Журнал «Технологии живых систем» №4 за 2020 г.
Статья в номере:
Разработка и внедрение алгоритмов автоматического выявления пароксизмальной фибрилляции предсердий при длительном мониторировании ЭКГ
Тип статьи: научная статья
DOI: 10.18127/j20700997-202004-02
УДК: 616.12-008.313.2
Ключевые слова: Ишемический инсульт фибрилляция предсердий машинное обучение длительное мониторирование ЭКГ статистический анализ ЭКГ
Авторы:

Д.В. Вайпан – науч. сотрудник, отдел внутренних болезней, Медицинский научно-образовательный центр МГУ им. М.В. Ломоносова (Россия); ординатор, кафедра внутренних болезней, факультет фундаментальной медицины, МГУ им. М.В. Ломоносова (Россия)
E-mail: vdv_zao@mail.ru
В.П. Зарубин – к.ф.-м.н., науч. сотрудник, кафедра общей физики и волновых процессов, физический факультет, МГУ им. М.В. Ломоносова (Россия)
А.Н. Пирогов – врач-функциональный диагност, отделение функциональной диагностики,
Медицинский научно-образовательный центр МГУ им. М.В. Ломоносова (Россия)
А.Г. Армаганов – руководитель отдела телемедицины, Медицинский научно-образовательный центр МГУ им. М.В. Ломоносова (Россия)
Е.П. Павликова – д.м.н., профессор, зам. директора по лечебной работе, руководитель отдела
внутренних болезней, Медицинский научно-образовательный центр МГУ им. М.В. Ломоносова (Россия)
С.Т. Мацкеплишвили – д.м.н., профессор, член-корреспондент РАН, зам. директора по научной
работе, Медицинский научно-образовательный центр МГУ им. М.В. Ломоносова (Россия)

Аннотация:

Постановка проблемы. Ишемический инсульт ежегодно уносит более 2,5 млн жизней, еще около 7 млн больных требуют длительной дорогостоящей реабилитации. До 30% случаев ишемического инсульта обусловлены наличием фибрилляции предсердий (ФП). Своевременная диагностика ФП позволяет назначить антикоагулянты и значительно снизить риск инсульта. К сожалению, большинство пароксизмов ФП бессимптомны, поэтому их диагностика требует длительного мониторирования ЭКГ, а также автоматического выявления пароксизмов.

Цель работы – разработка алгоритмов машинного обучения для выявления пароксизмальной ФП и внедрение их в диагностическое устройство непрерывной длительной регистрации ЭКГ.

Результаты работы. Были разработаны алгоритмы машинного обучения, способные автоматически выявлять ФП по характерным для этой аритмии ЭКГ-паттернам (отсутствие зубца P, резкое изменение частоты и вариабельности ритма, абсолютная нерегулярность RR-интервалов). Разработанные алгоритмы были тестированы на стандартной базе фрагментов ЭКГ, а затем тестированы на базе данных фрагментов ЭКГ, зарегистрированных у пациентов Медицинского научно-образовательного центра МГУ им. М.В. Ломоносова с различными видами аритмий, в том числе ФП. В результате валидации чувствительность и специфичность разработанных алгоритмов составила 99,75 и 95,89%, соответственно. Специфичность алгоритмов снижалась до 81,25% при анализе ЭКГ с выраженными нарушениями ритма (к примеру, частой наджелудочковой экстрасистолией) Алгоритмы были внедрены в диагностическое устройство, используемое для длительной регистрации ЭКГ (Vitappio Holter). Это устройство автоматически уведомляло врача о возникновении пароксизма ФП, что позволило принимать решения по дальнейшей тактике ведения пациентов в реальном времени. Так, в двух случаях выявленные пароксизмы потребовали срочной кардиоверсии, а в трех случаях были выявлены у пациентов впервые, что позволило начать антикоагулянтную терапию.

Практическая значимость. Усовершенствование созданной системы и внедрение ее в клиническую практику может внести значительный вклад в первичную и вторичную профилактику ишемического инсульта.

Страницы: 14-28
Для цитирования

Вайпан Д.В., Зарубин В.П., Пирогов А.Н., Армаганов А.Г., Павликова Е.П. Мацкеплишвили С.Т. Разработка и внедрение алгоритмов автоматического выявления пароксизмальной фибрилляции предсердий при длительном мониторировании ЭКГ // Технологии живых систем. 2020. Т. 17. № 4. С. 14–28. DOI: 10.18127/j20700997-202004-02.

