Лаборатория метафорических исследований и ии

   СДК. Сибирская Диагностическая Компания

Лаборатория метафорических исследований и ии

СДК. Сибирская Диагностическая Компания

ОЦЕНКА РИСКА ВНЕЗАПНОЙ СЕРДЕЧНОЙ СМЕРТИ

ВВЕДЕНИЕ

     Согласно данным Всемирной организации здравоохранения заболевания сердечнососудистой системы являются одной из основных причин смертности. Остановка сердцаможет быть вызвана разными причинами, в том числе устойчивой желудочковой тахиаритмией, включая желудочковую тахикардию (мономорфную или полиморфную), трепетанием желудочков или фибрилляцией желудочков [1]. Особую опасность представляет так называемая внезапная сердечная смерть (ВСС), вызванная очень частыми неритмичными сокращениями желудочков сердца. ВСС характеризуется как смерть, произошедшая при свидетеле в течение часа с момента появления новых симптомов или смерть без свидетелей в промежутке от 1 до 24 часов без какой-либо известной причины смерти. При этом кардиомиоциты начинают сокращаться хаотично, разрозненно, и сердце перестает работать как насос, подающий кровь к другим органам и тканям. Синдром внезапной сердечной смерти может быть обусловлен широким спектром различных электрических и механических факторов, в том числе острым инфарктом миокарда, хронической коронарной болезнью с предшествующим инфарктом(ами) миокарда, кардиомиопатиями, миокардитом, пороками клапанов сердца, дисплазией правого желудочка, синдромом удлиненного интервала Q-T, преждевременным возбуждением Вольфа-Паркинсона-Уайта, синдромом Бругада, кардиоактивными препаратами такими, как адреналин, кокаин и др. [2]. У некоторых людей нет очевидной электрической или механической предрасположенности к внезапной сердечной смерти. 

      Фибрилляция предсердий (ФП) является наиболее распространенной формой аритмии, от которой страдает свыше 33 миллионов человек во всем мире. ФП связана с повышенным риском инсульта и сердечной недостаточности (СН). Недавние исследования говорят о том, что ФП также связана с повышенным риском внезапной сердечной смерти (ВСС) [3, 4]. Важность раннего обнаружения предикторов ВСС подтвержает тот факт, что в недавно появившихся на рынке портативных устройствах с функцией регистрации ЭКГ реализуются алгоритмы, выявляющие опасные нарушения ритма. Так, в смарт-часах компании Apple реализована функция обнаружения нормального синусового ритма и фибрилляции предсердий [5]. Портативный электрокардиограф Alivecor kardia позволяет выявлять фибрилляцию предсердий и удлинение QT-интервала, приборы Omron heartscan и Zenicor ECG также позволяют выявлять ФП [6].

Цели и задачи

      Целью предлагаемого исследования является разработка алгоритмов выявления предикторов внезапной сердечной смерти.

Литературный обзор

      Мерцательная аритмия или фибрилляция предсердий (ФП) является наиболее распространенной аритмией, которой страдает около 1% населения. При этом 5% лиц в возрасте 65 лет и старше имеют ФП [3,4]. Кардиологи советуют проводить скрининг на ФП у пациентов, находящихся в группе риска независимо от возраста, и проводить скрининг всех
пациентов в возрасте 65+ лет [10,11]. ФП характеризуется учащенным, нерегулярным сердцебиением [12]. Распространенными причинами болезни являются: артериальная гипертензия, кардиомиопатия, ишемия и ревматическая болезнь сердца [13]. Нерегулярное сердцебиение может вызвать образование тромбов, что увеличивает риск инсульта в пять раз [19,20] и риск смерти в два раза по сравнению с людьми того же возраста, независимо от других факторов риска [21,22]. Патофизиологические механизмы ФП до конца не изучены, что затрудняет диагностику [34]. По некоторым оценкам, 20% всех случаев ФП могут остаться незамеченными, поскольку заболевание протекает бессимптомно [36–38]. При такихобстоятельствах лечение не начинают, что может привести к негативным последствиям для пациентов [39,40]. Таким образом, разработка новой технологии обнаружения ФП может помочь в скрининге и лечении, снижая заболеваемость и смертность [41]. 

