人工智能如何发现看不见的心力衰竭迹象

　　

   

   

西奈山伊坎医学院(Icahn School of Medicine at Mount Sinai)的研究人员开发了一种心电图读取算法，可以检测到心衰的细微迹象。

图片来源:纽约西奈山，Glicksberg和Nadkarni实验室

西奈山医院的研究人员发明了一种特殊的基于人工智能(AI)的计算机算法，该算法能够识别心电图(也称为ECGs或EKGs)的细微变化，从而预测患者是否患有心力衰竭。

“我们证明，深度学习算法可以从心电图波形数据识别出心脏两侧的血液泵送问题，”Benjamin S. Glicksberg博士说，他是遗传学和基因组科学的助理教授，西奈山Hasso Plattner数字健康研究所的成员，也是发表在《美国心脏病学会杂志:心血管成像》上的这项研究的资深作者。“通常，诊断这类心脏病需要昂贵和耗时的程序。我们希望这种算法能够更快地诊断心力衰竭。”

Akhil Vaid领导的这项研究是医学博士,博士后学者从事Glicksberg实验室和一个由Girish n . Nadkarni医学博士英里每小时,CPH,伊坎医学院医学副教授在西奈山,部门的首席数据驱动和数字医学(D3M)和该研究的资深作者。

心力衰竭，或充血性心力衰竭，发生在心脏泵出的血液少于身体正常需要的时候，影响着大约620万美国人。多年来，医生一直严重依赖一种称为超声心动图的成像技术来评估患者是否正在经历心力衰竭。虽然有帮助，但超声心动图可能是劳动密集型的手术，只在选定的医院提供。

然而，最近在人工智能方面的突破表明，心电图——一种广泛使用的电子记录设备——在这些情况下可能是一种快速且容易获得的替代方法。例如，许多研究表明，“深度学习”算法可以检测心脏左心室的弱点，这将新鲜的含氧血液推向身体的其他部位。在这项研究中，研究人员描述了一种算法的开发，该算法不仅评估左心室的力量，也评估右心室的力量，右心室将从身体流入的缺氧血液泵入肺部。

“尽管很吸引人，但传统上，使用心电图诊断心力衰竭对医生来说一直是一个挑战。这在一定程度上是因为这些评估没有既定的诊断标准，也因为ECG读数的一些变化太细微，人眼无法察觉，”Nadkarni博士说。“这项研究代表着在寻找心电数据中隐藏的信息方面迈出了令人兴奋的一步，这可能导致使用相对简单和广泛可用的测试来更好的筛查和治疗模式。”

通常，心电图包括两个步骤。导线被粘在病人胸部的不同部位，几分钟内，一个特别设计的便携式机器就会打印出一系列代表心电活动的曲线或波形。这些机器可以在美国的大多数医院和救护车上找到，并且只需要很少的培训就可以操作。

在这项研究中，研究人员设计了一台电脑来读取病人的心电图，以及从汇总相同病人相应超声心动图结果的书面报告中提取的数据。在这种情况下，书面报告作为一组标准数据，供计算机与心电图数据进行比较，学习如何识别较弱的心脏。

自然语言处理程序帮助计算机从书面报告中提取数据。同时，该算法还加入了能够发现图像模式的特殊神经网络，以帮助算法学习识别泵送强度。

Vaid博士说:“我们想通过开发能够轻松而廉价地理解整个心脏的人工智能来推动技术的发展。”

然后，计算机读取了从2003年到2020年从15万名西奈山医疗系统患者那里获得的70多万份心电图和超声心动图报告。来自四家医院的数据被用来训练计算机，而来自第五家医院的数据被用来测试算法在不同的实验环境下的表现。

“这项研究的一个潜在优势是，它涉及了世界上最多样化的患者群体之一的最大心电图采集量，”Nadkarni博士说。

初步结果表明，该算法能够有效预测哪些患者的左心室是健康的还是非常弱的。这里的强度是由左心室射血分数来定义的，这是根据超声心动图观察到的心室每次跳动泵出的液体量的估计。健康心脏的射血分数大于或等于50%，而虚弱心脏的射血分数等于或低于40%。

该算法预测射血分数健康的患者准确率为94%，预测射血分数低于40%的患者准确率为87%。

然而，该算法在预测哪些患者的心脏会轻微变弱方面并没有那么有效。在这种情况下，该程序预测射血分数在40%到50%之间的患者的准确率为73%。

进一步的结果表明，该算法还学会了从心电图中检测右瓣膜弱点。在这种情况下，虚弱的定义是从超声心动图报告中提取的更描述性的术语。该算法在预测哪些患者右瓣膜功能较弱方面的准确率为84%。

“我们的研究结果表明，这种算法最终可能会帮助医生正确诊断心脏两侧的衰竭，”Vaid博士说。

最后，进一步的分析表明，该算法可以有效地检测所有患者的心脏衰弱，无论种族和性别。

“我们的研究结果表明，这种算法可能是一个有用的工具，可以帮助临床医生对抗各种患者遭受的心力衰竭，”Glicksberg博士补充说。“我们正在仔细设计前瞻性试验，以在更真实的环境中测试其有效性。”

这项研究得到了美国国立卫生研究院(TR001433)的支持。

文章检索：

Vaid, A., et al., Using deep learning algorithms to simultaneously identify right and left ventricular dysfunction from the electrocardiogram, Journal of the American College of Cardiology: Cardiovascular Imaging, October 13, 2021, DOI: 10.1016/j.jcmg.2021.08.004.