Sztuczna inteligencja w analizie EKG

Autorzy

Michał Janik - Studenckie Koło Naukowe im. Zbigniewa Religi przy Katedrze i Zakładzie Biofizyki, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach; Magdalena Stencel - Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach ; Piotr Dudek - Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach ; Natalia Denisiewicz - Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach ; Błażej Pilarski - Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach ; Maciej Koźlik - Klinika Kardiologii i Chorób Strukturalnych Serca, Śląski Uniwersytet Medyczny w Katowicach

Streszczenie

EKG jest jednym z najczęściej wykonywanych badań na świecie i stanowi znakomitą nieinwazyjną metodę diagnostyki chorób układu krążenia. Od lat na elektrokardiogramach pojawia się automatyczna, komputerowo generowana ocena zapisu, która mimo upływu lat dalej nie stanowi wystarczająco pomocnego narzędzia w analizie EKG i diagnostyce. Sztuczna inteligencja zyskuje coraz bardziej na znaczeniu w świecie medycyny. Pojawia się coraz więcej badań nad algorytmami wykorzystującymi sieci neuronowe i metody głębokiego uczenia w tym m.in. w EKG. W naszej pracy dokonujemy przeglądu badań, które dotyczą wykorzystania sztucznej inteligencji w elektrokardiografii. Ukazane zostały możliwe zastosowania EKG, które dają przewagę algorytmom nad analizą dokonywaną przez lekarzy. Wydaje się, że w przyszłości będziemy mogli wykorzystać EKG do badań przesiewowych w kierunku np. niedokrwistości czy kardiomiopatii przerostowej. Do tej pory diagnozowanie tych schorzeń na podstawie EKG, szczególnie we wczesnej fazie, było kłopotliwe, ponieważ zmiany były trudne do zaobserwowania dla większości klinicystów. Możliwe jest też rozpoznawanie migotania przedsionków podczas normalnego rytmu zatokowego na podstawie jedynie subtelnych zmian, bez konieczności badania z użyciem Holtera. Każdy podrozdział stanowi przegląd wiedzy dotyczącej wykorzystania sztucznej inteligencji w EKG w rozpoznawaniu określonego schorzenia lub grupy chorób. W poniższej pracy poza nowościami w wykorzystaniu m. in sieci neuronowych w EKG i zaletami tego typu rozwiązań, ukazujemy także ograniczenia i wady dotychczasowych badań nad takimi algorytmami. Potrzebne są dalsze badania w tym temacie by w przyszłości w pełni wykorzystać potencjał zarówno sztucznej inteligencji jak i EKG oraz wprowadzić je do użytku klinicznego.

Bibliografia

Kopeć G, Magoń W, Hołda M, Podolec P. Competency in ECG Interpretation Among Medical Students. Med Sci Monit. 2015;21:3386-3394. Published 2015 Nov 6. doi:10.12659/msm.895129

Stracina T, Ronzhina M, Redina R, Novakova M. Golden Standard or Obsolete Method? Review of ECG Applications in Clinical and Experimental Context. Front Physiol. 2022;13:867033. Published 2022 Apr 25. doi:10.3389/fphys.2022.867033

Sattar Y, Chhabra L. Electrocardiogram. In: StatPearls. Treasure Island (FL): StatPearls Publishing; June 13, 2022.

Sibbald M, Davies EG, Dorian P, Yu EH. Electrocardiographic interpretation skills of cardiology residents: are they competent?. Can J Cardiol. 2014;30(12):1721-1724. doi:10.1016/j.cjca.2014.08.026

Vishnevsky G, Cohen T, Elitzur Y, Reis S. Competency and confidence in ECG interpretation among medical students. Int J Med Educ. 2022;13:315-321. Published 2022 Nov 30. doi:10.5116/ijme.6372.2a55

Haverkamp W, Strodthoff N, Israel C. EKG-Diagnostik mithilfe künstlicher Intelligenz: aktueller Stand und zukünftige Perspektiven – Teil 1 : Grundlagen [Artificial intelligence-based ECG analysis: current status and future perspectives-Part 1 : Basic principles] [published correction appears in Herzschrittmacherther Elektrophysiol. 2022 May 31;:]. Herzschrittmacherther Elektrophysiol. 2022;33(2):232-240. doi:10.1007/s00399-022-00854-y

Schläpfer J, Wellens HJ. Computer-Interpreted Electrocardiograms: Benefits and Limitations. J Am Coll Cardiol. 2017;70(9):1183-1192. doi:10.1016/j.jacc.2017.07.723

Schläpfer J, Wellens HJ. Computer-Interpreted Electrocardiograms: Benefits and Limitations. J Am Coll Cardiol. 2017;70(9):1183-1192. doi:10.1016/j.jacc.2017.07.723

Murat F, Sadak F, Yildirim O, et al. Review of Deep Learning-Based Atrial Fibrillation Detection Studies. Int J Environ Res Public Health. 2021;18(21):11302. Published 2021 Oct 28. doi:10.3390/ijerph182111302

Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019;394(10201):861-867. doi:10.1016/S0140-6736(19)31721-0

