A mesterséges intelligencia alkalmazása a pitvarfibrilláció kimutatásában; iTransfer
Kiadta: Adrian Iftene
Publikálva: 2019. december 20
Mi a pitvarfibrilláció? A pitvarfibrilláció olyan szívritmuszavar (aritmia), amelynek következtében a szív szabálytalanul ver.
A szív 4 kamrára (2 pitvarra és 2 kamrára) oszlik, és kettő képződik jobb szív, amely vért pumpál a tüdőbe. A szivattyúzást egy elektromos csatlakozás hálózata koordinálja, amelyet a pacemaker (az úgynevezett sinuscsomópont), amely a szív rendszeres összehúzódását okozza. A pitvarfibrilláció során a pacemaker már nem működik megfelelően, szabálytalan elektromos jeleket produkál. Olyan helyzethez vezet, amikor a pitvarok nem összehúzódnak megfelelően, a véráramlás lelassul vagy stagnál, és a kamrák szabálytalanul összehúzódnak (lásd 1. ábra).
Amint a 2. ábrán látható, az EKG megmutatja a különbséget a normális szívmagatartás (balra) és a szabálytalan szívmagatartás között a pitvarfibrillációban (jobbra).
A pitvarfibrilláció (AF) a leggyakoribb szívritmuszavar, amely emberek millióit érinti. A betegek száma évről évre növekszik Európában és Amerikában (Camm et al., 2010).
Az AF oka sokféle (FA Working Group, 1993):
- Leggyakoribb: ischaemiás szívbetegség, magas vérnyomás, szívelégtelenség, valvulopathiák.
- Egyéb kevésbé gyakori okok: veleszületett betegségek, pajzsmirigy diszfunkció, elhízás, alvási apnoe, krónikus tüdőbetegségek, cukorbetegség, veseelégtelenség.
- Az AF a mellkason és főleg a szíven végzett műtét után is előfordulhat.
Egy ideig az AF-t paroxizmális fibrillációnak és krónikus pitvarfibrillációnak nevezték. Ezután más osztályozásokat ajánlottak, és a közelmúltban az Európai Kardiológiai Társaság a következő osztályozási javaslattal állt elő (Camm et al., 2010):
- Az első diagnózis vagy első felfedezés, függetlenül a tünetek időtartamától vagy jelenlététől/hiányától.
- Paroxizmális pitvarfibrilláció, amely kevesebb, mint 7 nap, általában 24 óra alatt spontán véget ér.
- Tartós pitvarfibrilláció, ami 7 nap alatt nem ér véget. Farmakológiai vagy elektromos kezelést igényel.
- Állandó pitvarfibrilláció, 1 évnél tovább tart, és a konverziós kezelésnek nincs hatása, vagy nem kísérelték meg.
A pitvarfibrilláció prevalenciája az életkorral a 3. ábra szerint látható a tanulmány szerint Antikoaguláció és kockázati tényezők a pitvarfibrilláció vizsgálatában (Schmid és mtsai., 2011). A számok a pitvarfibrillációval küzdő férfiak és nők számát jelentik az egyes korcsoportokban. Látható, hogy a férfiak hajlamosabbak erre a betegségre, mint a nők. Emellett az életkor növekedésével nő a pitvarfibrilláció esélye mind a férfiak, mind a nők körében.
Elektrokardiogram
A szívizom elektromos teret generál, amely a bőr felszínére terjed. Innen az elektromos mező rögzíthető úgy, hogy elektródákat helyeznek az emberi test bizonyos pontjaiba. A felvétel eredményeként kapott grafikont elektrokardiogramnak (EKG) nevezzük. Az elektrokardiogram a szívaktivitás során felmerülő elektromos potenciál változásainak grafikus rögzítése.
Az elektrokardiogram a következőkről nyújt információt:
- Szívritmus;
- Az impulzus eredete és terjedése (vezetése) a szívizom tömegén keresztül;
- A szívüregek mérete;
- A szív helyzete;
- Akut miokardiális infarktus (AMI) kiterjesztése és lokalizálása;
- Az elektrolitkoncentráció megváltoztatásának hatása a szívizom tulajdonságaira;
- Egyes gyógyszerek hatása a szív aktivitására;
- A betegbe beültetett mesterséges pacemaker működtetése;
- A ritmus és a vezetési rendellenességek diagnosztizálásának "arany standardját" képviseli.
