Využitie umelej inteligencie pri detekcii fibrilácie predsiení; iTransfer
Publikované: Adrian Iftene
Publikované dňa: 20. decembra 2019
Čo je to fibrilácia predsiení? Fibrilácia predsiení je porucha srdcového rytmu (arytmia), ktorá spôsobuje nepravidelný rytmus srdca.
Srdce je rozdelené na 4 komory (2 predsiene a 2 komory) a dve z nich sa tvoria pravé srdce, ktorá pumpuje krv do pľúc. Čerpanie je koordinované sieťou elektrických pripojení iniciovaných kardiostimulátor (nazývaný sínusový uzol), ktorý spôsobuje pravidelné kontrakcie srdca. Pri fibrilácii predsiení kardiostimulátor už nefunguje správne a produkuje nepravidelné elektrické signály. Vedie to k situácii, keď sa predsiene nesťahujú správne, prietok krvi sa spomaľuje alebo stagnuje a komory sa sťahujú nepravidelne (pozri obrázok 1).
Ako je možné vidieť na obrázku 2, EKG ukazuje rozdiel medzi normálnym správaním srdca (vľavo) a nepravidelným správaním srdca pri fibrilácii predsiení (vpravo).
Fibrilácia predsiení (AF) je najbežnejšia porucha srdcového rytmu, ktorá postihuje milióny ľudí. Počet pacientov naďalej z roka na rok rastie tak v Európe, ako aj v Amerike (Camm et al., 2010).
Príčiny AF sú rôzne (Pracovná skupina FA, 1993):
- Najčastejšie: ischemická choroba srdca, hypertenzia, zlyhanie srdca, valvulopatie.
- Ďalšie menej časté príčiny: vrodené choroby, dysfunkcia štítnej žľazy, obezita, spánkové apnoe, chronické ochorenie pľúc, cukrovka, zlyhanie obličiek.
- AF sa môže vyskytnúť aj po operácii na hrudníku a najmä na srdci.
Istý čas sa AF nazývala paroxysmálna fibrilácia a chronická fibrilácia predsiení. Neskôr boli odporúčané ďalšie klasifikácie a nedávno Európska kardiologická spoločnosť prišla s nasledujúcim návrhom klasifikácie (Camm et al., 2010):
- Prvá diagnóza alebo prvý objav, bez ohľadu na trvanie alebo prítomnosť/neprítomnosť príznakov.
- Paroxysmálna fibrilácia predsiení, ktorá spontánne končí za menej ako 7 dní, zvyčajne 24 hodín.
- Trvalá fibrilácia predsiení, ktorá sa nekončí do 7 dní. Vyžaduje farmakologické alebo elektrické ošetrenie.
- Trvalá fibrilácia predsiení, trvá dlhšie ako 1 rok a konverzná liečba nemala žiadny účinok alebo sa neskúšala.
Prevalenciu fibrilácie predsiení s vekom je možné vidieť na obrázku 3 podľa štúdie Antikoagulácia a rizikové faktory pri štúdiu fibrilácie predsiení (Schmid a kol., 2011). Čísla predstavujú počet mužov a žien s fibriláciou predsiení v každej vekovej skupine. Je vidieť, že muži sú na túto chorobu náchylnejší v porovnaní so ženami. S pribúdajúcim vekom tiež stúpajú šance na fibriláciu predsiení u mužov i žien.
Elektrokardiogram
Myokard vytvára elektrické pole, ktoré sa šíri na povrch kože. Odtiaľ je možné zaznamenávať elektrické pole umiestnením elektród do určitých bodov ľudského tela. Graf vyplývajúci z tohto záznamu sa nazýva elektrokardiogram (EKG). Elektrokardiogram je grafický záznam zmien elektrického potenciálu, ktoré vznikajú počas srdcovej činnosti.