Freedman B. An AI-ECG algorithm for atrial fibrillation risk: steps towards clinical implementation. Lancet. 2020;396(10246):236. doi:10.1016/S0140-6736(20)31063-1

Baek YS, Lee SC, Choi W, Kim DH. A new deep learning algorithm of 12-lead electrocardiogram for identifying atrial fibrillation during sinus rhythm. Sci Rep. 2021;11(1):12818. Published 2021 Jun 17. doi:10.1038/s41598-021-92172-5

Malakar AK, Choudhury D, Halder B, Paul P, Uddin A, Chakraborty S. A review on coronary artery disease, its risk factors, and therapeutics. J Cell Physiol. 2019;234(10):16812-16823. doi:10.1002/jcp.28350

Leasure M, Jain U, Butchy A, et al. Deep Learning Algorithm Predicts Angiographic Coronary Artery Disease in Stable Patients Using Only a Standard 12-Lead Electrocardiogram. Can J Cardiol. 2021;37(11):1715-1724. doi:10.1016/j.cjca.2021.08.005

Huang PS, Tseng YH, Tsai CF, et al. An Artificial Intelligence-Enabled ECG Algorithm for the Prediction and Localization of Angiography-Proven Coronary Artery Disease. Biomedicines. 2022;10(2):394. Published 2022 Feb 7. doi:10.3390/biomedicines10020394

Ball RL, Feiveson AH, Schlegel TT, Starc V, Dabney AR. Predicting "heart age" using electrocardiography. J Pers Med. 2014;4(1):65-78. Published 2014 Mar 7. doi:10.3390/jpm4010065

Attia ZI, Friedman PA, Noseworthy PA, et al. Age and Sex Estimation Using Artificial Intelligence From Standard 12-Lead ECGs. Circ Arrhythm Electrophysiol. 2019;12(9):e007284. doi:10.1161/CIRCEP.119.007284

Saleh M, Ambrose JA. Understanding myocardial infarction. F1000Res. 2018;7:F1000 Faculty Rev-1378. Published 2018 Sep 3. doi:10.12688/f1000research.15096.1

Choi YJ, Park MJ, Ko Y, et al. Artificial intelligence versus physicians on interpretation of printed ECG images: Diagnostic performance of ST-elevation myocardial infarction on electrocardiography. Int J Cardiol. 2022;363:6-10. doi:10.1016/j.ijcard.2022.06.012

Makimoto H, Höckmann M, Lin T, et al. Performance of a convolutional neural network derived from an ECG database in recognizing myocardial infarction. Sci Rep. 2020;10(1):8445. Published 2020 May 21. doi:10.1038/s41598-020-65105-x

Lancellotti P, Magne J, Dulgheru R, et al. Outcomes of Patients With Asymptomatic Aortic Stenosis Followed Up in Heart Valve Clinics. JAMA Cardiol. 2018;3(11):1060-1068. doi:10.1001/jamacardio.2018.3152

Kwon JM, Lee SY, Jeon KH, et al. Deep Learning-Based Algorithm for Detecting Aortic Stenosis Using Electrocardiography. J Am Heart Assoc. 2020;9(7):e014717. doi:10.1161/JAHA.119.014717

Broadway-Duren JB, Klaassen H. Anemias. Crit Care Nurs Clin North Am. 2013;25(4):411-v. doi:10.1016/j.ccell.2013.09.004

Kwon JM, Cho Y, Jeon KH, et al. A deep learning algorithm to detect anaemia with ECGs: a retrospective, multicentre study. Lancet Digit Health. 2020;2(7):e358-e367. doi:10.1016/S2589-7500(20)30108-4

Lee HC, Chen CY, Lee SJ, et al. Exploiting exercise electrocardiography to improve early diagnosis of atrial fibrillation with deep learning neural networks. Comput Biol Med. 2022;146:105584. doi:10.1016/j.compbiomed.2022.105584

Ko WY, Siontis KC, Attia ZI, et al. Detection of Hypertrophic Cardiomyopathy Using a Convolutional Neural Network-Enabled Electrocardiogram. J Am Coll Cardiol. 2020;75(7):722-733. doi:10.1016/j.jacc.2019.12.030

Siontis KC, Liu K, Bos JM, et al. Detection of hypertrophic cardiomyopathy by an artificial intelligence electrocardiogram in children and adolescents. Int J Cardiol. 2021;340:42-47. doi:10.1016/j.ijcard.2021.08.026

Carrubba S, Manganaro R, Zito C, et al. Asymptomatic Left Ventricular Dysfunction: Is There a Role for Screening in General Population?. Heart Fail Clin. 2021;17(2):179-186. doi:10.1016/j.hfc.2020.12.001

Attia ZI, Kapa S, Lopez-Jimenez F, et al. Screening for cardiac contractile dysfunction using an artificial intelligence-enabled electrocardiogram. Nat Med. 2019;25(1):70-74. doi:10.1038/s41591-018-0240-2

Opublikowane

9 maja 2023
Prawa autorskie (c) 2023 Michał Janik, Magdalena Stencel, Piotr Dudek, Natalia Denisiewicz, Błażej Pilarski, Maciej Koźlik

Licencja

Creative Commons License

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.