Az EKG-útvonal hullámokból, szegmensekből és intervallumokból áll (lásd a 4. ábrát):
- P hullám;
- szegmens Pq;
- a qRs komplex;
- az S-T szegmens;
- T hullám;
- qT intervallum; +/- U hullám.
Az elmúlt években a mesterséges intelligenciát egyre több területen használják, beleértve az orvosi területet is. Valódi forradalomnak lehetünk tanúi az orvostudományban és a gépi tanulásban, az ideghálózatokban, az IoT-ban (a dolgok intenzitása), a nanotechnológiák segítenek egyrészt az orvosok (a diagnózis vagy a kezelés kezelésében vitatottabb döntésekben), mind a kórházi ápolók (a monitorozásban) könnyebben a betegek), másrészt a betegek (akik részesülnek a személyre szabott kezelésekből és a hozzájuk igazodó betegségből), valamint családjaik (akik segíthetnek a betegek kezelési és gyógyulási folyamataiban) (Burlacu et al., 2019 ).
Genetikai algoritmusok
A cikkben használt genetikai algoritmus (GA) (Arotăriței és Rotariu, 2015) olyan fitneszfunkciót használt, amelynek egyedülálló célja volt: magasabb érzékenységi és érzékenységi értékek megszerzése. A szerzők által javasolt módszert a Physionet MIT-BIH pitvarfibrillációs adatbázis segítségével tesztelték, és a kísérleti eredmények jó érzékenységet és specifitást mutattak az AF detektálására (több mint 90%). A cikkben szereplő genetikai algoritmus (Arotăriței és Rotariu, 2015) által használt paraméterek a következők voltak:
- L - az ablak hossza,
- Pth1 - az a küszöb, amelytől kezdve a szegmens AF-nek tekinthető (AF szegmensek száma/az összes szegmens száma),
- RMSt - RMSSD küszöb (az egymást követő különbségek középértékének négyzete),
- TPRt - a fordulópont küszöbértéke,
- SEt - a Shannon-entrópia küszöbe,
- TKt - Teager-Kaiser energiaküszöb.
In (Arotăriței és Rotariu, 2015) a kromoszómát 32 és 480 közötti egész értékkel inicializálták, és a célfüggvény célja két Se (Shanopia Entropia) és Sp (az ablak hossza, amelyben AF van) maximalizálása. Az algoritmus 50 egyénből áll, és 40 ismétlés után leállítja a megoldást. A multiobjektív funkció ebben az esetben az 1-Se és az 1-Sp függvények minimalizálása. A kapott eredmények Se = 0,9017 és Sp = 0,9012, összehasonlíthatók hasonló megoldásokkal, de azzal az előnnyel jár, hogy kisebb számú fájlt használ fel. Az 5. ábrán láthatjuk, hogyan épült fel egy kromoszóma a tanulmányban (Weng et al., 2017), a betegek életkora alapján.
Módszerek az AF osztályozásához
Az AF osztályozásához a mesterséges intelligencia területén alkalmazott módszerek közül megemlítjük a Naive Bayesian, SVM, kNN, ANN és LDA felhasználásával végzett osztályozásokat (Lim et al., 2016), amelyeket az alábbiakban részletezünk. Az AF osztályozás P hullám morfológia alkalmazásával történik (Sahoo et al., 2011):
- A P hullám amplitúdója,
- P hullám alatti terület,
- Hullámhossz P,
- Az idő távolsága a P hullám kezdetétől a csúcsáig,
- A P csúcs és az R csúcs közötti idő távolság.
