Deep learning-KI identifizieren kann Vorhofflimmern von einer normalen EKG-Rhythmus

Eine künstliche Intelligenz (KI) Modell gefunden werden, mit denen Patienten mit intermittierendem Vorhofflimmern, auch wenn durchgeführt, während der normale Rhythmus mit einer schnellen und nicht-invasiven 10-Sekunden-test, im Vergleich zu aktuellen tests, die dauern, Wochen bis Jahre. Obwohl der frühe und erfordern weitere Forschung vor der Durchführung, die Ergebnisse helfen könnten ärzte untersuchen unerklärliche Schlaganfälle oder Herzinsuffizienz, eine angemessene Behandlung.

Forscher ausgebildet haben, eine künstliche Intelligenz-Modell zu erkennen, die Signatur von Vorhofflimmern in 10-Sekunden-elektrokardiogrammen (EKG) von Patienten, die im normalen Rhythmus. Die Studie, an denen fast 181,000 Patienten und veröffentlicht in Der Lanzette, ist der erste, der deep learning zur Identifikation von Patienten mit potenziell unentdeckt Vorhofflimmern und hatte eine Allgemeine Genauigkeit von 83%. Die Technologie findet Signale im EKG, die möglicherweise für das menschliche Auge unsichtbar, enthalten aber wichtige Informationen über das Vorhandensein von Vorhofflimmern.

Vorhofflimmern wird nach Schätzungen 2.7-6.1 Millionen Menschen in den Vereinigten Staaten, und ist verbunden mit einem erhöhten Risiko von Schlaganfall, Herzinsuffizienz und Mortalität. Es ist schwer zu erkennen auf einem einzigen EKG, weil die Patienten in die Herzen gehen kann und aus dieser abnormalen Rhythmus, so dass das Vorhofflimmern geht oft nicht diagnostiziert.

Dr. Paul Friedman, Stuhl der Abteilung von Herz-Kreislauf-Medizin, Mayo Clinic, USA, sagt: „die Anwendung eines AI-Modells an das EKG ermöglicht die Erkennung von Vorhofflimmern, auch wenn Sie nicht zu der Zeit anwesend, das EKG wird aufgezeichnet. Es ist wie der Blick auf den Ozean jetzt und sagen können, dass es große Wellen von gestern.“

Er stellt fest: „Derzeit ist die KI trainiert wurde, mit EVG, in der Menschen, die Bedarf an klinischen Untersuchungen, aber nicht die Leute mit ungeklärten Schlaganfällen noch die Allgemeine Bevölkerung, und damit sind wir noch nicht sicher, wie Sie es durchführen würden bei der Diagnose dieser Gruppen. Jedoch die Fähigkeit, den test schnell und kostengünstig mit einer nicht-invasive und überall verfügbar test könnte eines Tages helfen, erkennen nicht diagnostizierten Vorhofflimmern und Anleitung wichtig, die Behandlung, Verhinderung von Schlaganfall und anderen schweren Krankheiten.“

Nach dem ungeklärten Schlaganfall, ist es wichtig, genau zu erkennen, Vorhofflimmern, so dass Patienten, die mit ihm gegeben sind Antikoagulation, um das Risiko von wiederkehrenden Schlaganfall-und anderen Patienten (die kann geschädigt werden durch diese Behandlung) nicht. Derzeit ist die Erfassung in dieser situation erfordert eine überwachung für Wochen bis Jahre, manchmal mit einem implantierten Gerät, potenziell verlassen Patienten mit rezidivrisiko, da die aktuellen Methoden nicht immer genau erkennen, Vorhofflimmern, oder zu lange dauern.

Herzen mit Vorhofflimmern entwickeln strukturelle Veränderungen, wie die Kammer die Erweiterung. Bevor diese Veränderungen sichtbar werden zu standard-imaging-Techniken wie echocardiograms, es ist wahrscheinlich Fibrose (Vernarbung) des Herzens im Zusammenhang mit Vorhofflimmern. Zusätzlich kann das Vorhandensein von Vorhofflimmern kann vorübergehend ändern die elektrischen Eigenschaften des Herzmuskels, auch nachdem es beendet ist.