     Наиболее предпочтительным методом выявления ФП является двенадцатиканальная электрокардиография. На рис. 1 сравниваются нормальный синусовый ритм (слева) и фибрилляция предсердий. В случае паталогии наблюдаются неравные промежутки между R-зубцами, а зубец P приглушен или отсутствует.

Рис. 1. Сравнение нормального синусового ритма (слева) и фибрилляции предсердий (справа). В верхней части рисунка показаны электрокардиограммы (по оси ординат отложена амлитуда в милливольтах), в нижней части рисунка – расстояния между R-зубцами (по оси ординат отложено время в секундах). По осям абсцисс отложено время в секундах.

      Для автоматизированного обнаружения ФП можно использовать два подхода (рис. 2). В первом случае из оцифрованных электрокардиограмм выделяются признаки, поступающие на вход методов машинного обучения. Во втором случае из оцифрованных электрокардиограмм получают цифровые биомаркеры, которые в последствие также поступают на вход методов машинного обучения. При этом пациент выступает в качестве источника сигналов, а врач – получателя.

Рис. 2. Поток информации от пациента к кардиологу

      Цифровые биомаркеры, предназначенные для обнаружения ФП представляют собой результат некоторого преобразования исходного кардиосигнала [98,99]. Цифровые биомаркеры можно разделить на нелинейные, временные, частотные и частотно-временные. 

  1. К биомаркерам временной области относятся дифференциальные уравнения [102], метод главных компонентов (PCA) [103, 104], преобразование Адамара [105, 106], линейный дискриминантный анализ (LDA) [107] и анализ независимых компонентов (ICA) [108]. Их можно использовать для моделирования динамического поведения человеческого сердца. они позволяют количественно оценить некоторые наблюдения, которые можно получить путем визуального изучения сигнала. Однако эти биомаркеры не могут объяснить нелинейные колебательного процесса, происходящие в сердце.
  2. Цифровые биомаркеры в частотной области извлекают показатели, указывающие на характеристики изменения ритма. К ним можно отнести преобразование Фурье и анализ спектральной плотности мощности (PSD) [109].
  3. Реализация цифровых биомаркеров со смешанными доменами основаны на том факте, что спектр изменяется с течением времени [111, 112]. Основываясь на предположении о том, что нарушение ритма возникнет в спGreenwald SD. Development and analysis of a ventricular fibrillation detector. M.S. thesis, MIT Dept. of Electrical Engineering and Computer Science, 1986.ектральной области, временное разрешение позволяет нам оценить время эпизода ФП [113]. Эти биомаркеры хорошо подходят для объяснения локализации аритмии. В качестве примеров алгоритмов преобразования смешанных доменов можно назвать: дискретное вейвлет-преобразование (DWT) [110], дискретное косинусное преобразование (DCT) [114], непрерывное вейвлет-преобразование (CWT) [115], кратковременное преобразование Фурье (STFT) [117, 118], разложение по эмпирическим модам (EMD) [119].
  4. Нелинейные цифровые биомаркеры позволяют изучать нелинейную природу человеческого сердца [121,122]. Примерами подобных алгоритмов являются: повторный количественный анализ (RQA) [124, 125], оценка спектров высшего порядка (HOS) [126], оценка фрактальной размерности (FD) [127], оценка энтропии [128], оценка энергии и
    наибольший показатель Ляпунова (LLE) [130]. Количественная оценка как количества, так и продолжительности повторений в физиологическом сигнале помогает понять траекторию фазового пространства. Изменения траектории в фазовом пространстве могут свидетельствовать о наличии ФП [124]. HOS представляет собой спектральное представление моментов и кумулянтов третьего порядка и выше. Они чувствительны к изменениям ритма, что делает их полезными для обнаружения аритмии. FD и LLE являются мерами хаоса сложности сигнала [12,132]. Энтропия измеряет информационное содержание сигнала [135–138]. Сигналы с менее сложной структурой, такие как сигналы интервала RR, содержат больше информации по сравнению с сигналами с более сложной структурой, такими как ЭКГ. Энергетические биомаркеры количественно определяют ритмичность и регулярность сигналов.