Список источников
  1. Клинические рекомендации: «Фибрилляция и трепетание предсердий у взрослых». Министерство здравоохранения Российской Федерации, Всероссийское научное общество специалистов по клинической электрофизиологии, аритмологии и электростимуляции, Общество специалистов по неотложной кардиологии. М. 2016. 72 с.
  2. Беннетт Д.Х. Аритмии сердца. Практические заметки по интерпретации и лечению. М.: Медпресс-информ. 2016. 272 с.
  3. Jahangir A., Lee V., Friedman P.A., Trusty J.M., Hodge D.O., Kopecky S.L., Packer D.L., Hammill S.C., Shen W.K., Gersh B.J. Long-term progression and outcomes with aging in patients with lone atrial fibrillation: a 30-year follow-up study. Circulation. 2007. V. 115(24). P. 3050–3056.
  4. Lim H.S., Willoughby S.R., Schultz C., Gan C., Alasady M., Lau D.H., Leong D.P., Brooks A.G., Young G.D., Kistler P.M., Kalman J.M., Worthley M.I., Sanders P. Effect of atrial fibrillation on atrial thrombogenesis in humans: impact of rate and rhythm. J. Am. Coll. Cardiol. 2013. V. 61(8). P. 852–860.
  5. Paulus Kirchhof, Stefano Benussi, Dipak Kotecha, Anders Ahlsson, Dan Atar, Barbara Casadei, Manuel Castella, Hans-Christoph Diener, Hein Heidbuchel, Jeroen Hendriks, Gerhard Hindricks, Antonis S Manolis, Jonas Oldgren, Bogdan Alexandru Popescu, Ulrich Schotten, Bart Van Putte, Panagiotis Vardas ESC Scientific Document Group. 2016 ESC Guidelines for the management of atrial fibrillation developed in collaboration with EACTS. European Heart Journal. 2016. V. 37(38). P. 2893–2962.
  6. Stewart S., Hart C.L., Hole D.J., McMurray J.J. A population-based study of the long-term risks associated with atrial fibrillation: 20-year follow-up of the Renfrew/Paisley study. Am. J. Med. 2002. P. 113(5). P. 359–364.
  7. Wellens H.J. Contemporary management of atrial flutter. Circulation. 2002. P. 106(6). P. 649–652.
  8. Reiffel J.A., Verma A., Kowey P.R., Halperin J.L., Gersh B.J., Wachter R., Pouliot E., Ziegler P.D. REVEAL AF Investigators. Incidence of Previously Undiagnosed Atrial Fibrillation Using Insertable Cardiac Monitors in a High-Risk Population: The REVEAL AF Study. JAMA Cardiol. 2017. V. 2(10). P. 1120–1127.
  9. Xiong Q., Proietti M., Senoo K., Lip G.Y. Asymptomatic versus symptomatic atrial fibrillation: A systematic review of age/gender differences and cardiovascular outcomes. Int. J. Cardiol. 2015. V. 191. P. 172–177.
  10. Grifoni E., Giglio D., Guazzini G., Cosentino E., Latini E., Dei A., Del Rosso A., Guarnaccia V., Baldini M., Bartolozzi M.L., Martinucci P., Sani F., Giordano A., Dainelli F., Maggi F., Giulietti C., Romagnoli M., Cinotti S., Schipani E., Murgida G.S., Di Martino S., Cozzi A., Carli Ballola A., Dacomo D., Valori D., Masotti L. Age-related burden and characteristics of embolic stroke of undetermined source in the real world clinical practice. J. Thromb. Thrombolysis. 2020. Jan. V. 49(1). P. 75–85.
  11. Svennberg E., Engdahl J., Al-Khalili F., Friberg L., Frykman V., Rosenqvist M. Mass Screening for Untreated Atrial Fibrillation: The STROKESTOP Study. Circulation. 2015. V. 131(25). P. 2176–2184.
  12. Alves M., Narciso M.R., Cruz J., Rocha M., Fonseca T. Paroxysmal atrial fibrillation detection in patients with acute ischemic stroke through prolonged Holter: prospective study. Aging Clin. Exp. Res. 2019. V. 31(4). P. 469–474.
  13. Carrazco C., Golyan D., Kahen M., Black K., Libman R.B., Katz J.M. Prevalence and Risk Factors for Paroxysmal Atrial Fibrillation and Flutter Detection after Cryptogenic Ischemic Stroke. J. Stroke Cerebrovasc Dis. 2018. V. 27(1). P. 203–209.
  14. Choe W.C., Passman R.S., Brachmann J., Morillo C.A., Sanna T., Bernstein R.A., Di Lazzaro V., Diener H.C., Rymer M.M., Beckers F., Koehler J., Ziegler P.D. CRYSTAL AF Investigators. A Comparison of Atrial Fibrillation Monitoring Strategies After Cryptogenic Stroke (from the Cryptogenic Stroke and Underlying AF Trial). Am. J. Cardiol. 2015. V. 116(6). P. 889–893.
