Ein Ansatz, der auf die künstliche Intelligenz (KI) können EKGs werden verwendet, um Bildschirm für die hypertrophe Kardiomyopathie in der Zukunft. Mit hypertrophe Kardiomyopathie, das Herz Wände dick werden und beeinträchtigen das Herz-die Fähigkeit, richtig zu funktionieren. Die Krankheit auch prädisponiert einige Patienten potenziell tödlich abnorme Rhythmen. Aktuelle EKG-Technologie hat eine begrenzte diagnostische Ausbeute für diese Krankheit.
Neue Mayo Clinic Forschung zeigt, dass ein convolutional neural network-AI ausgebildet werden können, um zu erkennen, unsichtbaren Merkmale der hypertrophen Kardiomyopathie. Die standard-12-lead-EKG ist eine leicht verfügbare, kostengünstige Tests, die durchgeführt werden können, in vielen Einstellungen, einschließlich derjenigen, die mit begrenzten Ressourcen.
Hypertrophe Kardiomyopathie diagnostiziert werden kann, weil es oft keine Symptome verursachen. Patienten sind oft nicht bewusst, dass Sie es haben, bis Sie erleben Komplikationen, aber Früherkennung wichtig sein kann. Die hypertrophe Kardiomyopathie ist eine der führenden Ursachen für den plötzlichen Herztod bei Jugendlichen und Jungen Erwachsenen die Teilnahme an Sport.
Peter Noseworthy, M. D., ein Mayo Clinic Kardiologe, deutet darauf hin, dass die KI könnte bieten eine effektive und leicht verfügbare Methode für eine frühzeitige Diagnose der hypertrophen Kardiomyopathie durch ein EKG. Dr. Noseworthy ist senior-Autor auf eine neu veröffentlichte Studie in der Zeitschrift der American College of Cardiology: “der Nachweis der Hypertrophen Kardiomyopathie Über ein Convolutional Neural Network-Aktivierten EKG.”
Forscher trainierten und validierten ein convolutional neural network using digital 12-lead-EKG von auf 2.448 Patienten bekannt hypertrophe Kardiomyopathie und 51,153 wer nicht, matching der Kontrollgruppe für Alter und Geschlecht. Als Nächstes testeten Sie die AI ‘ s Fähigkeit zu erkennen, die Krankheit auf eine andere Gruppe von 612 Probanden mit hypertropher Kardiomyopathie und 12,788 Kontrollpersonen.
Für diagnostische Untersuchungen, wie das neuronale Netzwerk, die diagnostische Leistungsfähigkeit gemessen wird mathematisch durch die Fläche unter der receiver operating characteristic Kurve, auf einer Skala, wo 0,5, Arme (werfen einer Münze) und 1.0 ist sehr gut (perfekter test). Die Messung bezieht sich auf die test ‘ s Fähigkeit, richtig zu identifizieren Patienten, die die Krankheit (Sensitivität), und die korrekte Identifizierung von Patienten, die nicht über die Krankheit (Spezifität).
Zum Vergleich, eine typische, positive Pap-Abstrich-test würde die Fläche unter der Kurve von 0,7 und eine Mammographie wäre von 0,85. Die Studie fand die KI die Fähigkeit zu bestimmen, Patienten mit hypertrophe Kardiomyopathie von denjenigen, die ohne es musste eine Fläche unter der Kurve von 0.96—ein starker Prädiktor.
“Die guten Leistungen bei Patienten mit einem normalen EKG ist faszinierend”, sagt Dr. Noseworthy. “Es ist interessant zu sehen, dass auch ein normales EKG Aussehen kann abnorm ein convolutional neural network. Dies unterstützt das Konzept, dass diese Netzwerke finden Sie Muster, die versteckt in plain sight.”
Die Studie auch getestet, die KI auf Untergruppen. Die Fläche unter der Kurve für die Vorhersage hypertrophe Kardiomyopathie in einer Gruppe von Patienten mit linksventrikulärer Hypertrophie, einer Erkrankung, die durch hohen Blutdruck, die auch geprägt ist durch die Herz-Wand-Verdickung, war 0.95. Die Fläche unter der Kurve in der Untergruppe mit nur normalen EKGs wurde auch von 0,95. Die Fläche unter der Kurve für die Untergruppe von Patienten mit Aortenstenose (Verengung des Ventils) wurde auf 0,94. Der test ebenso gut in einer Untergruppe von Patienten, die hatten, wurden, genetisch getestet und bestätigt zu haben pathogene Mutationen für die Krankheit.
“Die Gruppen sind wichtig für das Verständnis, wie die testen. Es ist gut zu sehen, dass die KI gut funktioniert, wenn das EKG ist normal, wie auch, wenn es abnormal ist durch die linksventrikuläre Hypertrophie”, sagt Konstantinos Siontis, M. D., ein Bewohner der Kardiologe bei Mayo Clinic und co-erste Autor der Studie. “Vielleicht noch wichtiger ist die Tatsache, dass der Algorithmus die am besten abgeschnitten haben in der jüngeren Untergruppe von Patienten in unserer Studie (unter 40 Jahre alt), die highlights der potenzielle Wert im screening jüngeren Erwachsenen.”
Mehr Forschung getan werden muss, wie die Prüfung der AI in anderen Erwachsenen Bevölkerung, Kinder und Jugendliche, um herauszufinden, wo es gut funktioniert und wo Sie scheitert.
“Dies ist ein interessanter proof-of-concept, aber ich würde Vorsicht, der trotz seiner starken Leistung, jeder screening-test für eine relativ seltene Bedingung ist dazu bestimmt, haben eine hohe falsch-positiv-raten und niedrige positive prädiktive Wert in der Allgemeinen Bevölkerung. Wir müssen noch besser verstehen, welche bestimmte Bevölkerungsgruppen profitieren von diesem test als screening-tool,” sagt Dr. Siontis.
