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 кардиовертер-дефибрилляторы. Однако не существует методологии стратификации риска для людей с LVEF >35%, которые составляют 70% ВСС в обществе. Более того, ~40–50% всех случаев ВСС происходят у людей без предварительно диагностированных заболеваний сердца, что является предпосылкой для оценки риска ВСС.

Были разработаны новые методики прогнозирования, выходящие за рамки фракции выброса левого желудочка, однако они все еще находятся в исследовательской области. Особый интерес вызывает стандартный 12-канальный ЭКГ с целью улучшения долгосрочной стратификации риска ВСС. Различные аномалии ЭКГ были выявлены как ассоциирующиеся с увеличенным долгосрочным риском ВСС, и мы ранее опубликовали 6-переменную ЭКГ-электрическую оценочную шкалу риска, выявляющую лиц, находящихся в повышенном риске ВСС. Однако обычные инструменты стратификации риска на основе ЭКГ обычно ограничены низкой точностью или практичностью, поскольку включают измерения, которые не являются частью обычной интерпретации ЭКГ, и требуют индивидуальных измерений или интерпретации обученного медицинского персонала.

В последние годы были разработаны и применяются глубокие алгоритмы обучения на основе ЭКГ для диагностических целей. ЭКГ-ориентированные модели глубокого обучения успешно обучены на обнаружение различных сердечных заболеваний, например, дисфункции левого желудочка или для распознавания пациентов с высоким риском фибрилляции предсердий. В отличие от обычного анализа ЭКГ, модели глубокого обучения не требуют ручного выбора и извлечения соответствующих характеристик, что позволяет им захватить всю ЭКГ и добиться более высокой точности прогнозирования.

---

Методы

• Дизайн исследования Мы использовали два географически разделенных перспективных и продолжающихся исследования случаев внебольничной ВСС в общей популяции: Oregon SUDS (для обучения, валидации и тестирования) и Ventura PRESTO (внешняя валидация). Учитывая, что коронарное артериальное заболевание (КАЗ) является наиболее распространенным основным субстратом для ВСС, наша контрольная группа была спланирована таким образом, чтобы представить контрольную выборку с аналогичной распространенностью предварительно диагностированного КАЗ.

• Когорты ВСС (Oregon SUDS и Ventura PRESTO) Подробные методы исследований Oregon SUDS и Ventura PRESTO также были опубликованы ранее. Оба этих исследования, Oregon SUDS и Ventura PRESTO, устанавливают все случаи внебольничной ВСС в районе метрополии Портленда, штат Орегон (население около 1 миллиона, Oregon SUDS, с 2002 года), и округ Вентура, штат Калифорния (население около 850 тысяч, Ventura PRESTO, с 2015 года), используя одинаковый подход. Потенциальные случаи ВСС в сообществе выявляются совместно с системой скорой медицинской помощи (СМП) каждого региона. Затем обученными физициантами-исследователями применялись установленные методы адюдикации для подтверждения вероятной кардиальной этиологии ВСС, используя все доступные медицинские данные для каждого потенциального случая ВСС, отчеты о медицинской помощи в предбольничный период СМП, отчеты медико-легальных экспертов и свидетельства о смерти из записей важной статистики здоровья штатов Орегон и Калифорния. ВСС определялась как внезапная потеря пульса из-за вероятной кардиальной этиологии, произошедшая на глазах у свидетелей, или, если это произошло не под наблюдением, субъект должен был быть живым в течение последних 24 часов жизни. Мы включили успешно реанимированные случаи, а также умерших. Случаи вероятной не-кардиальной этиологии (например, травма или злоупотребление веществами) или хронического терминального заболевания были исключены. Все случаи с архивированными ЭКГ в состоянии покоя, доступными для анализа, были включены. Эти ЭКГ были записаны до и не связаны с событием ВСС, с калибровкой 10 мм/мВ и скоростью бумаги 25 мм/с. ЭКГ с мерцательной аритмией или мерцанием предсердий были исключены заранее, чтобы создать модель глубокого обучения, которая могла бы быть применена к ЭКГ в синусовом ритме. Прекризисные клинические записи и ЭКГ были доступны, если пациент дал письменное согласие или умер, в этом случае согласие было отменено институциональными комитетами по рассмотрению протоколов. Институциональные комитеты по рассмотрению протоколов медицинского центра округа Вентура, Университета здравоохранения и науки штата Орегон, медицинской системы Cedars-Sinai и всех других соответствующих систем здравоохранения и участвующих больниц утвердили протокол исследования.

