Kunstmatige intelligentie helpt bij detectie atriumfibrilleren in ECG met normaal sinusritme
An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction
Literatuur - Attia Z, Noseworthy PA, Lopez-Jimenez F et al., - The Lancet 2019. DOI: https://doi.org/10.1016/S0140-6736(19)31721-0Introductie en methoden
Screenen voor atriumfibrilleren (AF) is uitdagend vanwege de lage opbrengst bij een enkel electrocardiogram (ECG) en de bewerkelijke aard van langdurig monitoren. AF is ondergediagnosticeerd, hetgeen problematisch is in verband met het verband met een hoger risico op stroke, hartfalen en sterfte. Een goedkope, breed beschikbare en niet-invasieve test die identificatie faciliteert van patiënten die waarschijnlijk AF hebben kan daarom belangrijke diagnostische en therapeutisch implicaties hebben.
Beroertes zonder bekende oorzaak, die embolic stroke of undetermined source (ESUS) worden genoemd, zijn vaak aan AF gerelateerd, wat ongedetecteerd kan blijven door de paroxysmale en vaak asymptomatische aard [1]. Het risico op recidief stroke is hoog in ESUS, maar behandeling met antistolling na ESUS om recidief stroke te voorkomen is alleen gunstig bevonden als inderdaad AF is gedocumenteerd [2-5]. Daarom is accurate vaststelling van AF belangrijk om therapie te sturen.
Bewijsvoering duikt op dat patiënten die AF ontwikkelen structurele veranderingen hebben in de atria, die vatbaar maken voor atriale aritmieën [6]. Deze veranderingen zijn mogelijk geïmpliceerd in de pathogenese van ischemische of embolische stroke. De auteurs hebben eerder machine learning gebruik in de vorm van deep neural networks om subtiele patronen op te sporen in de standaard 12-lead ECG om de aanwezigheid van asymptomatische ventriculaire dysfunctie op te sporen [7].
Nu beoogden de auteurs een neuraal netwerk te trainen om subtiele bevindingen te identificeren die aanwezigheid zijn een standaard 12-lead ECG verkregen tijdens normaal sinusritme die het gevolg zijn van structurele veranderingen geassocieerd met een geschiedenis van (of dreigende) AF, met het doel een diagnostische test te ontwikkelen. Het diepe neurale netwerk werd getraind, gevalideerd en getest door gebruik te maken van een groot patiëntencohort van de Mayo Clinic Digital Data Vault.
Alle patiënten van ten minste 18 jaar oud met ten minste één digitaal, normaal sinusritme, standaard 10-seconden, 12-lead ECG verkregen in supine positie in de Mayo Clinic ECG laboratorium tussen 31 dec 1993 en 21 juli 2017 werden geïncludeerd. In patiënten met ≥1 AF gedetecteerd werd de eerste gemeten AF ECG gedefinieerd als index ECG, en de 31 dagen voorafgaand aan de index ECG werden beschouwd als tijdspanne van interesse om potentiële structurele veranderingen te detecteren. In patiënten zonder AF gemeten op ECG, werd de eerste beschikbare ECG als index ECG beschouwd. Alle patiënten met hun ECGs werden gerandomiseerd (&:1:2) naar een van drie groepen: training, interne validatie en test dataset. Prestatie van het kunstmatige intelligentie (AI)-verrijkte ECG om patiënten met AF op te sporen werd wiskundig bepaald door de area under the curve (AUC) van de receiver operating characteristic (ROC) curve.
Belangrijkste resultaten
- 180.922 Patiënten werden geïncludeerd, met 649.931 normale sinusritme ECGs. Het model werd getraind op basis van 454.789 ECGs, met gemiddeld 3.6 (SD: 4.8) ECGs per patiënt. Validatie werd gedaan op basis van 64.340 ECGs, met gemiddeld 3.6 ECGs (SD: 4.8) per patiënt, en testen werd gedaan op 130.802 ECGs, met gemiddeld 3.6 (SD: 4.9) ECGs per patiënt.
- Een meerderheid (55.7%) van de patiënten met ≥1 AF ritme gemeten in de testdataset, had de eerste normaal sinusritme ECG binnen 1 week van de index AF ECG.
- De ROC UAC voor detectie van AF was 0.87 (95%CI: 0.86-0.88) wanneer het model werd getest op de eerste sinusritme ECG voor elke patiënt in de interne validatieset. In de testdataset was ROC UAC ook 0.87 (95%CI: 0.86-0.88).
- Prestatie werd ook bepaald op basis van sensitiviteit, specificiteit, nauwkeurigheid en F1 score van het model. De algehele nauwkeurigheid van de testset was 79.4% (95%CI: 79.0-79.9)
- Wanneer meerdere sinusritme ECGs van dezelfde patiënt werden gebruikt (in de eerste 31 dagen vanaf de studiestartdatum), verbeterde de AUC tot 0.89 (95%CI: 0.89-0.90) door gebruik te maken van de gemiddelde waarschijnlijkheid van de AF score op de testdataset. Wanneer een sensitievere benadering werd toegepast door de score van de ECG met het hoogste risico te gebruiken, verhoogde AUC naar 0.90 (95%CI: 0.90-0.91). Vergelijkbare verbeteringen werden gezien in de validatieset.
- Wanneer de maximale score werd gebruikt, waren de F1 score, sensitiviteit en specificiteit alle verbeterd, wat een algehele nauwkeurigheid gaf van 83.3% (95%CI: 83.0-83.7) in de testset.
Conclusie
Deze studie toont dat de AI-verrijkte ECG gemeten tijdens normaal sinusritme goed presteerde in het opsporen van de aanwezigheid van AF (AUC: 0.87 voor een enkele ECG en 0.90 voor meerdere ECGs). Dit creëert de mogelijkheid om ongedetecteerd AF op te sporen met een goedkope, breed beschikbare point-of-caretest. Dit kan belangrijke praktische implicaties hebben, met name voor het management van patiënten met ESUS.
Het moet worden opgemerkt dat dit netwerk getraind is voor retrospectieve classificatie van klinische geïndiceerde ECGs, in plaats van voor AF-selectie in ongeselecteerde patiënten. Het netwerk moet verder prospectief worden gekalibreerd voordat brede toepassing voor screening in een ogenschijnlijk gezonde populatie gerechtvaardigd is.
Deel deze pagina met collega's en vrienden: