействие, однако текущий подход нуждается в дополнительных улучшениях. На основе рандомизированных клинических исследований пациенты, выявленные как высокорискованные на основе сильно сниженной систолической функции левого желудочка (LVEF <35%), получают имплантируемые

---

Результаты

• Демографические и клинические данные Наша выборка состоит из общего числа 2,510 случаев внезапной сердечной смерти (ВСС): 1,796 случаев ВСС из Исследования внезапной неожиданной смерти в Орегоне (SUDS, Портленд, штат Орегон; обучение, валидация и тестирование) и 714 случаев ВСС из географически различного Исследования прогнозирования внезапной смерти в

  • Производительность модели глубокого обучения

    На внутреннем тестовом наборе данных модель глубокого обучения достигла площади под ROC-кривой (AUC) в размере 0,889 (95% ДИ 0,861–0,917) при обнаружении случаев внезапной сердечной смерти среди контрольных групп. Чувствительность и специфичность составили 0,843 (0,809–0,878) и 0,818 (0,764–0,872) соответственно. На внешнем валидационном наборе данных модель глубокого обучения достигла сопоставимой площади под ROC-кривой в размере 0,820 (0,794–0,847) при обнаружении случаев внезапной сердечной смерти. Чувствительность составила 0,763 (0,733–0,796), а специфичность – 0,796 (0,753–0,838). Метрики производительности модели во внутреннем и внешнем когортах представлены в Таблице 2, а ROC-кривые – на рисунке 3.

  • Оценка AUC моделей, разделенных по полу и возрасту.

    Модель глубокого обучения проявила сходную производительность у мужчин и женщин во внутренней когорте (проверка на разницу в AUC между подгруппами, p = 0,36), а во внешней когорте показала незначительное улучшение у мужчин (AUC = 0,842, 95% ДИ 0,81–0,874) по сравнению с женщинами (AUC = 0,775, 95% ДИ 0,718–0,831) (p = 0,043). Никаких различий в производительности модели не наблюдалось при сравнении возраста старше 70 лет с возрастом не более 70 лет во внутренних или внешних когортах (p = 0,56 и p = 0,16 соответственно).

  • Производительность конвенционального электрокардиографического риска

    Мы сравнили производительность модели глубокого обучения с ранее разработанным и валидированным 6-переменным электрокардиографическим электрическим риском, который был независимо ассоциирован с внезапной сердечной смертью10. Во внутренних и внешних наборах данных этот риск достиг площадей под ROC-кривой (AUC) в размере 0,712 (0,668–0,756) и 0,743 (0,711–0,775) при обнаружении случаев внезапной сердечной смерти среди контрольных групп соответственно. Чувствительность составила 0,779 (0,721–0,837) во внутреннем тестовом наборе данных и 0,569 (0,515–0,623) во внешней валидационной когорте. Специфичность составила 0,506 (0,454–0,558) во внутреннем тестовом наборе данных и 0,802 (0,773–0,832) во внешней валидационной когорте (Таблица 2 и Рисунок 3).

  

  

  • Модели логистической регрессии

    Для оценки прогностической силы индекса DL-ЭКГ в дополнение к конвенциональным клиническим факторам риска ВСС мы провели анализы логистической регрессии, включив клинические переменные с и без индекса DL-ЭКГ во внутренние и внешние наборы данных. Во внутреннем тестовом наборе данных добавление индекса DL-ЭКГ к клиническим переменным улучшило дискриминационную способность ВСС с AUROC 0,780 (0,741–0,818) до AUROC 0,919 (0,895–0,943). Подобные результаты были получены во внешнем тестовом наборе данных, где добавление индекса DL-ЭКГ к клиническим переменным улучшило дискриминационную способность ВСС с AUROC 0,806 (0,778–0,833) до AUROC 0,899 (0,878–0,920). Используя порог 0,70 для прогнозирования статуса случая, улучшение чистой реклассификации с использованием модели DL и клинических переменных по сравнению с моделью с клиническими переменными во внутренней когорте составило 28,7% (95% CI 21,0–36,5%), а во внешней когорте 15,3% (95% CI 9,7–20,9%). Показатели производительности регрессионной модели во внутренних и внешних когортах приведены в таблице 3, а кривые AUROC в фигуре 4. Примеры локальных интерпретируемых модельно-агностических объяснений (LIME), выделенные ЭКГ из двух случаев ВСС и двух контрольных случаев из внешней когорты, представлены на дополнительной фигуре. LIME выделил широкий спектр характеристик ЭКГ, включая интервал PR, комплекс QRS и изменения ST- и T-волн.

