Herzkrankheitsspezifische Detektion und Klassifizierung von Arrhythmien in ambulanten Elektrokardiogrammen mittels eines tiefen neuronalen Netzwerks

Die computergestützte Interpretation des Elektrokardiogramms (EKG) spielt eine entscheidende Rolle im klinischen EKG-Workflow. Die weit verbreitete Verfügbarkeit digitaler EKG-Daten und der algorithmische Ansatz des tiefen Lernens bieten die Möglichkeit, die Genauigkeit und Skalierbarkeit der automatisierten EKG-Analyse erheblich zu verbessern. Eine umfassende Bewertung eines end-to-end-tiefen Lernansatzes für die EKG-Analyse über eine breite Palette diagnostischer Klassen wurde bisher jedoch noch nicht berichtet. In dieser Studie entwickeln wir ein tiefes neuronales Netzwerk (DNN), um 12 Rhythmusklassen anhand von 91.232 Einzelkanal-EKGs von 53.549 Patienten zu klassifizieren, die ein Einzelkanal-ambulantes EKG-Monitoringgerät verwendeten. Bei der Validierung anhand eines unabhängigen Testdatensatzes, der von einem Konsensgremium aus diplomierten, praktizierenden Kardiologen annotiert wurde, erreichte das DNN einen durchschnittlichen Area-Under-the-ROC-Kurve-Wert (AUC) von 0,97. Der durchschnittliche F1-Score, der das harmonische Mittel aus positiver Vorhersagewahrscheinlichkeit und Sensitivität darstellt, lag beim DNN bei 0,837 und übertraf damit den Durchschnittswert der Kardiologen (0,780). Bei fixierter Spezifität auf dem durchschnittlichen Spezifitätswert der Kardiologen übertraf die Sensitivität des DNN für alle Rhythmusklassen die durchschnittliche Sensitivität der Kardiologen. Diese Ergebnisse zeigen, dass ein end-to-end-tiefer Lernansatz in der Lage ist, eine breite Palette unterschiedlicher Arrhythmien anhand von Einzelkanal-EKGs mit einer hohen diagnostischen Leistung zu klassifizieren, die vergleichbar ist mit der von Kardiologen. Falls diese Ergebnisse in klinischen Umgebungen bestätigt werden, könnte dieser Ansatz die Rate fehlerhafter computergestützter EKG-Interpretationen verringern und die Effizienz der Experten-Interpretation menschlicher EKGs durch präzises Triaging oder Priorisierung der dringendsten Zustände verbessern.Datensatz verfügbar unter: https://irhythm.github.io/cardiol_test_set/