단일에서 좌심실 수축기 기능 장애의 감지

npj 디지털 의학 6권, 기사 번호: 124(2023) 이 기사 인용

2352 액세스

1 인용

40 알트메트릭

측정항목 세부정보

인공지능(AI)은 심전도(ECG)를 통해 좌심실 수축기 기능 장애(LVSD)를 감지할 수 있습니다. 웨어러블 장치는 광범위한 AI 기반 검사를 허용하지만 시끄러운 심전도를 자주 획득할 수 있습니다. 우리는 웨어러블 및 휴대용 장치에서 얻은 시끄러운 단일 리드 ECG에 적합한 LVSD와 같은 숨겨진 심혈관 질환의 감지를 자동화하는 새로운 전략을 보고합니다. 우리는 표준 및 소음 적응 모델 개발을 위해 385,601개의 ECG를 사용합니다. 잡음 적응 모델의 경우, ECG는 각각 실제 잡음 소스를 에뮬레이션하는 4가지 고유 주파수 범위 내의 무작위 가우스 잡음으로 훈련 중에 강화됩니다. 두 모델 모두 AUROC가 0.90인 표준 ECG에서 비슷한 성능을 발휘합니다. 잡음 적응 모델은 휴대용 장치 ECG에서 격리된 잡음을 포함하여 여러 신호 대 잡음비(SNR)에서 4개의 서로 다른 실제 잡음 기록으로 강화된 동일한 테스트 세트에서 훨씬 더 나은 성능을 발휘합니다. SNR 0.5에서 휴대용 ECG 장치 소음으로 강화된 ECG에서 평가할 때 표준 및 소음 적응 모델의 AUROC는 각각 0.72 및 0.87입니다. 이 접근 방식은 임상 ECG 저장소에서 웨어러블 적응 도구를 개발하기 위한 새로운 전략을 나타냅니다.

좌심실 수축기 기능 장애(LVSD)는 심부전 위험이 8배 이상 증가하고 조기 사망 위험이 거의 2배 증가하는 것과 관련이 있습니다1. 조기 진단은 이러한 위험을 효과적으로 완화할 수 있지만2,3,4 효과적인 선별 전략이 부족하여 환자에게 증상이 있는 질환이 발생한 후에만 LVSD가 진단되는 경우가 많습니다5,6,7. 인공 지능(AI)은 심전도(ECG)에서 좌심실 수축기 기능 장애(LVSD)를 감지할 수 있습니다. 이 진단은 전통적으로 포괄적인 심초음파 검사 또는 기타 심장 영상에 의존해 왔으며 이는 자원 집약적이고 일반화된 선별 전략에 사용하기 어렵습니다8,9. AI-ECG가 LVSD를 검출하기 위한 유망한 스크리닝 도구임에도 불구하고 알고리즘은 임상적으로 얻은 12-리드 ECG에서 설계되었습니다. 웨어러블 및 휴대용 기술의 발전으로 단일 리드 ECG 신호의 현장 획득이 가능해졌으며, 이러한 AI-ECG 기술10,11을 통해 보다 효율적이고 확장 가능한 선별 도구를 위한 길을 열었습니다. 이러한 향상된 접근성은 LVSD에 대한 더 광범위한 AI 기반 검사를 가능하게 할 수 있지만 이러한 도구의 신뢰성은 웨어러블 및 휴대용 장치에서 수집된 데이터에 노이즈가 존재함으로써 제한됩니다. 결과적으로 휴대용 장치 ECG에서 LVSD를 감지하는 모델의 성능은 실제 환경에서 저하될 수 있으며 임상 개발 연구의 원래 단일 리드 파생물에서 관찰된 것보다 성능이 낮을 수 있습니다.

웨어러블 ECG의 대규모 레이블 데이터 세트가 없는 경우, 웨어러블 장치에서 근본적인 구조적 심장 질환을 감지할 수 있는 알고리즘의 개발은 임상 ECG 라이브러리에서 추출한 12리드 ECG에서 특별히 조정된 단일 리드 정보에 의존합니다. 그러나 이 프로세스는 웨어러블 ECG에서 발생하는 고유한 데이터 수집 문제를 구체적으로 설명하지 않으며 일관되지 않은 진단 성능에 기여할 수 있습니다. 실제로 웨어러블 데이터에는 피부와의 전극 접촉 불량, ECG 중 움직임 및 근육 수축, 외부 전기 간섭과 같은 요인으로 인해 발생하는 여러 가지 잡음 소스가 있습니다. 선택된 고품질 하위 집합15과 달리 사용 가능한 모든 웨어러블 ECG 데이터를 대상으로 테스트할 때 모델의 성능이 저하됨을 보여주기 때문에 이러한 잡음은 실용적인 의미를 갖습니다. 소음에 따른 이러한 현저한 성능 차이는 웨어러블 장치 기반 검사 프로그램을 제한했으며, ​​웨어러블 장치 기반 심방세동 검사 연구에서는 신호 품질이 부족하여 환자의 22%가 자격을 상실했습니다12. 이러한 소음을 설명하는 것은 지역사회에서 LVSD에 대한 효과적인 선별 프로그램의 기초를 형성할 광범위하게 접근 가능한 모델을 개발하기 위한 전제 조건입니다.