  ---

  Обсуждение

  • Для обучения, тестирования и валидации модели глубокого обучения на основе волнового образа 12-канального ЭКГ мы использовали данные из двух крупных географически различных сообществ-когорт ВСС внебольничного характера. Эта модель была сравнена с ранее валидированной конвенциональной моделью ЭКГ. Модель глубокого обучения достигла более высокой точности с AUROC 0,889 для внутренней когорты и 0,820 для внешней валидации и превзошла конвенциональный риск по ЭКГ. Небольшое снижение производительности во внешней когорте может быть связано с различиями в демографических и клинических характеристиках, которые могут повлиять на точность прогноза модели. Однако, несмотря на такие различия, общая производительность оставалась хорошей во внешней когорте. По нашему мнению, это первый отчет о модели глубокого обучения на основе ЭКГ, которая превзошла конвенциональную модель риска по ЭКГ в прогнозировании ВСС внебольничного характера на уровне сообщества.

  • В этой работе есть некоторые уникальные аспекты дизайна исследования, которые сделали ее выполнимой. ВСС — это динамичное и неожиданное событие, которое требует проспективного определения. Поскольку ежегодная заболеваемость находится в диапазоне от 50 до 100/100 000, существующие когорты из 5000–10 000 субъектов не могут предоставить достаточного количества случаев ВСС для жизнеспособного анализа, особенно тех, которые используют модели глубокого обучения. Более того, мы смогли включить как выживших, так и умерших после ВСС пациентов в наши наборы данных, что исключает предвзятость прогнозирования только умерших или выживших. Создание двух населенных когорт — Oregon SUDS и Ventura PRESTO, состоящих из ~1,85 миллиона резидентов США, обеспечило достаточное количество для глубокого обучения. Равным образом, оба исследования получали и архивировали цифровые 12-канальные ЭКГ, выполненные до и не связанные с событиями ВСС. Хотя это вызывает определенные трудности для фенотипа ВСС, это предпосылка для обнаружения моделей прогнозирования.

  • Недавно опубликованные исследования разработки модели глубокого обучения для прогнозирования ВСС или желудочковых аритмий (ЖА) с использованием изображений сердца, полученных с помощью МРТ25,26,

    • Большинство случаев внезапной сердечной смерти (ВСС) не выявляются как высокорисковые до своего, в основном, летального исхода, что подчеркивает важность расширения оценки риска ВСС за пределы доли выброса из левого желудочка. В то время как общая частота ВСС в обществе остается относительно стабильной, частота ВСС при сердечной недостаточности с пониженной долей выброса снизилась, что указывает на то, что использование ДДВ <35% в прогнозировании риска становится все менее эффективным. Эффективная стратификация риска требует как оптимальной популяции для скрининга, так и точных инструментов скрининга, которые, вероятно, будут состоять из комбинации нескольких методов оценки риска (например, ЭКГ, изображение, омика и т. д.). Аномалии ЭКГ уже включены в недавние модели риска ВСС, и использование анализа ЭКГ на основе глубокого обучения в качестве предварительного инструмента для идентификации лиц, которых можно направить на более полную оценку риска, может оказаться эффективным у выбранных лиц. В связи с высокой долей ИБС и предшествующего инфаркта миокарда без истории желудочковых аритмий мы считаем, что контрольные субъекты в настоящем исследовании представляют собой пациентов с промежуточным риском, и учитывая повышенный базовый риск ВСС, эта группа пациентов может являться разумной целью для скрининговых мероприятий. Тем не менее, наше исследование представляет собой первые шаги в оценке риска ВСС на основе анализа ЭКГ на основе глубокого обучения. Как и для всех моделей глубокого обучения, имеющих потенциал быть клинически полезными, требуются дальнейшие перспективные исследования, за которыми последуют случайные исследования, чтобы изучить, может ли анализ ЭКГ на основе глубокого обучения предоставить недорогой, высокопроизводительный и широко доступный предварительный инструмент для усиления текущей стратификации риска ВСС.

