Rilevazione della disfunzione sistolica ventricolare sinistra da singolo

npj Medicina Digitale volume 6, numero articolo: 124 (2023) Citare questo articolo

2352 accessi

1 Citazioni

40 Altmetrico

Dettagli sulle metriche

L’intelligenza artificiale (AI) è in grado di rilevare la disfunzione sistolica ventricolare sinistra (LVSD) dagli elettrocardiogrammi (ECG). I dispositivi indossabili potrebbero consentire un ampio screening basato sull’intelligenza artificiale, ma spesso ottengono ECG rumorosi. Riportiamo una nuova strategia che automatizza il rilevamento di malattie cardiovascolari nascoste, come LVSD, adattata per ECG rumorosi a derivazione singola ottenuti su dispositivi indossabili e portatili. Utilizziamo 385.601 ECG per lo sviluppo di un modello standard e adattato al rumore. Per il modello adattato al rumore, gli ECG vengono aumentati durante l'addestramento con rumore gaussiano casuale entro quattro intervalli di frequenza distinti, ciascuno dei quali emula fonti di rumore del mondo reale. Entrambi i modelli hanno prestazioni comparabili sugli ECG standard con un AUROC di 0,90. Il modello adattato al rumore offre prestazioni significativamente migliori sullo stesso set di test arricchito con quattro distinte registrazioni di rumore reale a più rapporti segnale-rumore (SNR), incluso il rumore isolato da un dispositivo ECG portatile. I modelli standard e adattati al rumore hanno un AUROC di 0,72 e 0,87, rispettivamente, se valutati su ECG aumentati con il rumore del dispositivo ECG portatile a un SNR di 0,5. Questo approccio rappresenta una nuova strategia per lo sviluppo di strumenti adattati ai dispositivi indossabili da archivi di ECG clinici.

La disfunzione sistolica ventricolare sinistra (LVSD) è associata ad un aumento di oltre 8 volte del rischio di insufficienza cardiaca e ad un aumento di quasi 2 volte del rischio di morte prematura1. La diagnosi precoce può mitigare efficacemente questo rischio2,3,4, ma la LVSD viene spesso diagnosticata solo dopo che i pazienti hanno sviluppato una malattia sintomatica a causa della mancanza di strategie di screening efficaci5,6,7. L'intelligenza artificiale (AI) è in grado di rilevare la disfunzione sistolica ventricolare sinistra (LVSD) dagli elettrocardiogrammi (ECG), una diagnosi che tradizionalmente si basava su un'ecocardiografia completa o altro imaging cardiaco, che richiede molte risorse ed è difficile da utilizzare per strategie di screening generalizzate8,9. Anche se l’AI-ECG è uno strumento di screening promettente per il rilevamento della LVSD, gli algoritmi sono stati progettati su ECG a 12 derivazioni ottenuti clinicamente. I progressi nelle tecnologie indossabili e portatili consentono ora l’acquisizione al punto di cura di segnali ECG a derivazione singola, aprendo la strada a strumenti di screening più efficienti e scalabili con queste tecnologie AI-ECG10,11. Questa migliore accessibilità potrebbe consentire uno screening più ampio basato sull’intelligenza artificiale per LVSD, ma l’affidabilità di tali strumenti è limitata dalla presenza di rumore nei dati raccolti da dispositivi indossabili e portatili12,13. Di conseguenza, le prestazioni dei modelli per il rilevamento di LVSD dagli ECG dei dispositivi portatili possono peggiorare nel contesto del mondo reale, con prestazioni inferiori rispetto a quelle osservate nei derivati ​​originali a derivazione singola degli studi di sviluppo clinico14,15.

In assenza di grandi set di dati etichettati di ECG indossabili, lo sviluppo di algoritmi in grado di rilevare la cardiopatia strutturale sottostante sui dispositivi indossabili si basa su informazioni su una singola derivazione specificamente adattate da ECG a 12 derivazioni estratte da librerie di ECG clinici. Tuttavia, questo processo non tiene conto in modo specifico delle sfide uniche di acquisizione dei dati incontrate con gli ECG indossabili, contribuendo probabilmente alle loro prestazioni diagnostiche incoerenti. Infatti, nei dati indossabili esistono diverse fonti di rumore, derivanti da fattori quali lo scarso contatto degli elettrodi con la pelle, il movimento e la contrazione muscolare durante l'ECG e l'interferenza elettrica esterna16,17,18,19. Questo rumore ha implicazioni pratiche, poiché i modelli dimostrano prestazioni inferiori se testati su tutti i dati ECG indossabili disponibili rispetto a sottoinsiemi selezionati di alta qualità15. Questa marcata differenza nelle prestazioni basata sul rumore ha limitato i programmi di screening basati su dispositivi indossabili, con uno studio di screening sulla fibrillazione atriale basato su dispositivi indossabili che ha squalificato il 22% dei pazienti a causa della qualità insufficiente del segnale12. Tenere conto di questo rumore è un prerequisito per sviluppare modelli ampiamente accessibili che costituiranno la base di programmi di screening efficaci per la LVSD nella comunità.