単一疾患からの左心室収縮機能不全の検出

npj デジタルメディスン 第 6 巻、記事番号: 124 (2023) この記事を引用

2352 アクセス

1 引用

40 オルトメトリック

メトリクスの詳細

人工知能 (AI) は、心電図 (ECG) から左心室収縮期機能不全 (LVSD) を検出できます。 ウェアラブル デバイスでは、広範な AI ベースのスクリーニングが可能ですが、ノイズの多い ECG が頻繁に取得されます。 我々は、ウェアラブルデバイスやポータブルデバイスで取得されたノイズの多い単一リードECGに適応した、LVSDなどの隠れた心血管疾患の検出を自動化する新しい戦略を報告します。 標準モデルとノイズ適応モデルの開発には、385,601 個の ECG を使用します。 ノイズ適応モデルの場合、ECG はトレーニング中に 4 つの異なる周波数範囲内のランダム ガウス ノイズで強化され、それぞれが現実世界のノイズ源をエミュレートします。 どちらのモデルも、AUROC が 0.90 の標準的な ECG で同等のパフォーマンスを示します。 ノイズ適応モデルは、ポータブル デバイスの ECG から分離されたノイズを含む、複数の信号対雑音比 (SNR) での 4 つの異なる現実世界のノイズ記録で強化された同じテスト セットで、パフォーマンスが大幅に向上しました。 SNR 0.5 のポータブル ECG デバイスのノイズで強化された ECG で評価した場合、標準モデルとノイズ適応モデルの AUROC は、それぞれ 0.72 と 0.87 です。 このアプローチは、臨床 ECG リポジトリからウェアラブルに適合したツールを開発するための新しい戦略を表します。

左室収縮機能不全（LVSD）は、心不全のリスクが 8 倍以上増加し、早期死亡のリスクが 2 倍近く増加することに関連しています1。 早期診断によりこのリスクを効果的に軽減できます 2,3,4 が、有効なスクリーニング戦略が欠如しているため、LVSD は患者が症候性疾患を発症した後でのみ診断されることがよくあります 5,6,7。 人工知能 (AI) は、心電図 (ECG) から左心室収縮期機能不全 (LVSD) を検出できます。この診断は従来、包括的な心エコー検査やその他の心臓画像検査に依存していましたが、これはリソースを大量に消費し、一般的なスクリーニング戦略に使用するのは困難でした 8,9。 AI-ECG は LVSD を検出するための有望なスクリーニング ツールですが、アルゴリズムは臨床的に得られた 12 誘導 ECG をもとに設計されています。 ウェアラブルおよびハンドヘルド技術の進歩により、シングルリード ECG 信号のポイントオブケア取得が可能になり、これらの AI-ECG 技術を使用した、より効率的でスケーラブルなスクリーニング ツールへの道が開かれています 10,11。 このアクセシビリティの向上により、AI ベースの LVSD の広範なスクリーニングが可能になる可能性がありますが、そのようなツールの信頼性は、ウェアラブル デバイスやハンドヘルド デバイスから収集されたデータ内のノイズの存在によって制限されます 12、13。 その結果、ポータブル デバイスの ECG から LVSD を検出するモデルのパフォーマンスは、現実世界の設定では低下する可能性があり、臨床開発研究の元の単一誘導導関数で観察されたパフォーマンスよりも低いパフォーマンスになる可能性があります 14、15。

ウェアラブル ECG のラベル付けされた大規模なデータセットが存在しない場合、ウェアラブル デバイス上で根底にある構造的心疾患を検出できるアルゴリズムの開発は、臨床 ECG ライブラリから抽出された 12 誘導 ECG から特別に適応された単一誘導情報に依存しています。 ただし、このプロセスは、ウェアラブル ECG で遭遇する固有のデータ取得の課題を具体的に考慮したものではなく、一貫性のない診断パフォーマンスの一因となっている可能性があります。 実際、ウェアラブル データには、電極の皮膚との接触不良、ECG 中の動きや筋肉の収縮、外部の電気的干渉などの要因から生じるいくつかのノイズ源が存在します 16、17、18、19。 このノイズは、選択された高品質のサブセットとは対照的に、利用可能なすべてのウェアラブル ECG データでテストした場合、モデルのパフォーマンスが劣ることを示すため、実際的な影響を及ぼします 15。 ノイズに基づくこの顕著なパフォーマンスの違いにより、ウェアラブル デバイス ベースのスクリーニング プログラムが制限されており、ウェアラブル デバイス ベースの心房細動スクリーニング研究では、信号品質が不十分なために 22% の患者が失格となっています 12。 このノイズを考慮することは、地域社会における LVSD の効果的なスクリーニング プログラムの基礎となる、広く利用可能なモデルを開発するための前提条件です。