• Контрольная популяция Мы набирали контрольных субъектов из метрополии Портленда, штат Орегон, чтобы представить людей с промежуточным риском ВСС с большой долей случаев у пациентов с ИБС. Институциональные комитеты по рассмотрению протоколов медицинского центра округа Вентура, Университета здравоохранения и науки штата Орегон, медицинской системы Cedars-Sinai и все другие соответствующие системы здравоохранения и участвующие больницы утвердили протокол исследования, и все контрольные субъекты дали информированное согласие на использование своих данных в исследовании. Контрольные субъекты были выявлены через несколько источников, включая пациентов, подвергающихся ангиографии, пациентов, чья боль в груди оценивалась СМП, или пациентов, посещающих амбулаторную кардиологическую клинику. Мы установили контрольные субъекты так, чтобы распространенность ИБС и инфаркта миокарда была сопоставима с случаями ВСС. У контрольных пациентов не было предыдущей истории остановки сердца или желудочковых аритмий. Сопоставление случаев и контроля по основному ИБС позволяет разработать модель глубокого обучения, которая идентифицирует пациентов с высоким риском среди клинически сравнимой группы "промежуточного риска". ЭКГ были получены и архивированы одинаковым образом как для случаев ВСС. Во всех случаях ВСС и контроля бумажные записи ЭКГ в 12 отведениях были сканированы и оцифрованы с использованием программного обеспечения (ECGScan), которое продемонстрировало надежное восстановление цифровой формы ЭКГ19. Из-за переменной длины ведущих ЭКГ мы ограничили длину каждого ведущего в каждом образце до полосы продолжительностью 2.5 с, что является минимальной продолжительностью волны ЭКГ для каждого ведущего. Таким образом, цифровые полосы длиной 2.5 секунды каждого ведущего в 12-ведущем ЭКГ использовались в качестве входных данных для модели глубокого обучения. ECGScan создает временные ряды сигнала ЭКГ, и с частотой дискретизации 500 Гц окончательная форма каждого массива ЭКГ составляла 12 × 1250.

