Verwendung tiefer konvolutioneller neuronaler Netze zur Altersvorhersage von Patienten anhand von ECGs aus einer unabhängigen Testkohorte

Die Elektrokardiographie ist eine der am häufigsten eingesetzten Methoden zur Beurteilung kardiovaskulärer Erkrankungen. In den letzten zehn Jahren hat sich jedoch gezeigt, dass tiefe konvolutionelle neuronale Netze (CNN) aus dem Elektrokardiogramm (ECG) Informationen extrahieren können, die über die herkömmliche Diagnostik hinausgehen, beispielsweise die Altersvorhersage einer Person. In dieser Studie trainierten wir zwei verschiedene eindimensionale CNNs anhand öffentlich verfügbarker Datensätze, um das Alter aus dem ECG einer Person vorherzusagen.Die Modelle wurden anhand von 10-Sekunden-12-Kanal-ECG-Aufzeichnungen, resampelt auf 100 Hz, trainiert und validiert. Für das Training und die Kreuzvalidierung wurden 59.355 ECGs verwendet, während 21.748 ECGs aus einer separaten Kohorte als Testset dienten. Wir verglichen die Leistung des Modells bei der Kreuzvalidierung mit der Leistung im Testset. Zudem nutzten wir von Kardiologen annotierte kardiovaskuläre Zustände, um die Patienten im Testset zu kategorisieren, um zu untersuchen, ob bestimmte kardiale Erkrankungen zu größeren Abweichungen zwischen dem CNN-vorhergesagten Alter und dem chronologischen Alter führen.Das beste CNN-Modell, basierend auf der Inception-Time-Architektur, zeigte eine signifikante Leistungsabnahme hinsichtlich des mittleren absoluten Fehlers (MAE) von der Kreuzvalidierung auf dem Trainingsset (7,90 ± 0,04 Jahre) auf das Testset (8,3 Jahre). Gleichzeitig verbesserte sich hingegen der mittlere quadratische Fehler (MSE) von 117,5 ± 2,7 Jahre² auf dem Trainingsset auf 111 Jahre² im Testset. Zudem stellten wir fest, dass die kardiovaskuläre Erkrankung mit der höchsten Abweichung zwischen vorhergesagtem und biologischem Alter im Hinblick auf den MAE bei Patienten mit Schrittmacher-Rhythmus lag (10,5 Jahre), während Patienten mit verlängertem QT-Intervall die geringste Abweichung zeigten (7,4 Jahre).Diese Arbeit trägt zum bestehenden Wissen über die Altersvorhersage mittels tiefer CNNs auf Basis von ECGs bei, indem sie zeigt, wie ein trainiertes Modell auf einem Testset aus einer anderen Kohorte abschneidet, die von der für das Training verwendeten Kohorte unterschiedlich ist.