Cor Vasa 2024, 66(1):37-43 | DOI: 10.33678/cor.2023.096

Artificial intelligence in resting ECG: Higher accuracy in the interpretation of rhythm abnormalities

Štěpán Havráneka, Barbora Stekláa, Michaela Veseláa, Josef Holuba, Michaela Zemkováa, Lucie Miksováa, Karolína Kvasničkováa, Nikol Kubínováa, Jean-Claude Lubandaa, Milan Dusíka, Josef Mareka, Vladyslava Čeledováb, Lenka Plačkováb
a 2nd Department of Internal Cardiovascular Medicine, The First Faculty of Medicine, Charles University and General University Hospital in Prague, Prague, the Czech Republic
b BTL Industries Ltd., Stevenage, the United Kingdom

Úvod: Cílem této studie je vyhodnocení výkonu nově vyvinutého rytmového modelu určeného pro interpretaci EKG a založeného na umělé inteligenci (AI-ECGRM) v binární klasifikaci mezi sinusovým rytmem a arytmiemi.

Metody: Interpretace EKG záznamů generované pomocí AI-ECGRM byly v rámci studie porovnány s diagnostickými závěry zkušeného kardiologa. Metodou použitou ke klasifikaci dat byla matice záměn, přičemž vyhodnocení zahrnuje senzitivitu, specificitu, pozitivní prediktivní hodnotu a negativní prediktivní hodnotu.

Výsledky: Testovací datová sada obsahuje 1 491 náhodně vybraných EKG záznamů (průměrný věk 65 ± 21 let; 54 % žen). Pro danou datovou sadu čítala diagnostika kardiologa 1 271 záznamů se závěrem sinusový rytmus a 220 záznamů se závěrem arytmie. Oproti tomu interpretace generovaná pomocí AI-ECGRM čítala 1 169 záznamů se závěrem sinusový rytmus a 322 záznamů se závěrem arytmie. Senzitivita a specificita AI-ECGRM byla 94 % a 91 %. Pozitivní prediktivní hodnota byla 64 %. Negativní prediktivní hodnota dosáhla 99 %, což značí velmi nízkou pravděpodobnost vynechání potenciální patologie.

Závěr: Výsledky ukazují na účinnost nově vyvinutého AI-ECGRM pro rozlišení záznamů se sinusovým rytmem a arytmií. Navíc metoda vykazuje vysokou negativní prediktivní hodnotu blížící se 100 %. © 2024, ČKS.

Klíčová slova: Arytmie, Interpretace EKG, Kardiovaskulární onemocnění, Klidové EKG, Sinusový rytmus, Umělá inteligence,

Vloženo: 10. prosinec 2023; Revidováno: 10. prosinec 2023; Přijato: 15. prosinec 2023; Zveřejněno online: 2. červen 2012; Zveřejněno: 5. březen 2024  Zobrazit citaci

ACS AIP APA ASA Harvard Chicago Chicago Notes IEEE ISO690 MLA NLM Turabian Vancouver
Havránek Š, Steklá B, Veselá M, Holub J, Zemková M, Miksová L, et al.. Artificial intelligence in resting ECG: Higher accuracy in the interpretation of rhythm abnormalities. Cor Vasa. 2024;66(1):37-43. doi: 10.33678/cor.2023.096.
Sdílet...
Stáhnout citaci
  • BibTeX (.bib)
  • Bookends (.ris)
  • EasyBib (.ris)
  • EndNote (.enw)
  • EndNote 8 (.xml)
  • ISI WoS (.isi)
  • Medlars (.medlars)
  • Mendeley (.ris)
  • MODS (.xml)
  • Papers (.ris)
  • RefWorks (.txt)
  • RefManager (.ris)
  • RIS (.ris)
  • MS Word (.xml)
  • Zotero (.ris)
    • Zobrazit celý článek

    Reference

    1. Roth GA, Mensah GA, Johnson CO, et al. Global Burden of Cardiovascular Diseases and Risk Factors, 1990-2019: Update From the GBD 2019 Study. J Am Coll Cardiol 2020;76:2982-3021. Přejít k původnímu zdroji... Přejít na PubMed...
    2. Heidenreich PA, Trogdon JG, Khavjou OA, et al. Forecasting the Future of Cardiovascular Disease in the United States: A Policy Statement From the American Heart Association. Circ J 2011;123:933-944. Přejít k původnímu zdroji... Přejít na PubMed...
    3. Moran A, Gu D, Zhao D, et al. Future Cardiovascular Disease in China: Markov Model and Risk Factor Scenario Projections From the Coronary Heart Disease Policy Model-China. Circ J 2010;3:243-252. Přejít k původnímu zdroji... Přejít na PubMed...
    4. Odutayo A, Wong ChX, Hsiao AJ, et al. Atrial fibrillation and risks of cardiovascular disease, renal disease, and death: systematic review and meta-analysis. BMJ 2016;354:i4482. Přejít k původnímu zdroji... Přejít na PubMed...
    5. Kavousi M. Differences in Epidemiology and Risk Factors for Atrial Fibrillation Between Women and Men. Front Cardiovasc 2020;7:3. Přejít k původnímu zdroji... Přejít na PubMed...
    6. Chugh SS, Havmoeller R, Narayanan K, et al. Worldwide Epidemiology of Atrial Fibrillation: A Global Burden of Disease 2010 Study. Circ J 2013;129:837-847. Přejít k původnímu zdroji... Přejít na PubMed...
    7. Harmon KG, Zigman M, Drezner JA. The effectiveness of screening history, physical exam, and ECG to detect potentially lethal cardiac disorders in athletes: A systematic review/meta- -analysis. J Electrocardiol 2015;48:329-338. Přejít k původnímu zdroji... Přejít na PubMed...
    8. Harskamp RE. Electrocardiographic screening in primary care for cardiovascular disease risk and atrial fibrillation. Prim Health Care Res Dev 2019;20:1-3. Přejít k původnímu zdroji... Přejít na PubMed...
    9. Goya JJ, Schlaepfer J, Stauffer JC. Competency in interpretation of the 12-lead electrocardiogram among Swiss doctors. Swiss Med Wkly 2013;143:w13806. Přejít k původnímu zdroji... Přejít na PubMed...
    10. Cook DA, Oh SY, Pusic MV. Accuracy of Physicians' Electrocardiogram Interpretations: A Systematic Review and Meta-analysis. JAMA Intern Med 2020;180:1-11. Přejít k původnímu zdroji... Přejít na PubMed...
    11. Bhatia RS, Bouck Z, Ivers NM, et al. Electrocardiograms in Low-Risk Patients Undergoing an Annual Health Examination. JAMA Intern Med 2017;177:1326-1333. Přejít k původnímu zdroji... Přejít na PubMed...
    12. Valk MJ, Mosterd A, