识别心电数据与人工智慧荟萃分析的心脏衰竭

介绍

心力衰竭(HF)是一种常见的,然而不利,心脏状况。多达20%的个人在发达国家发展高频在他们的一生中,和一个大比例的病人住院心衰1年内死亡的诊断(1)。

评估症状暗示高频目前要求医生评估各种参数包括成像和实验室数据和心电图(ECG)。除了标准包括一个心电图检查,影像信息,如超声心动图或磁共振成像,被认为是金标准诊断为心力衰竭(2)。然而,一个适当的使用这些图像数据与相关技术基础设施和医疗专业知识。心电图是一个完善的、快速和方便的方法,各种心血管疾病的诊断和筛查。它提供了特定的功能,表明存在高频或心力衰竭患者的预后尤其是排除高频对于正常心电图(3,4)。然而,使用一个心电图作为主要诊断仪器通常只产量不足诊断特异性(5)。此外,一般practitioner-based心电图报告有不同的结果,引入进一步诊断的不确定性(6)。

设备提供医学相关信息生成直接由个人在医疗系统等智能手机与健康应用程序或衣物包括smartwatches是一个新兴的趋势。越来越多的这种发展承诺,例如,心电图在家里将生成的数据用于诊断筛查。这些数据已经显示出潜在的计算机辅助决策支持系统警告病人节奏异常(7)。管理这个量的数据,然而,可能是一个挑战对个人医疗专业,以及医疗体系本身。潜在的有益利用人工智能(AI)在心脏病已经讨论,例如,作为临床医生能够促进精密工具在日常实践,甚至可能改善病人的结果(8)。AI也可以帮助解释心电图信号,因此可以被用来分析心电图数据在特定的情况下,大规模等心血管疾病的早期识别高频(9)。很少有研究分析执行的AI系统检测高频心电图数据。在这些研究中,方法和病人数量变化强烈。目前评估的目的是对这些研究进行荟萃分析,从而概述当前的可能性使用人工智能的自动高频检测ECG信号。

方法

原始文章全面的文献检索能力的人工智能预测基于心电图信号进行高频使用PubMed数据库和谷歌学术搜索5月13日,2020年。这两个数据库是使用以下搜索关键字搜索查询:组合(“心力衰竭”或“射血分数”或“收缩功能障碍”或“舒张功能不全”)和(“计算机辅助诊断”或“人工智能”或“人工智能”或“深度学习”或“机器学习”或“神经网络”)和(“心电图”或“心电图”或“心电图”或“心电描记法”)。“计算机”一词被添加到查询中不要错过使用更一般的标题的文章不可能揭示一种人工智能方法作为计算机基础分类算法。这搜索查询导致的118种图书列表进一步筛选,选择了三个作者(D.G.,联储,和T.K.). As primary endpoints, the criteria congestive HF and reduced left ventricular ejection fraction [left ventricular ejection fraction (LVEF) ≤40%] were used. Identification of this endpoint had to be based on ECG time-series data as input by an AI approach. Artificial neural networks, support vector machines, random forest classifiers, and k-nearest neighbor algorithms qualified as an AI approach in this context. The screening and selection process was carried out in three steps: first a title, then an abstract, and finally a full text screening and selection. Evaluation of studies within the first and second steps was conducted by the three mentioned investigators independently. A study was selected for evaluation within the next step if at least two of the three investigators selected the individual study. After abstract classification, a total of 23 studies were selected for full text assessment. The subsequent third step was conducted by the same three investigators independently, followed by a discussion within the investigator team and a consensual selection of the articles to be evaluated within the meta-analysis. Within this third step, the quality of the studies was assessed oriented on the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) statement (10)。此外,数据可用性所需的信息,例如,报告混淆矩阵,是检查。最后一组的研究包括五篇文章,实现定义的标准,为后续的数据提取提供了足够的信息使荟萃分析。这个选择过程包括应用标准也与流程图描述图1。

评估选定的研究之间的异质性,DerSimonian-Laird估计量(τ²),我²使用统计数据(11,12)。在荟萃分析中,主效应值的测量是诊断比值比(金龟子)后自然对数变换(lnDOR)和95%可信区间(CI)。对于单变量分析,随机模型使用。接受者操作特征的二元分析,总结(sROC)曲线,并总结ROC曲线下的面积计算。描述性的原因,研究没有提供这些数据,基于各自的AUC估计列联表(13- - - - - -15)。所有使用的R3.6.0进行统计分析元(V4.12-0)和马达思班(V0.5.10)包(R统计计算的基础,维也纳,奥地利)。

结果

五个评估研究包括共有57027名患者和579134名心电图数据集。两个研究,发表的阿迪等人都是基于患者的立场与大数据队列大小的3874和52870人,反映出一个基于ai的诊断方法的临床应用(16,17)。这群由未经选择的病人可用常规心电图和超声心动图数据与端点LVEF≤35%。其他三个研究使用大量的心电图数据集作为基础源于只有一小部分人(33 - 107)。这些心电图数据集来自不同的现有数据库等公开幻想曲或BIDMC数据库用于所有三个评估出版物(18- - - - - -20.)。在这里,终点是在这些数据库提供的分类为充血性心力衰竭。