     При классификации признаков, выделенных из кардиосигнала используются различные методы машинного обучения, например, методы обучения без учителя (k-ближайших соседей [140], скрытые марковские модели [142] и генеративно-дискриптивные нейронные сети [143]) и с учителем (наивный байес (NB) [144], вероятностная нейронная сеть (PNN) [147], метод опорных векторов (SVM) [148–151], случайный лес (RF) [152]. , нейронная сеть Левенберга-Марквардта (LMNN), дерево решений (DT) [156], основанное на правилах [157] и случайный лес (RF) [158]). Обычно авторы исследований в области автоматического обнаружения ФП использовали общедоступные базы данных оцифрованных электрокардиограмм, такие как MIT-BIH AFIB, MIT-BIH Arrhythmia Database, MIT-BIH NSR. Среди работ, в которых использовались цифровые биомаркеры, можно отметить исследования Wang et al., 2020 [183] (вейвлет-пакетная декомпозиция с последующими многомерными статистическими функциями), Cao et al., 2020 [184] (аугментация данных), Marsili et al., 2019 [185] (Шенноновская энтропия), Yao et al., 2019 [186] (цифровое вейвлет-преобразование), Lui et al., 2018 [187] (нормализованная размытая энтропия), Xia et al., 2018 [188] (синхронное сжатие кратковременного преобразования Фурье), Majia et al., 2013 [193] (разложение по эмпирическим модам (emd) и статистика высшего порядка (hos). Широкое распространение в подобных исследований получили такие методы машинного обучения, как метод опорных векторов (Asgari et al., 2015 [135]), сверточная нейронная сеть (Anderson et al., 2019 [197]), случайный лес (Kennedy et al., 2016 [202]). В ряде исследований ФП выявляется на основе анализа RR-интервалов. В качестве примеров можно привести работы Ivanovic et al., 2019 [181], Anderson et al., 2019 [197] и Faust et al., 2018 [182].

Материалы и методы

      В рамках проводимых исследований использовались общедоступные базы данных оцифрованных электрокардиограмм, размещенных на ресурсе physionet.org.
1. База данных фрагментов электрокардиограмм для изучения опасных форм аритмии (ECG Fragment Database for the Exploration of Dangerous Arrhythmia, https://physionet.org/content/ecg-fragment-high-risk-label/1.0.0/) (Nemirko, A., Manilo, L.,
Tatarinova, A., Alekseev, B., & Evdakova, E. (2022). ECG Fragment Database for the Exploration of Dangerous Arrhythmia (version 1.0.0). PhysioNet. https://doi.org/10.13026/kpfg-xs25.), (L. A. Manilo, A. P. Nemirko, E. G. Evdakova and A. A. Tatarinova, "ECG Database for Evaluating the Efficiency of Recognizing Dangerous Arrhythmias," 2021 IEEE Ural-Siberian Conference on Computational Technologies in Cognitive Science, Genomics and Biomedicine (CSGB), 2021, pp. 120-123, doi: 10.1109/CSGB53040.2021.9496029.).

     База данных содержит набор из 2-х секундных фрагментов сигналов ЭКГ с нарушениями ритма с частотой дискретизации 180 Гц, два отведения, которые сгруппированы в отдельные классы по степени угрозы для жизни пациента, в в том числе: 

    1. Жизнеугрожающие аритмии, требующие неотложных реанимационных мероприятий:
        ◦ VFL: трепетание желудочков;
        ◦ ФЖ: фибрилляция желудочков.
    2. Особая форма жизнеугрожающих аритмий:
        ◦ VTTdP: желудочковая тахикардия torsade de pointes.
    3. Жизнеугрожающие желудочковые аритмии:
        ◦ VTHR: желудочковая тахикардия высокой частоты (мономорфная и полиморфная).
    4. Потенциально опасные желудочковые аритмии:
        ◦ VTLR: желудочковая тахикардия низкой частоты (мономорфная и полиморфная);
        ◦ B: желудочковая бигеминия;
        ◦ HGEA: высокая степень желудочковой эктопической активности;
        ◦ VER: выскальзывающий желудочковый ритм.
    5. Наджелудочковые аритмии:
        ◦ AFIB: фибрилляция предсердий;
        ◦ СВТА: наджелудочковая тахикардия;
        ◦ SBR: синусовая брадикардия;
        ◦ BI: блокада сердца первой степени;
        ◦ NOD: узловой (av) ритм.
    6. Синусовый ритм:
        ◦ BBB: синусовый ритм с блокадой ножки пучка Гиса;
        ◦ N: нормальный синусовый ритм;
        ◦ Ne: нормальный ритм с одиночной экстрасистолой.