Elektrokardiogram poskytuje informácie o:
- Srdcový rytmus;
- Pôvod impulzu a jeho šírenie (vedenie) hmotou myokardu;
- Veľkosť srdcových dutín;
- Pozícia srdca;
- Rozšírenie a lokalizácia akútneho infarktu myokardu (AMI);
- Účinky zmeny koncentrácie elektrolytov na vlastnosti myokardu;
- Účinky niektorých liekov na činnosť srdca;
- Prevádzka umelého kardiostimulátora implantovaného pacientovi;
- Predstavuje „zlatý štandard“ pre diagnostiku rytmu a porúch riadenia.
Dráha EKG sa skladá z vĺn, segmentov a intervalov (pozri obrázok 4):
- Vlna P;
- segment Pq;
- komplex qRs;
- segment S-T;
- T vlna;
- qT interval; +/- vlna U.
V posledných rokoch sa umelá inteligencia čoraz viac využíva v mnohých oblastiach vrátane lekárskeho. Sme svedkami skutočnej revolúcie v medicíne a strojovom učení, neurónových sieťach, IoT (Intenet of Things), nanotechnológiách, ktoré prichádzajú na pomoc lekárom (pri argumentačnom rozhodovaní o diagnóze alebo liečbe) a nemocničným sestrám (pri monitorovaní). ľahšie pacienti) a na druhej strane pacienti (ktorí majú úžitok z prispôsobenej liečby prispôsobenej im a chorobe, ktorú majú) a ich rodiny (ktoré môžu pomôcť v procesoch liečby a zotavenia pacientov) (Burlacu et al., 2019 ).
Genetické algoritmy
Genetický algoritmus (GA) použitý v článku (Arotăriței a Rotariu, 2015) využíval funkciu fitnes, ktorá mala jedinečný cieľ: získať vyššie hodnoty citlivosti a citlivosti. Metóda navrhnutá autormi bola testovaná pomocou databázy predsieňových fibrilácií Physionet MIT-BIH a experimentálne výsledky odhalili dobrú presnosť detekcie AF z hľadiska citlivosti a špecificity (viac ako 90%). Parametre použité genetickým algoritmom v článku (Arotăriței a Rotariu, 2015) boli:
- L - dĺžka okna,
- Pth1 - prahová hodnota, od ktorej segment predstavuje AF (počet segmentov AF/počet celkových segmentov),
- Prahová hodnota RMSt - RMSSD (stredná kvadratická hodnota následných rozdielov),
- TPRt - prah bodu obratu,
- SEt - prah Shannonovej entropie,
- TKt - energetický prah Teager-Kaiser.
V (Arotăriței a Rotariu, 2015) bol chromozóm inicializovaný s celočíselnou hodnotou medzi 32 a 480 a cieľom objektívnej funkcie je maximalizovať dve hodnoty Se (Shanopia Entropy) a Sp (dĺžka okna, v ktorom máme AF). Algoritmus začína s populáciou 50 jednotlivcov a po 40 iteráciách prestáva poskytovať riešenie. Multiobjektívnou funkciou je v tomto prípade minimalizácia funkcií 1-Se aj 1-Sp. Získané výsledky sú Se = 0,9017 a Sp = 0,9012, sú porovnateľné s podobnými riešeniami, má však výhodu v tom, že používa menší počet súborov. Na obrázku 5 vidíme, ako bol v článku skonštruovaný chromozóm (Weng et al., 2017) na základe veku pacientov.
Metódy klasifikácie AF
Z metód v oblasti umelej inteligencie používaných na klasifikáciu AF uvádzame klasifikácie pomocou Naive Bayesian, SVM, kNN, ANN a LDA (Lim et al., 2016), ktoré podrobne rozvedieme nižšie. Klasifikácia AF sa vykonáva pomocou morfológie vlny P (Sahoo et al., 2011):
- Amplitúda vlny P,
- Plocha pod vlnou P,
- Vlnová dĺžka P,
- Časová vzdialenosť od začiatku vlny P po jej vrchol,
- Časová vzdialenosť medzi vrcholom P a vrcholom R.