    • Одним из преимуществ нашего исследования является большая выборка тщательно https://github.com/ecg-net/scd-oregon

      Список литературы

      1. Tsao, C. W. et al. Heart disease and stroke statistics-2022 update: a report from the American Heart Association. Circulation 145, e153–e639 (2022).

      2. Empana, J. P. et al. Incidence of sudden cardiac death in the European union. J. Am. Coll. Cardiol. 79, 1818–1827 (2022).

      3. Chugh, S. S. Disrupting the approach to sudden cardiac death: from vulnerable ejection fraction to vulnerable patient. Circulation 137, 7–9 (2018).

      4. Sabbag, A. et al. Contemporary rates of appropriate shock therapy in patients who receive implantable device therapy in a real-world setting: from the Israeli ICD registry. Heart Rhythm. 12, 2426–2433 (2015).

      5. Kober, L. et al. Defibrillator Implantation in patients with nonischemic systolic heart failure. N. Engl. J. Med. 375, 1221–1230 (2016).

      6. Shen, L. et al. Declining disk of sudden death in heart failure. N. Engl. J. Med. 377, 41–51 (2017).

      7. Stecker, E. C. et al. Population-based analysis of sudden cardiac death with and without left ventricular systolic dysfunction: two-year findings from the oregon sudden unexpected death study. J. Am. Coll. Cardiol. 47, 1161–1166 (2006).

      8. Chugh, S. S. et al. Prediction of sudden cardiac death manifesting With documented ventricular fibrillation or pulseless ventricular tachycardia. JACC Clin. Electrophysiol. 8, 411–423 (2022).

      9. Narayanan, K. & Chugh, S. S. The 12-lead electrocardiogram and risk of sudden death: current utility and future prospects. Europace 17, ii7–ii13 (2015).

      10. Aro, A. L. et al. Electrical risk score beyond the left ventricular ejection fraction: prediction of sudden cardiac death in the Oregon sudden unexpected death study and the atherosclerosis risk in communities study. Eur. Heart J. 38, 3017–3025 (2017).

      11. Chatterjee, N. A. et al. Simple electrocardiographic measures improve sudden arrhythmic death prediction in coronary disease. Eur. Heart J. 41, 1988–1999 (2020).

      12. Waks, J.W. et al. Global electric heterogeneity risk score for prediction of sudden cardiac death in the general population: the atherosclerosis risk in communities (ARIC) and Cardiovascular Health (CHS) studies. Circulation 133, 2222–2234 (2016).

      13. Attia, Z. I. et al. Prospective evaluation of smartwatch-enabled detection of left ventricular dysfunction. Nat. Med. 28, 2497–2503 (2022).

      14. Attia, Z. I. et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat. Med. 25, 70–74 (2019).

      15. Ko, W. Y. et al. Detection of hypertrophic cardiomyopathy using a convolutional neural network-enabled electrocardiogram. J. Am. Coll. Cardiol 75, 722–733 (2020).

      16. Attia, Z. I. et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet 394, 861–867 (2019).

      17. Chugh, S. S. et al. Current burden of sudden cardiac death: multiple source surveillance versus retrospective death certificate-based review in a large U.S. community. J. Am. Coll. Cardiol. 44, 1268–1275 (2004).