• Разработка и обучение модели глубокого обучения Для идентификации случаев ВСС с использованием волн ЭКГ в 12 отведениях мы разработали сверточную нейронную сеть для интерпретации ЭКГ (рис. 2). Мы обучили модель идентифицировать случаи ВСС с использованием 1,101 ЭКГ в 12 отведениях до криза от 1,076 случаев ВСС из Oregon SUDS и 613 ЭКГ в 12 отведениях от 597 контрольных случаев. Отдельная валидационная группа из 366 ЭКГ до криза и 200 контрольных ЭКГ использовалась для определения момента прекращения обучения модели. Образец исследования был разделен на уровне пациента, так чтобы несколько ЭКГ от одного и того же пациента были включены в одну группу. В обучающих и валидационных наборах данных мы использовали несколько ЭКГ на каждого пациента, но во внутреннем тестовом наборе данных и во внешнем валидационном наборе данных мы использовали только одно ЭКГ на пациента (ближайшее ЭКГ, не связанное с событием ВСС). Среднее время от ЭКГ до ВСС составило 2.0 ± 2.7 лет в Oregon SUDS и 1.6 ± 2.1 года в Ventura PRESTO. Мы обучили модель с использованием фреймворка глубокого обучения PyTorch и оптимизатора Adam с параметрами по умолчанию (начальная скорость обучения 1е-3) с размером пакета 500 и на протяжении 55 эпох. На основе площади под кривой ROC в валидационном наборе данных мы прекратили обучение модели досрочно. Модель глубокого обучения была разработана для интерпретации волн ЭКГ в 12 отведениях, начиная с атрофических сверток, за которыми следовали многоканальные 1D свертки. Мы ограничили количество слоев до менее чем 1/10 от размера ранее описанных архитектур, чтобы минимизировать сложность модели и оптимизировать время ее работы. Модель глубокого обучения включала сверточные слои после начальных атрофических слоев с обратной остаточной структурой. В модели глубокого обучения входные и выходные данные представляли собой узкие 9-слойные слои с промежуточным расширительным слоем. Для обеспечения интеграции информации по всем ЭКГ в 12 отведениях количество входных каналов постепенно увеличивалось в каждом наборе расширительных слоев, которым предшествовали узкие слои. Модель была оптимизирована для легкой архитектуры при максимизации производительности. Учитывая, что мы использовали волну ЭКГ в качестве входных данных, а не изображения, наша модель глубокого обучения является эквивалентом 1D, и наша модель меньше, чем другие модели ЭКГ в предыдущей литературе с аналогичной производительностью.

• Статистический анализ Все непрерывные переменные выражены как среднее ± стандартное отклонение. После разработки и обучения модели мы провели все статистические анализы на внутреннем тестовом наборе данных и во внешнем валидационном наборе данных, которые не использовались во время обучения модели. Мы рассчитали производительность модели в идентификации случаев ВСС по AUROC. Модель была сравнена с ранее разработанным конвенциональным электронным риск-счетом ЭКГ, который оценивает сумму 6 маркеров риска ЭКГ: покойная частота сердечных сокращений > 75 уд/мин, ГЛЖ, задержка перехода QRS, угол QRS-T > 90°, продолжительный QTc и продолжительный интервал Tpeak-to-Tend10. Мы провели логистические регрессионные модели во внутреннем тестовом наборе данных и во внешнем валидационном наборе данных, используя клинические переменные (возраст, пол, сердечная недостаточность, коронарное артериальное заболевание, инфаркт миокарда, сахарный диабет, хроническая обструктивная болезнь легких, судороги и цереброваскулярный инцидент) с учетом вывода значений анализа DL-ЭКГ (индекс DL-ЭКГ). Мы выбрали лучший порог для модели, максимизируя метрику F1 на валидационном наборе данных, и использовали этот порог для отчета о чувствительности и специфичности на тестовых наборах. Аналогично порог для отчета о чувствительности и специфичности для конвенционального электронного риск-счета ЭКГ и логистических регрессионных моделей также был выбран путем максимизации метрики F1. Для каждого вычисления двусторонние 95% доверительные интервалы (CI) были рассчитаны путем бутстрэппинга случайно выбранной 50% тестового набора данных на 1,000 итераций. Мы проводили статистические анализы с использованием Python и R.

Fig. 1 | Описание внутренних и внешних когорт. Выборка объектов исследования для обучающего набора данных, валидационного набора данных, тестового набора данных и внешней валидации. Afib - фибрилляция предсердий, AFL - мерцание предсердий, ЭКГ - электрокардиография, ВСС - внезапная сердечная смерть.

Fig. 2 | Разработка модели. Разработка глубокой модели ЭКГ с 12 ведущими выводами, показывающая входные данные, архитектуру модели, валидацию и производительность. ЭКГ - электрокардиография, ВСС - внезапная сердечная смерть.