Naivný Bayesian - V (Pourbabaee a Lucas, 2008) autori navrhli tri rôzne klasifikátory na identifikáciu AFIB, ktoré sú založené na kNN (K najbližší sused), ANN (umelá neurónová sieť) a Naive Bayesian. Ukázali, že medzi klasifikátormi AF ponúka kNN najvyššiu presnosť detekcie AF s presnosťou 93,75% v porovnaní s ANN a Naive Bayesian, ktoré majú presnosť 87,50%, respektíve 75,00. %. V príspevku (Joy et al., 2013) autori navrhli kombinovaný model klasifikácie AF medzi Naive Bayesian a Gaussian (GMM). Ukázali, že GMM ponúka o niečo vyšší výkon v citlivosti, špecifickosti a presnosti v porovnaní s Naive Bayesian, pričom dosahuje presnosť 99,00% a vyššiu.
K najbližší sused (kNN) - Viacerí vedci prostredníctvom experimentov preukázali, že najjednoduchší klasifikátor, kNN, je schopný klasifikovať AF s lepšou presnosťou v porovnaní s ostatnými klasifikátormi s rovnakou sadou charakteristík (Padmavathi a Ramakrishna, 2015). Ukázali, že presnosť SVM je 92,30% a kNN 100%, s rovnakými charakteristikami extrahovanými Burgovou metódou. Podobné výsledky sú prezentované v článkoch (Pourbabaee a Lucas, 2008), (Prasad et al., 2013) a (Ros et al., 2004). Základné kroky v kNN sú znázornené na obrázku 6 nižšie.
Umelá neurónová sieť (ANN) - Podobne ako v prípade iných klasifikátorov, aj ANN má fázu tréningu a testovanie. Vo fáze pohonu je neurónová sieť riadená pomocou algoritmu spätného šírenia. Výsledkom je, že pre každý uzol v sieti na každej vrstve sa vypočítajú a získajú najlepšie váhy (Rumelhart et al., 1986), (Bre et al., 2018). Tieto váhy sa vyberajú podľa správania najlepšej siete a potom sa používajú na klasifikáciu vo fáze testovania. V rokoch 1994 až 2013 sa ANN bežne používala pre algoritmus detekcie AF. Najdôležitejšie výsledky dosiahli v roku 1994 (Yang et al., 1994), ktorí dosiahli presnosť okolo 92%, a potom v rokoch 2007-2008 (Chesnokov et al., 2007) a (Kikillus et al. al., 2008), ktorý dosiahol presnosť okolo 93%, a v roku 2018 (Bre et al., 2018) dosiahol presnosť okolo 99%. Od roku 2019 sa začali používať konvolučné neurónové siete (Attia et al., 2019), ktorých presnosť sa začína zlepšovať (99%).
Podporujte vektorový stroj (SVM) - Väčšina algoritmov detekcie AF s klasifikátorom SVM je schopná poskytnúť dobrý výkon. V (Asgari et al., 2015) autori prezentujú algoritmus SVM, ktorý je schopný detegovať AF s presnosťou 97%, a v (Jeon et al., 2014) má prezentované riešenie SVM presnosť asi 95%. V (Bruser et al., 2011) a (Padmavathi a Ramakrishna, 2015) autori použili Burgovu metódu na získanie charakteristík a poskytli dobrý výkon nad 95%. Architektúru systému založeného na SVM nájdete na obrázku 8 nižšie.
Analýza lineárnej diskriminácie (LDA) - V príspevku (Lee et al., 2006) bol AF klasifikovaný pomocou LDA na základe vlny F a RR intervalu s klinickým hodnotením, pričom sa dosiahla presnosť viac ako 92%. Zatiaľ čo autori (Chong et al., 2013) použili LDA na klasifikáciu AF a implementovali algoritmus pre smartphone s presnosťou viac ako 96%. Na obrázku 9 vidíme pred a po klasifikácii pomocou LDA.