Naiv Bayesian - A (Pourbabaee és Lucas, 2008) cikkben a szerzők három különböző osztályozót javasoltak az AFIB-k azonosítására, amelyek a kNN (K legközelebbi szomszéd), az ANN (Artificial neurális hálózat) és a naiv Bayes-i alapokon nyugszanak. Megmutatták, hogy az AF osztályozói közül a kNN kínálja az AF legnagyobb detektálási pontosságát 93,75% -os pontossággal az ANN és a Naive Bayesian esetében, amelyek pontossága 87,50%, illetve 75,00. %. A cikkben (Joy és mtsai, 2013) a szerzők a Naive Bayes és Gaussian (GMM) kombinált modelljét javasolták az AF osztályozáshoz. Kimutatták, hogy a GMM érzékenysége, specifikussága és pontossága valamivel nagyobb teljesítményt nyújt a Naive Bayes-hez képest, 99,00% -os és magasabb pontosságot elérve.
K legközelebbi szomszéd (kNN) - Számos kutató kísérletekkel bizonyította, hogy a legegyszerűbb osztályozó, a kNN képes az AF-t jobb pontossággal osztályozni, mint a többi azonos jellemzőkkel rendelkező osztályozó (Padmavathi és Ramakrishna, 2015). Megmutatták, hogy az SVM és a kNN pontosság 92,30%, illetve 100%, ugyanazokkal a jellemzőkkel, amelyeket a Burg módszerrel extraháltak. Hasonló eredményeket mutatnak be a tanulmányok (Pourbabaee és Lucas, 2008), (Prasad et al., 2013) és (Ros et al., 2004). A kNN alapvető lépéseit az alábbi 6. ábra mutatja.
Mesterséges ideghálózat (ANN) - A többi osztályozóhoz hasonlóan az ANN-nak is van képzési és tesztelési fázisa. A meghajtás fázisában egy neurális hálózatot egy back propagation algoritmus segítségével hajtanak. Ennek eredményeként a hálózat minden egyes csomópontjára kiszámítják és megkapják a legjobb súlyokat (Rumelhart et al., 1986) (Bre és mtsai, 2018). Ezeket a súlyokat a legjobb hálózat viselkedése szerint választják meg, majd a tesztelési szakaszban osztályozásra használják. 1994 és 2013 között az ANN-t széles körben alkalmazták az AF-detektáló algoritmushoz. A legfontosabb eredményeket 1994-ben (Yang és mtsai, 1994), 92% körüli pontossággal, majd 2007-2008-ban (Chesnokov et al., 2007) és (Kikillus et al. al., 2008), amely 93% körüli pontosságot, 2018-ban pedig (Bre és mtsai, 2018) 99% körüli pontosságot ért el. 2019-től elkezdték használni a konvolúciós neurális hálózatokat (Attia et al., 2019), amelyek pontossága kezd javulni (99%).
Támogató vektorgép (SVM) - A legtöbb AF detektáló algoritmus SVM osztályozóval képes jó teljesítményt nyújtani. A (Asgari et al., 2015) cikkben a szerzők olyan SVM algoritmust mutatnak be, amely 97% -os pontossággal képes detektálni az AF-t, és (Jeon et al., 2014) a bemutatott SVM megoldás pontossága kb. A szerzők (Bruser és mtsai, 2011) és (Padmavathi és Ramakrishna, 2015) közleményében a szerzők Burg-módszerrel használták ki a jellemzők kinyerését, és jó, több mint 95% -os teljesítményt nyújtottak. Az SVM alapú rendszer felépítését lásd az alábbi 8. ábrán.
Lineáris diszkriminációelemzés (LDA) - A cikkben (Lee és mtsai, 2006) az AF-t az LDA osztályozta F hullám és RR intervallum alapján, klinikai értékeléssel, 92% feletti pontossággal. Míg (Chong és mtsai, 2013) szerzői az LDA-t használták az AF-osztályozáshoz, és 96% feletti pontossággal valósították meg az okostelefon algoritmusát. A 9. ábrán láthatjuk az LDA-val történő osztályozás előtt és után.