          В качестве основы была выбрана База данных злокачественных желудочковых эктопий MIT-BIH (MVED).

2. База данных электрокардиограмм с нормальным синусовым ритмом (MIT-BIH Normal Sinus Rhythm Database, https://physionet.org/content/nsrdb/1.0.0/) (Goldberger, A., Amaral, L., Glass, L., Hausdorff, J., Ivanov, P. C., Mark, R., ... & Stanley, H. E. (2000). PhysioBank, PhysioToolkit, and PhysioNet: Components of a new research resource for complex physiologic signals. Circulation [Online]. 101 (23), pp. e215–e220.). Частота дискретизации – 128 Гц, 2 отведения. Эта база данных включает 18 длительных записей ЭКГ субъектов, направленных в лабораторию аритмии бостонской клиники Бет Исраэль (ныне Медицинский центр имени дьяконессы Бет Исраэль). У испытуемых, включенных в эту базу данных, не было значительных аритмий; среди них 5 мужчин в возрасте от 26 до 45 лет и 13 женщин в возрасте от 20 до 50 лет.

3. База данных аритмий (MIT-BIH Arrhythmia Database, https://physionet.org/content/mitdb/1.0.0/). (Moody GB, Mark RG. The impact of the MIT-BIH Arrhythmia Database. IEEE Eng in Med and Biol 20(3):45-50 (May-June 2001). (PMID: 11446209). База данных содержит 48 получасовых фрагментов двухканальных записей ЭКГ, полученных от 47 субъектов. Частота дискретизации — 360 Гц, разрядность — 11 бит. Два или более кардиологов независимо аннотировали каждую запись (всего около 110 000 аннотаций).

4. База данных фмбрилляции предсердий (MIT-BIH Atrial Fibrillation Database, https://physionet.org/content/afdb/1.0.0/). (Moody GB, Mark RG. A new method for detecting atrial fibrillation using R-R intervals. Computers in Cardiology. 10:227-230 (1983). Включает в себя 25 длительных записей ЭКГ испытуемых с мерцательной аритмией (в основном пароксизмальной). Каждая из записей имеет продолжительность 10 часов и содержит два отведения, частота дискретизации — 250 Гц, разрядность — 12 бит, разрешение в диапазоне ±10 мВ.

5. База данных наджелудочных аритмий (MIT-BIH Supraventricular Arrhythmia Database, https://physionet.org/content/svdb/1.0.0/). (Greenwald SD. Improved detection and classification of arrhythmias in noise-corrupted electrocardiograms using contextual information. Ph.D. thesis, Harvard-MIT Division of Health Sciences and Technology, 1990). БД содержит 78 получасовых записей с частотой дискретизации 128 Гц в двух отведениях.
6. База данных злокачественных желудочковых эктопий MIT-BIH (MIT-BIH Malignant Ventricular Ectopy Database, https://physionet.org/content/vfdb/1.0.0/) (Greenwald SD. Development and analysis of a ventricular fibrillation detector. M.S. thesis, MIT Dept. of Electrical Engineering and Computer Science, 1986). Эта база данных включает 22 получасовых записи ЭКГ субъектов, у которых были эпизоды устойчивой желудочковой тахикардии, трепетания желудочков и фибрилляции желудочков. Частота дискретизации – 250 Гц, 2 отведения.
       В рамках проводимых исследований основное внимание было посвящено обнаружению фибрилляции предсердий. Для этого были использованы два подхода. В первом случае задача решалась в рамках классической концепции машинного обучения. Во втором случае использовались цифровые биомаркеры фибрилляции предсердий.

Машинное обучение

      Как уже говорилось выше, частота дискретизации исходных кардиосигналов варьирует в пределах от 128 до 360 Гц. Было принято решение взять за основу наименьшую частоту дискретизации. Препроцессинг проводили следующим образом. В начале из всех кардиосигналов были выделены QRST-комплексы, их частота дискретизации была снижена до 128 Гц. В результате были получены векторы признаков длиной 76 элементов (рис. 3). 

