Ważne zastosowanie linii przewodnictwa serca

Choroby układu krążenia są główną przyczyną zgonów w Chinach – każdego roku odnotowuje się ponad 544000 przypadków nagłej śmierci z przyczyn centralnych, a częstość ich występowania rośnie wraz ze zmianą stylu życia i starzeniem się społeczeństwa .

Nagła śmierć sercowa (SCD) to nieoczekiwana śmierć z przyczyn sercowych, występująca zwykle w ciągu godziny od wystąpienia objawów choroby serca, charakteryzująca się nagłą utratą przytomności, nagłym ustaniem czynności serca i niewydolnością hemodynamiczną, zwykle spowodowaną utrzymującym się częstoskurczem komorowym lub migotanie komór.

Dlatego identyfikacja osób z wysokim ryzykiem SCD może znacznie pomóc w zapobieganiu chorobie.

Elektrokardiogram (EKG) jest powszechnie stosowaną metodą wykrywania aktywności elektrycznej serca, a w zwyczajowym standardzie klinicznym wykorzystuje się 12-odprowadzeniowe EKG do oceny stanu zdrowia serca pacjenta. Jako kluczowy element łączący ciało pacjenta z przyrząd do elektrokardiogramu, przewód przewodnictwa serca odgrywa istotną rolę w jakości sygnału elektrokardiogramu.

Według nowego badania opublikowanego w Communications Medicine, jednym z wiodących czasopism naukowych na świecie, oparty na EKG model Deep Learning do oceny ryzyka SCD może dokładniej odróżnić przypadki SCD od grup kontrolnych niż tradycyjny model ryzyka EKG. Pomoże to klinicystom monitorować i identyfikować osoby o podwyższonym ryzyku SCD, aby można było je regularnie badać i zapobiegać wystąpieniu SCD.

Zespół wykorzystał dane z dwóch niezależnych geograficznie, prospektywnych, lokalnych badań dotyczących pozaszpitalnych SCD, obejmujących łączną próbę 2510 przypadków SCD. Modele głębokiego uczenia się (DL) zostały przeszkolone, zweryfikowane i przetestowane na danych z badania 1796 SCD Sudden Accidental Death Study z Oregonu w USA (Oregon SUDS) i zweryfikowane zewnętrznie na 714 danych z badania Sudden Death Prediction Study z wieloetnicznych społeczności w hrabstwie Ventura w Kalifornii (Ventura PRESTO). Do badania włączono wszystkie przypadki elektrokardiogramów spoczynkowych 12-odprowadzeń, które zostały zarejestrowane przed SCD i nie były powiązane ze zdarzeniami SCD, z wyłączeniem EKG z rytmem stymulacji, migotaniem przedsionków lub trzepotaniem przedsionków a priori stworzyć model DL, który można zastosować do elektrokardiogramów rytmu zatokowego.

Zespół opracował model splotowej sieci neuronowej umożliwiający identyfikację przypadków SCD przy użyciu 12-krzywych z odprowadzenia EKG. Naukowcy uzyskali dwie niezależne próbki kontrolne z 1342 elektrokardiogramów od 1325 osób, które miały co najmniej 50% choroby wieńcowej. Przeszkolili model, wykorzystując 1076 przypadków SCD z SUDS w stanie Oregon i 1101 12-odprowadzeniowe EKG przed zatrzymaniem krążenia, 597 przypadków SCD z grupy kontrolnej i 613 12-odprowadzeniowe EKG. Do ustalenia, kiedy należy zakończyć trening modelowy, wykorzystano osobną kohortę walidacyjną, składającą się z 366 zapisów EKG przed zatrzymaniem krążenia i 200 kontrolnych zapisów EKG. Próbki do badania podzielono według poziomu pacjenta, tak aby w tej samej kohorcie można było uwzględnić wiele elektrokardiogramów tego samego pacjenta.

W porównaniu z tradycyjnymi modelami EKG, model DL oparty na przebiegu {{0}}odprowadzeniowego EKG był dokładniejszy w identyfikowaniu przypadków SCD, przy wewnętrznej kohorcie AUROC (miara oceny sieci neuronowej) wynoszącej 0. 889 i zewnętrznie potwierdzony AUROC wynoszący 0,820 i był lepszy niż tradycyjny wynik ryzyka EKG. Jest to pierwsze doniesienie, że model DL oparty na EKG przewyższa tradycyjne modele ryzyka EKG w przewidywaniu pozaszpitalnego SCD na poziomie społeczności.