Modern eszközök az AF azonosításához
Okos telefonok - A cikk szerzői (Krivoshei et al., 2016) egy sor kísérletet mutatnak be, amelyeket elvégeztek és iPhone 4S-t használtak. A telefont a kamera lencséjével és a mutatóujj hegyén lévő LED-lámpával helyezték el (lásd az alábbi 10. ábrát) a jel felvétele érdekében. Számos statisztikai módszert alkalmaztak az AF-ben szenvedő betegek azonosítására. A 80 betegen végzett kísérletek a javasolt módszerek több mint 95% -ának pontosságát mutatták. 2017-ben (Lahdenoja et al., 2017) a Google Androidos okostelefonon a gyorsulásmérőt és a giroszkópot használom az AF azonosítására és a 97% feletti pontosság elérésére.
Videokamerák - A szerzők (Corino és mtsai, 2017) a szerzők egy professzionális videokamerát használtak (659 x 494 pixel felbontással) 24 perces 3 perces videók összegyűjtésére. A kamerát a pácienstől 1,5 m-re helyezték el, és a videót a kísérletek során készítette. Ezután a videókat a következő 3 lépés szerint dolgoztuk fel: (1) az arc azonosítása, (2) a páciens mozgatása és (3) a jel kivonása. A kapott eredmények pontossága körülbelül 0,96% volt. A cikkben (Hewitt, 2013) a szerző bemutatja az MIT-n végzett kísérletsorozatot, amely a fej mozgásának felerősítésével megkapja a pulzusszámot, majd azonosítja a rendellenes viselkedést, mint az AF esetében (lásd az alábbi 11. ábrát).
Ez a szakasz az egyetemek és az ipar közötti együttműködés lehetséges kereteit kívánja felvázolni. Így ebben a szakaszban a meglévő finanszírozásról vagy a nemzeti/nemzetközi szinten javasolt és végrehajtott projektekről szóló hirdetményeket talál az azonosított ismeretek átadása szempontjából releváns területeken.
Okos óra - Az intelligens órákban egyre több olyan érzékelő van, amely lehetővé teszi számunkra, hogy figyelemmel kísérjük az őket viselők egészségét. A (Grieten és mtsai, 2017) intelligens órával (E4, Empatica), amely a csuklón méri a fotopletizmográfia (PPG) jelet, és egy iPhone 5S készülékkel, amely ugyanazt a jelet méri a mutatóujján, kísérleteket hajtottak végre. lásd a pontosságukat egy beültetett eszközhöz képest (lásd 12. ábra).
Az Amazon webhelyein jelenleg számos olyan eszköz található, amely lehetővé teszi a pulzus monitorozását és az AF jelzését (lásd az alábbi 13. ábrát). Céljuk a betegek segítése, akik mostantól figyelemmel kísérhetik szívműködésüket anélkül, hogy minden alkalommal szakemberhez kellene fordulniuk. A különbség köztük a betegtől vett adatok ára és pontossága.
A pitvarfibrilláció olyan szívritmuszavar, amelynek következtében a szív szabálytalanul ver. Az ebben a rendellenességben szenvedő betegeknél a véráramlás lelassult, a kamrák szabálytalanul összehúzódnak. Az EKG segítségével ezek a rendellenességek diagnosztizálhatók, és a mesterséges intelligencia algoritmusai megfejtik azok tartalmát és nagyon jó pontossággal osztályozhatnak. Az elmúlt évek megközelítései genetikai algoritmusokon és osztályozási módszereken alapulnak, például Naiv Bayesian, SVM, kNN, ANN és LDA.
Az elmúlt években megjelent modern eszközök lehetővé teszik a betegek adatainak gyűjtését, és figyelmeztethetnek és jelezhetnek problémás helyzeteket. Az Amazon okostelefonjai, videokamerái, okosórái és speciális eszközei meglehetősen jó pontossággal képesek EKG-t csinálni, és rendellenességeket írhatnak elő, amelyeket egy szakembernek részletesebben elemeznie kell.
A javasolt módszerek és eszközök úgy tűntek, hogy segítik a szakembert azáltal, hogy jelentik a betegében előforduló rendellenes helyzeteket, és így a kritikus helyzetekre irányítják a figyelmét, amelyek azonnali beavatkozást igényelnek. Segítenek azoknak a betegeknek is, akiknek már nem kell minden alkalommal kórházba jönniük a vizsgálatok elvégzéséhez.