  15. Conti S., Reiffel J.A., Gersh B.J., Kowey P.R., Wachter R., Halperin J.L., Kaplon R.E., Pouliot E., Verma A. Baseline Demographics, Safety, and Patient Acceptance of an Insertable Cardiac Monitor for Atrial Fibrillation Screening: The REVEAL-AF Study. J. Atr. Fibrillation. 2017. V. 9(5). P. 1551.
  16. Cheung C.C., Krahn A.D., Andrade J.G. The Emerging Role of Wearable Technologies in Detection of Arrhythmia. Can. J. Cardiol. 2018. V. 34(8). P. 1083–1087.
  17. Haoshi Zhang, Lan Tian, Huiyang Lu, Ming Zhou, Haiqing Zou, Peng Fang, Fuan Yao, Guanglin Li. A wearable 12-lead ECG acquisition system with fabric electrodes. Conf. Proc. IEEE Eng. Med. Biol. Soc. 2017. V. 2017. P. 4439–4442.
  18. Fukuma N., Hasumi E., Fujiu K., Waki K., Toyooka T., Komuro I., Ohe K. Feasibility of a T-Shirt-Type Wearable Electrocardiography Monitor for Detection of Covert Atrial Fibrillation in Young Healthy Adults. Sci. Rep. 2019. V. 9(1). P. 11768.
  19. Sadrawi M., Lin C.H., Lin Y.T., Hsieh Y., Kuo C.C., Chien J.C., Haraikawa K., Abbod M.F., Shieh J.S. Arrhythmia Evaluation in Wearable ECG Devices. Sensors (Basel). 2017. V. 17(11). PII: E2445.
  20. Reali P., Tacchino G., Rocco G., Cerutti S., Bianchi A.M. Heart Rate Variability from Wearables: A Comparative Analysis Among Standard ECG, a Smart Shirt and a Wristband. Stud Health Technol Inform. 2019. V. 261. P. 128–133.
  21. Bumgarner J.M., Lambert C.T., Hussein A.A., Cantillon D.J., Baranowski B., Wolski K., Lindsay B.D., Wazni O.M., Tarakji K.G. Smartwatch Algorithm for Automated Detection of Atrial Fibrillation. J. Am. Coll. Cardiol. 2018. V. 71(21). P. 2381–2388.
  22. Himmelreich J.C.L., Karregat E.P.M., Lucassen W.A.M., van Weert H.C.P.M., de Groot J.R., Handoko M.L., Nijveldt R., Harskamp R.E. Diagnostic Accuracy of a Smartphone-Operated, Single-Lead Electrocardiography Device for Detection of Rhythm and Conduction Abnormalities in Primary Care. Ann. Fam. Med. 2019. V. 17(5). P. 403–411.
  23. Andersen R.S., Poulsen E.S., Puthusserypady S. A novel approach for automatic detection of Atrial Fibrillation based on Inter Beat Intervals and Support Vector Machine. Conf. Proc. IEEE Eng. Med. Biol. Soc. 2017. V. 2017. P. 2039–2042.
  24. Smisek R., Hejc J., Ronzhina M., Nemcova A., Marsanova L., Kolarova J., Smital L., Vitek M. Multi-stage SVM approach for cardiac arrhythmias detection in short single-lead ECG recorded by a wearable device. Physiol. Meas. 2018. V. 39(9). P. 094003.
  25. Tateno K., Glass L. Automatic detection of atrial fibrillation using the coefficient of variation and density histograms of RR and ΔRR intervals. Medical and Biological Engineering and Computing. 2001. V. 39(6). P. 664–671.
  26. Couceiro R., Carvalho P., Henriques J., Antunes M., Harris M., Habetha J. Detection of atrial fibrillation using model-based ECG analysis. 2008 19th International Conference on Pattern Recognition. P. 1–5.
  27. Lee J., Reyes B.A., McManus D.D., Maitas O., Chon K.H. Atrial fibrillation detection using an iPhone 4S. IEEE Transactions on Biomedical Engineering. 2012. V. 60(1). P. 203–206.
  28. Xia Y., Wulan N., Wang K., Zhang H. Detecting atrial fibrillation by deep convolutional neural networks. Computers in biology and medicine. 2018. V. 93. P. 84–92.
  29. Hannun A.Y., Rajpurkar P., Haghpanahi M., Tison G.H., Bourn C., Turakhia M.P., Ng A.Y. Cardiologist-level arrhythmia detection and classification in ambulatory electrocardiograms using a deep neural network. Nat Med. 2019. V. 25(1). P. 65–69.
  30. Larburu N., Lopetegi T., Romero I. Comparative study of algorithms for atrial fibrillation detection. Computing in Cardiology. 2011. V. 38. P. 265–268.
  31. Goldberger A.L., Amaral L.A., Glass L., Hausdorff J.M., Ivanov P.C., Mark R.G., Stanley H.E. PhysioBank, PhysioToolkit, and PhysioNet: components of a new research resource for complex physiologic signals. Circulation. 2000. V. 101(23). P. 215–220.
  32. Pan J., Tompkins W.J. A real-time QRS detection algorithm. IEEE Trans. Biomed. Eng. 1985. V. 32(3). P. 230–236.
Дата поступления: 1
Одобрена после рецензирования: 1
Принята к публикации: 1