Moderné zariadenia na identifikáciu AF
Inteligentné telefóny - Autori príspevku (Krivoshei et al., 2016) prezentujú súbor experimentov, ktoré vykonali a použili iPhone 4S. Telefón bol umiestnený tak, aby šošovka fotoaparátu a LED svetlo boli na hrote ukazováka (pozri obrázok 10 nižšie), aby zachytili signál. Na identifikáciu pacientov s AF použili niekoľko štatistických metód. Pokusy vykonané na 80 pacientoch preukázali presnosť viac ako 95% navrhovaných metód. V roku 2017 (Lahdenoja a kol., 2017) používam akcelerometer a gyroskop na smartfóne s Google Android na identifikáciu AF a získanie presnosti viac ako 97%.
Videokamery - V (Corino et al., 2017) autori pomocou profesionálnej videokamery (s rozlíšením 659 x 494 pixelov) zhromaždili 3-minútové videá od 24 pacientov. Kamera bola umiestnená 1,5 m od pacienta a počas experimentov snímala video. Potom boli videá spracované podľa nasledujúcich 3 krokov: (1) identifikácia tváre, (2) pohyb pacienta a (3) extrakcia signálu. Získané výsledky mali presnosť okolo 0,96%. V príspevku (Hewitt, 2013) autor predstavuje súbor experimentov uskutočňovaných na MIT, ktoré zosilnením pohybu hlavy dosahujú srdcovú frekvenciu a následne identifikujú abnormálne správanie ako v prípade AF (pozri obrázok 11 nižšie).
Cieľom tejto časti je načrtnúť potenciálny rámec pre spoluprácu medzi akademickou obcou a priemyslom. V tejto časti teda nájdete oznámenia o existujúcom financovaní alebo projektoch navrhovaných a implementovaných na národnej/medzinárodnej úrovni v oblastiach relevantných pre prenos identifikovaných znalostí.
Inteligentné hodinky - Inteligentné hodinky začínajú mať čoraz viac senzorov, ktoré nám umožňujú sledovať zdravie tých, ktorí ich nosia. V roku (Grieten et al., 2017) pomocou inteligentných hodiniek (E4, Empatica), ktoré merajú signál fotopletysmografie (PPG) na zápästí, a zariadenia iPhone 5S, ktoré merajú rovnaký signál na ukazováku, vykonali experimenty vidieť ich presnosť v porovnaní s implantovaným zariadením (pozri obrázok 12).
V súčasnosti existuje na zariadeniach Amazon niekoľko zariadení, ktoré vám umožňujú monitorovať srdcovú frekvenciu a signalizovať AF (pozri obrázok 13 nižšie). Ich cieľom je pomôcť pacientom, ktorí teraz môžu monitorovať svoju srdcovú činnosť bez toho, aby museli zakaždým chodiť k špecialistovi. Rozdiel medzi nimi je cena a presnosť údajov odobratých od pacienta.
Fibrilácia predsiení je porucha srdcového rytmu, ktorá spôsobuje nepravidelný rytmus srdca. Pacienti s touto poruchou majú spomalený prietok krvi a nepravidelne sa im sťahujú komory. Pomocou EKG možno tieto poruchy diagnostikovať a algoritmy umelej inteligencie dokážu dešifrovať ich obsah a robiť klasifikácie s veľmi dobrou presnosťou. Prístupy v posledných rokoch sú založené na genetických algoritmoch a klasifikačných metódach, ako sú Naive Bayesian, SVM, kNN, ANN a LDA.
Moderné prístroje, ktoré sa objavili v posledných rokoch, umožňujú zber údajov od pacientov a dokážu varovať a signalizovať problematické situácie. Smartfóny, videokamery, inteligentné hodinky a špeciálne zariadenia na Amazone môžu robiť EKG s celkom dobrou presnosťou a môžu podpísať anomálie, ktoré musí špecialista podrobnejšie analyzovať.
Zdá sa, že navrhované metódy a zariadenia pomáhajú špecialistovi hlásením neobvyklých situácií, ktoré sa vyskytujú u jeho pacientov, a tým upriamujú jeho pozornosť na kritické situácie, ktoré si vyžadujú okamžitý zásah. Pomáhajú tiež pacientom, ktorí už nemusia zakaždým prichádzať do nemocnice, aby si nechali urobiť testy.