Рис. 3. Препроцессинг кардиосигналов.

      Затем была проведена бинарная классификация с помощью метода Category boost.

Использование цифровых биомаркеров

     В качестве цифровых биомаркеров были использованы ортогональные вейвлеты, полученные из двухсекундных образцов ECG Fragment Database for the Exploration of Dangerous Arrhythmia. 
Вейвлет – это некая функция, заданная таблично (небольшой массив чисел), определенным образом характеризующая сигнал. Среди этих функций важную роль играют ортогональные вейвлеты. У такого вейвлета коэффициент корреляции с целевым сигналом стремится к единице, в то время как по отношению к другим сигналам корреляция этого вейвлета стремится к нулю. Для создания вейвлета необходимо избавиться от избыточности исходного сигнала и выявить характерную область, адекватно описывающую этот сигнал. Устранение избыточности сигнала производится с помощью процедуры детектирования.
     Степень разреженности исходного сигнала задается размером так называемой рамки детектирования. Выбранная область детектированного сигнала подвергается процедуре нормирования. Нормированный участок детектированного сигнала и является вейвлетом. Нормирование позволяет устранить влияние амплитуды сигнала на процесс распознавания. Важно определить оптимальную длину вейвлета. Длинные вейвлеты более информативны, но могут давать ошибочную корреляцию с нецелевыми сигналами. Создав хорошие (ортогональные) вейвлеты, мы можем использовать их в дальнейшем для распознавания неизвестных сигналов. 

     В ходе экспериментов было установлено, что оптимальной длиной вейвлета является 70 отсчетов, оптимальный размер рамки детектирования – 20 отсчетов. Рассмотрим процедуру создания вейвлета на примере двухсекундных образцов аритмий и электрокардиограмм синусового ритма. Вначале необходи мо считать исходный сигнал и записать его в массив (рис. 4).

Рис. 4. Исходные кардиосигналы. Слева – 2-х секундный фрагмент фибрилляции
предсердий, справа – ЭКГ синусового ритма.

     После этого требуется избавиться от избыточности сигнала. Для этого осуществляется процеду ра детектирования сигнала. Предположим, исходный сигнал записан в массив Ai, i изменяется от 1 до N. Задается рамка считывания сигнала. Малый размер рамки повышает информативность, но оборачивается большими накладными расходами в плане производительности. Как уже говорилось выше, размер рамки был определен в 20 единиц. После этого весь диапазон массива A делится на N/20 рамок. Внутри каждой рамки находили сумму квадратов Ai. Далее, получаем массив детектированного сигнала Bj , где элементы массива B вычисляются как корень квадратный из sumj/20. На рис. 5 показаны детектированные сигналы.

Рис. 5. Детектированные сигналы. Слева – 2-х секундный фрагмент фибрилляции
предсердий, справа – ЭКГ синусового ритма.

     Произведя детектирование сигнала, выбираем область, характерную для конкретного сигнала. Мы остановились на длине вейвлета в 70 отсчетов. Выбрав характерную область детектированного сигнала Bj, где j изменяется от B_min до B_max, осуществляем нормирование детектированного сигнала Bj на отрезке от B_min до B_max. Нормированный детектированный сигнал и является вейвлетом (рис. 6).

Рис. 6. Вейвлеты. Слева – 2-х секундный фрагмент фибрилляции предсердий, справа –
ЭКГ синусового ритма.

     Процесс распознавания проходил следующим образом. На вход системы подается неизвестный сигнал Ui. Далее, производится детектирование сигнала с такой же рамкой (в нашем случае 20 от-счетов), что и при создании вейвлета. Получаем массив детектированного сигнала Cj (в 20 раз меньше отсчетов, чем в исходном сигнале). Далее, выбирается шаг распознавания Step, равный размеру вейвлета m (в нашем случае m=70). Внутри шага распознавания определяется коэффициент корреляции участка исследуемого сигнала Cj, равного Step, со сравниваемым вейвлетом. Мы использовали коэффициент корреляции Пирсона. Найдя коэффициент корреляции на выбранном шаге, сдвигаем рамку
распознавания на один элемент и возобновляем процесс (рис. 7).