---

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 многоэтнических сообществах (PRESTO, Вентура, штат Калифорния; внешняя валидация). По сравнению с случаями ВСС в Исследовании SUDS в Орегоне, случаи ВСС в PRESTO Вентура были старше (72,3 ± 14,2 лет по сравнению с 67,5 ± 14,9 лет) и чаще относились к женскому полу (41,3% по сравнению с 35,4%). В PRESTO Вентура был более высокий уровень распространенности испанской этнической принадлежности (30,7% по сравнению с 2,4%) и азиатской расы (7,8% по сравнению с 3,3%), в то время как в SUDS Орегон уровень распространенности белой (82,0% по сравнению с 57,6%) и черной расы (10,1% по сравнению с 2,1%) был выше. Распространенность диабета составляла 53,2% в PRESTO Вентура и 45,4% в SUDS Орегон. Ранее установленная сердечная недостаточность (31,1% по сравнению с 39,8%) и история инфаркта миокарда (27,5% по сравнению с 38,4%) были ниже в PRESTO Вентура по сравнению с SUDS Орегон, соответственно. Распространенность ХОБЛ была сходной (26,6% в SUDS Орегон по сравнению с 22,3% в PRESTO Вентура). По сравнению с случаями ВСС, контрольные субъекты имели сходный уровень распространенности ранее установленного коронарного артериального заболевания (КАЗ) (51,2%) и инфаркта миокарда (30,7%). Однако контрольные субъекты были немного моложе (65,4 ± 11,6 лет) и имели немного более низкий уровень распространенности ранее установленного диабета (27,8%), фибрилляции предсердий (13,4%), сердечной недостаточности (12,8%) и ХОБЛ (9,1%). Демографические и клинические характеристики случаев ВСС и контрольных субъектов приведены в таблице 1.

• 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).

Рис. 3 | Сравнение модели глубокого обучения с конвенциональным риском. Модель электрокардиографии глубокого обучения была сравнена с конвенциональным риском на ЭКГ для прогнозирования внезапной сердечной смерти (ВСС). Кривые операционной характеристики приёмника для выявления случаев ВСС во внутренней (а, n = 2792) и внешней когортах (б, n = 1043).

• 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, монополярных потенциалов, записанных во время инвазивных электрофизиологических исследований, а также клинических данных показывает хорошие перспективы перспективы. Основные преимущества использования покоящегося 12-канального ЭКГ для оценки риска ВСС связаны с низкой стоимостью и широким распространением в странах по всему миру. Учитывая низкую стоимость и широкое распространение ЭКГ, эта модель имеет потенциал для усиления раннего скрининга на предклинические сердечно-сосудистые заболевания, которые сопряжены с повышенным риском ВСС. Более того, недавние быстрые достижения в технологии носимых устройств позволили записывать ЭКГ вне медицинской среды, во время повседневной жизни.

• По сравнению с ранее разработанным и проверенным 6-переменным конвенциональным ЭКГ риск-счетом, модель DL достигла значительно более высокой производительности в обнаружении случаев внезапной сердечной смерти, что подтверждает более высокую эффективность моделей на основе глубокого обучения. В отличие от конвенциональных риск-калькуляторов, модели DL не требуют ручного выбора и извлечения характеристик, а вместо этого могут использовать весь цифровой сигнал для интеграции новых индексов риска. Следовательно, модели DL на основе ЭКГ не страдают от предвзятости в отношении предварительно определенных параметров ЭКГ и, таким образом, имеют потенциал для достижения более высокой производительности и широкого охвата при сохранении точности (см. Рисунок 5). Еще одним крупным преимуществом технологии глубокого обучения по сравнению с традиционными статистическими методами является то, что она требует меньше предположений о структуре данных. Таким образом, модели DL могут быть более точными при оценке сложных нелинейных взаимосвязей в больших наборах данных. Однако у техник глубокого обучения также могут быть недостатки, которые необходимо учитывать во время разработки и до развертывания. К ним относятся модельные требования к данным, уязвимость к системным искажениям и неспособность объяснить механизмы результатов, над чем все еще продолжается работа.