Die Forscher stellen heraus, die zum trainieren des neuronalen Netzes—eine Klasse von deep learning-KI—zu erkennen feine Unterschiede in einem standard-EKG, die vermutet, dass aufgrund dieser Veränderungen, obwohl neuronale Netze sind „black boxes“, und die spezifischen Ergebnisse, die treibt Ihre Beobachtungen sind nicht bekannt. Die Autoren verwendeten EVGs von Herz-Rhythmus erworben von fast 181,000 Patienten (rund 650.000 EKG-scans), die zwischen Dezember 1993 und Juli 2017, teilt die Daten in Patienten, die entweder positiv oder negativ für Vorhofflimmern.

EKG-Daten zugewiesen wurde, in drei Gruppen: Schulung, interne Validierung und Test datasets mit 70% in der Trainings-Gruppe, 10% bei der Validierung und Optimierung, und 20% in der Testgruppe (454,789 EVGs von 126,526 Patienten in der Trainings-dataset, 64,340 EVGs von 18,116 Patienten in der Validierungs-Datensatz und 130,802 EVGs von 36,280 Patienten in der Test-dataset).

Die AI durchgeführt sowie bei der Ermittlung der Anwesenheit von Vorhofflimmern: – Prüfung auf dem ersten Herz-EKG-Ausgabe von jedem Patienten, die Genauigkeit lag bei 79% (für einen einzelnen scan), und bei Verwendung mehrerer EVGs für die gleichen Patienten die Genauigkeit verbessert werden, um 83%. Weitere Forschung ist notwendig, um zu bestätigen, die Leistung auf spezifische Populationen, z.B. Patienten mit ungeklärten Schlaganfällen (embolic stroke of undetermined source—ege bewirtschaftet), oder Herzinsuffizienz.

Die Autoren der Studie spekulieren, dass es möglicherweise eines Tages möglich sein, diese Technologie zu nutzen als point-of-care Diagnose-test in der Arztpraxis-Bildschirm-high-risk-Gruppen. Screening Menschen mit Bluthochdruck, diabetes, oder Alter über 65 Jahre bei Vorhofflimmern helfen könnte, zu vermeiden, krank, Gesundheit, jedoch, aktuelle Nachweismethoden sind teuer und identifizieren wenigen Patienten. Darüber hinaus das screening derzeit erfordert das tragen eines großen und unbequem Herz-monitor für Tage oder Wochen.

Dr. Xiaoxi Yao, eine Studie co-investigator von der Mayo-Klinik, USA, sagt: „Es ist möglich, dass unser Algorithmus könnte verwendet werden, um auf kostengünstige, weithin verfügbaren Technologien, einschließlich smartphones, aber dies erfordert mehr Forschung, bevor eine Breite Anwendung.“

Die Autoren merken an, dass einige Einschränkungen und weitere Forschung, bevor Sie Ihre Arbeit erreicht Kliniken. Die Bevölkerung untersucht haben möglicherweise höhere Prävalenz von Vorhofflimmern im Vergleich zu der Allgemeinen Bevölkerung. Die AI hat deshalb trainiert wurden, nachträglich zu klassifizieren klinisch indiziert EVGs mehr als für die Vorhersage in gesunden Patienten oder Patienten mit ungeklärter Schlaganfall, und Sie müssen gegebenenfalls die Kalibrierung vor weit verbreitete Anwendung zum screening einer größeren, gesunden Bevölkerung.

Patienten wurden als negativ für Vorhofflimmern, wenn Sie nicht überprüft haben, die Diagnose, aber es waren wahrscheinlich einige Patienten, die nicht diagnostiziert worden und gekennzeichnet irrtümlich, so die AI kann haben herausgefunden, was die bisherigen Tests nicht hatte. Auf der anderen Seite, einige der false-positive-Patienten identifiziert, die von der KI als mit einer Geschichte von Vorhofflimmern (obwohl klassifiziert als negativ, von einem Menschen) tatsächlich hatte undiagnosed Vorhofflimmern. Da die KI ist nur so gut wie die Daten, die er ausgebildet ist, gegen die es könnten Fehler in der interpretation sein, wenn der test angewendet wird, um andere Zielgruppen, wie Personen ohne eine angezeigte EKG-Kurve.