四个研究使用原始ECG与500年时间序列数据作为输入12×1000功能包括输入各自的算法(14- - - - - -17),而一项研究使用五个提取的特征作为输入(13)。提出了各自的计算机辅助诊断算法用卷积神经网络(CNN)三个出版物(14,16,17),一个CNN +长期短期记忆网络出版(15),dual-tree复小波变换(DTCWT)模型在一个出版(13)。后者被接受作为一种人工智能方法对这个荟萃分析和所有其他条件都满足,即使DTCWT本身不会有资格根据预定义的人工智能方法。

五个评估研究的算法与敏感性有关,从83年从100%到86到100%,特异性识别高频心电图dataset-based研究更高的价值。表1概述的5个评价研究。

荟萃分析,我们计算总金龟子7.59 (95% CI -9.34 = 5.85),日志转换。这种高lnDOR反映出个人的lnDORs研究从3.44 (95% CI = 3.12 - -3.76) 13.61 (95% CI -14.08 = 13.14)较低的诊断患者的立场表现数据集(图2)。双变量分析,经过sROC曲线计算,导致组合曲线下的面积为0.987。再次,诊断患者的立场研究性能较低的曲线下面积0.92和0.93与0.96相比,0.99,0.99,0.98,0.99 (图3)。这一观察个体之间的异质性研究反映τ²为5.52,我²的100% (p< 0.001)。

讨论和结论

观察到的诊断信息的人工智能方法使用心电图数据识别高频荟萃分析证实了潜在的计算机辅助决策使用心电图数据诊断心律失常。我们的分析进一步显示了一个基于心电图数据和相关研究之间的异质性研究基于患者的立场数据表明一个荟萃分析合并两种研究类型可能不是一样有意义。进一步限制了这五个研究的荟萃分析是不同的端点。不过,个人研究的结果本身都展示出了一些有希望的结果指向同一个方向支持荟萃分析的信息。

三出版物的我们的分析是基于案例从一个长期BIDMC充血性心力衰竭的心电图记录数据库,包括15例(13- - - - - -15)。这些录音是分割成短2 s的间隔,人为地增加数据集的数量。

相比之下,使用阿迪等人的研究2 s部分源于标准12导ecg的长度10 s在3874年和52870年获得个别病人,分别为(16,17)。这些数据集可能更好地描绘现实生活中的数据作为分析分段ecg似乎高估了人工智能的能力来检测高频相比。这些基于数据集仍然显示临床相关的诊断信息的AUC > 0.8。这种假设是进一步支持Kwon等人的一项研究报告类似的基于数据集auc的0.843和0.889两个数据集(3378和5901例)(21)。有趣的是,这里的数据集,使用基于vs ECG-based,对模型的性能有较大的影响相比,改变输入功能。使用心电图数据集,苏达山等人的研究。13)只有五个特性,取得了类似的分类性能的研究Acharya et al。(14)与500年输入特性和Lih et al。(15)与2000年输入功能。

心电图特点是根据种族不同,可能影响人工智能算法的准确性与数据集训练源于特定的地理区域。使用相同的数据集阿迪et al。16,17),Noseworthy等人发现,不同民族之间的精度存在,他们的网络进行跨多个种族(22)。

除了心电图数据,其他信息后推荐临床诊断(2)也可能是一个有效的输入为一个人工智能的方法。这里,使用数据源于古典成像技术,如胸部x光检查(23)或标准的成像方法的超声心动图(24)显示相关的潜力。同时,传统诊断方法,而不是依赖于一个复杂的基础设施,像心音的评价通过计算机辅助方法(25),可能在心力衰竭患者的评估使用。进一步结合等不同形式的输入功能单一的诊断方法相比,可以提高模型精度在实际设置。这样的想法是由数据显示各种信息来自电子健康记录在一个机器学习的方法是能够预测高频前临床明显的(26)。与非齐次性质有关的特性以及结果措施AI-aided心力衰竭诊断、分析侧重于心电图时间序列作为输入变量。然而,其他的输入参数和不同形式的组合必须解决未来的研究。

目前的荟萃分析,以及发布的数据,突显出患者的立场需要健壮的基于数据的研究,以更好地评价人工智能的价值在高频心电图解释。在这里,正在进行心电图AI-Guided筛查低的射血分数(鹰)集群随机试验(NCT04000087)将提供有用的前瞻性见解代表一个现实生活中的设置(27,28)。

最近,技术和接受这套,聪明健康的设备和应用程序广泛改善。越来越多的处理能力和系统内存将减少技术的局限性。尤其是一个心电图评估已经被实现为功能分成几个设备。关于不同类型的支持我们的观察心电图输入,保证数据的可转移性神经网络训练与一个12导ECG ECG-enabled设备已经在2019年美国心脏协会年度会议上强调这种方法的潜力(29日)。

最后,数据的荟萃分析证实大量人工智能预测高频的能力或降低LVEF从标准心电图信号。与当前先进的移动设备能够心电图记录,人工智能筛查高频未来可能是一个强大的工具,甚至其他心脏疾病的诊断。

数据可用性声明

最初的贡献提出了研究中都包含在这篇文章/补充材料,进一步调查可以直接到通讯作者/ s。

道德声明

伦理审查和批准没有所需的研究对人类参与者按照地方立法和制度的要求。书面知情同意参与这项研究并不需要按照国家法律和制度需求。

作者的贡献

概念和设计工作是由DG, FR和TK。数据收集的DG、FR、TK。数据分析由DG、NG和JH。DG和FR可视化数据。手稿是由DG的草案,FR和TK。MG和TK监督这个项目。NG, JH, LE, BJ, CH, AR, MG导致结果的解释和修订后的手稿。所有作者批准了最终版本的手稿。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

引用