Рис. 7. Коэффициент корреляции между вейвлетом 2-х секундного фрагмента аритмии
и детектированным сигналом синусового ритма.

     Если коэффициент корреляции неизвестного сигнала и известного вейвлета оказывается близок к единице хотя бы раз, программа принимает решение об успехе распознавания.

Результаты и обсуждение

      Результаты бинарной классификации признаков, выделенных из различных кардиосигналов, приведены в таблице 1. в качестве метода классификации использовался Category Boost. 

 Таблица 1.

      РезультатИз таблицы 1 видно, что фибрилляция предсердий хорошо распознается в случае попарного сравнения с синусовым ритмом и другими формами аритмий. 

    На следующем этапе исследований были сформированы 6 выборок ортогональных вейвлетов, харакетрых для различных форм аритмий и синусового ритма. В таблице 2 приведены результаты сканирования таких вейвлетов вдоль различных кардиосигналов. Числовые значения – коэффициента корреляции.ы бинарной классификации признаков, выделенных из различных кардиосигналов, приведены в таблице 1. в качестве метода классификации использовался Category Boost. 

 Таблица 1.

      Из таблицы 2 видно, что вейвлеты хорошо настроены на фибрилляцию предсердий. Предикторы опасных нарушений сердечно-сосудистой системы, таких как фибрилляция предсердий могут проявляться очень редко. Для повышения эффективности алгоритмов распознавания ФП желательно увеличивать время регистрации ЭКГ. Эту задачу можно решать с помощью онлайн-мониторинга пациентов с использованием технологии инитернета медицинских вещей. Вейвлеты на основе двухсекундных окон позволят оперативно выявлять предикторы внезапной сердечной смерти.

Благодарности: 

      РНФ 22-19-00471 Система поддержки принятия решений для профилактики и лечения бронхолегочных заболеваний, оценки рисков заболеваний и осложнений их лечения в задачах персонализированной медицины на основе методов анализа данных и искусственного интеллекта
   Исследование проводится при финансовой поддержке Министерства науки и высшего образования Российской Федерации в рамках основной части государственного задания высшим учебным заведениям No FEUE-2020-0007.

Литература  

  1. https://physionet.org/content/sddb/1.0.0/
  2. Greenwald, Scott David. The development and analysis of a ventricular fibrillation detector. Thesis (M.S.)--Massachusetts Institute of Technology, Dept. of Electrical Engineering and Computer Science, 1986.
  3. Greenwald SD, Albrecht P, Moody GB, Mark RG. Estimating confidence limits for arrhythmia detector performance. Computers in Cardiology 1985; 12:383-386.
  4. Victor Waldmann, Xavier Jouven, Kumar Narayanan, Olivier Piot, Sumeet S. Chugh, Christine M. Albert and Eloi Marijon. Association Between Atrial Fibrillation and Sudden CardiacDeath. Pathophysiological and Epidemiological Insights. Originally published 2 Jul 2020https://doi.org/10.1161/CIRCRESAHA.120.316756Circulation Research. 2020;127:301–309. https://www.ahajournals.org/doi/10.1161/CIRCRESAHA.120.316756
  5. Chen LY, Benditt DG, Alonso A. Atrial fibrillation and its association with sudden cardiac death. Circ J. 2014;78(11):2588-93. doi: 10.1253/circj.cj-14-0814. Epub 2014 Sep 26. PMID: 25262841.
  6. https://support.apple.com/en-us/HT208955
  7. Agam Bansal, Rajnish Joshi. Portable out-of-hospital electrocardiography: A review of current technologies. Journal of Arrhythmia. 2018;34:129–138.
  8. Moody GB, Mark RG. The impact of the MIT-BIH Arrhythmia Database. IEEE Eng in Med and Biol 20(3):45-50 (May-June 2001). (PMID: 11446209)
  9. Oliver Faust, Edward J. Ciaccio and U. Rajendra Acharya. A Review of Atrial Fibrillation Detection Methods as a Service. Int. J. Environ. Res. Public Health 2020, 17, 3093; doi:10.3390/ijerph17093093. www.mdpi.com/journal/ijerph