      18. Reinier, K. et al. Evaluation of sudden cardiac arrest by race/ethnicity among residents of ventura county, California, 2015-2020. JAMA Netw. Open 4, e2118537 (2021).

      19. Badilini, F., Erdem, T., Zareba, W. & Moss, A. J. ECGScan: a method for conversion of paper electrocardiographic printouts to digital electrocardiographic files. J. Electrocardiol. 38, 310–318 (2005).

      20. Ouyang, D. et al. Electrocardiographic deep learning for predicting post-procedural mortality: a model development and validation study. Lancet Digit. Health 6, e70–e78 (2024).

      21. Davis, C., Tait, G., Carroll, J., Wijeysundera, D. N. & Beattie, W. S. The revised cardiac risk index in the new millennium: a single-centre prospective cohort re-evaluation of the original variables in 9,519 consecutive elective surgical patients. Can. J. Anaesth 60, 855–863 (2013).

      22. Ford, M. K., Beattie, W. S. & Wijeysundera, D. N. Systematic review: prediction of perioperative cardiac complications and mortality by the revised cardiac risk index. Ann. Intern. Med. 152, 26–35 (2010).

      23. Gupta, P. K. et al. Development and validation of a risk calculator for prediction of cardiac risk after surgery. Circulation 124, 381–387 (2011).

      24. Holmstrom, L. et al. Deep learning-based electrocardiographic screening for chronic kidney disease. Commun. Med. (Lond) 3, 73 (2023).

      25. Okada, D. R. et al. Substrate spatial complexity analysis for the prediction of ventricular arrhythmias in patients with ischemic cardiomyopathy. Circ. Arrhythm. Electrophysiol. 13, e007975 (2020).

      26. Popescu, D. M. et al. Arrhythmic sudden death survival prediction using deep learning analysis of scarring in the heart. Nat. Cardiovasc. Res. 1, 334–343 (2022).

      27. Rogers, A. J. et al. Machine learned cellular phenotypes in cardiomyopathy predict sudden death. Circ Res. 128, 172–184 (2021).

      28. Wu, K. C. et al. Baseline and dynamic risk predictors of appropriate implantable cardioverter defibrillator Therapy. J. Am. Heart Assoc 9, e017002 (2020).

      29. Attia, Z. I. et al. Age and sex estimation using artificial intelligence from standard 12-lead ECGs. Circ. Arrhythm Electrophysiol. 12, e007284 (2019).

      30. Galloway, C. D. et al. Development and validation of a deep-learning model to screen for hyperkalemia from the electrocardiogram. JAMA Cardiol. 4, 428–436 (2019).

      31. Kwon, J. M. et al. A deep learning algorithm to detect anaemia with ECGs: a retrospective, multicentre study. Lancet Digit. Health 2, e358–e367 (2020).

      32. Shiraishi, Y. et al. Improved prediction of sudden cardiac death in patients with heart failure through digital processing of electrocardiography. Europace. 3, 922–930 (2023).

      33. Chugh, S. S. Oregon SCD ECG Deep Learning. Example Data for the VISIBLE Software Package (Zenodo, 2023).

      Благодарности

      Эта работа частично финансируется Национальным институтом здоровья сердца, лёгких и крови (National Heart Lung and Blood Institute) по грантам R01HL145675 и R01HL147358 для SSC. SSC занимает должность Полин и Харольд Прайс профессора по кардиоэлектрофизиологии в Цедар-Синай.

      LH является постдокторантом, прибывшим из Научного отделения внутренней медицины, Медицинского исследовательского центра Университета Оулу и Оулуской университетской больницы, Оулу, Финляндия, и финансируется Фондом Сигрид Юзелиуса, Финским культурным фондом, Фондом инструментария, Фондом исследований «Орион» и Фондом Пааво Нурми. Финансирование не оказало влияния на подготовку этой работы или решение о её публикации.