Рис. 5 | Сводка глубокого обучения по сравнению с конвенциональным анализом ЭКГ. Схематическое изображение преимущества анализа ЭКГ на основе глубокого обучения по сравнению с традиционными методами. LVH - гипертрофия левого желудочка, SCD - внезапная сердечная смерть.

• 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 адъюдицированных случаев внезапной внебольничной сердечной смерти (ВВСС) с предаррестным покоем 12-канального ЭКГ. Кроме того, мы смогли создать сбалансированные наборы данных, включив клинически сравнимых контрольных пациентов. Однако следует учитывать некоторые ограничения при интерпретации этих результатов. Мы географически соотносили случаи и контрольные группы в обучающих, валидационных и внутренних тестовых наборах данных, но во внешнем валидационном наборе данных не было географически соотнесенных контрольных групп. Тем не менее, не было перекрытия выборок контроля между внутренними и внешними валидационными наборами данных. Необходимость использования большой контрольной группы с цифровыми бумажными ЭКГ, разделенными на две части, обусловлена целью минимизировать различия в качестве записей ЭКГ между случаями и контролем. Исследование Oregon SUDS началось в 2002 году, когда доступны были только бумажные ЭКГ, и все ЭКГ случаев и контроля были цифровизированы до предоставления их модели ЭКГ с глубоким обучением. ЭКГ контроля также получали случайным образом из нескольких общественных больниц и систем здравоохранения, что дополнительно снижает вероятность системного искажения качества записей ЭКГ. Поскольку ВВСС является первой проявлением сердечной патологии в значительной подгруппе, предаррестное ЭКГ не было доступно, если у лиц не было кардиологического обследования перед смертью от ВВСС, что создает потенциальный отборочный эффект. Хотя мы стремились согласовать случаи и контрольные группы на основе наличия основной стенокардии, некоторые различия в других факторах риска ВВСС остались между случаями и контролем, что могло повлиять на производительность модели. Однако некоторые из этих различий являются важными факторами развития ВВСС, и прогнозирование ВВСС основано на выявлении и комбинировании факторов риска. Мы использовали дизайн случай-контроль для сбора достаточного количества тщательно адъюдицированных случаев ВВСС, что не позволяет нам надежно оценить позитивное и негативное предиктивные значения. Мы использовали относительно короткий 2,5-секундный ЭКГ-отрывок, и, вероятно, дальнейшие исследования будут необходимы для изучения того, приведет ли использование более длинных отрывков ЭКГ к более высокой точности прогнозирования. Наша модель применима только к ЭКГ в синусовом ритме, поскольку фибрилляция/трепетание предсердий и введенные ЭКГ были исключены в ходе разработки алгоритма. Наконец, большинство субъектов нашего исследования были белыми, и дальнейшие исследования необходимы для изучения производительности ЭКГ-ДЛ в расово/этнически различных подгруппах. Кроме того, в будущем требуются перспективные исследования для валидации производительности модели в клинически разнообразных условиях.

Выводы

Мы обучили модель глубокого обучения на основе ЭКГ, которая достигла высокой точности в различении случаев внезапной внебольничной сердечной смерти (ВВСС) от пациентов контрольной группы. Модель успешно прошла валидацию на географически отличной когорте ВВСС и превзошла ранее проверенный конвенциональный показатель риска на основе ЭКГ. Эти результаты свидетельствуют о том, что анализ ЭКГ на основе глубокого обучения имеет преимущества по сравнению с конвенциональной оценкой риска ВВСС на основе ЭКГ и обеспечивает более высокую точность. Дальнейшее подробное исследование необходимо для оценки того, как модель глубокого обучения может способствовать улучшенной стратификации риска ВВСС.

Доступность данных

Все аналитические методы, примененные для алгоритма глубокого обучения, включены в эту опубликованную статью. На основе рекомендаций институционального комитета по этике данные пациентов не являются общедоступными и обезличены. Обезличенные данные доступны только при контакте с соответствующим автором.

Код доступен по следующему URL: 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.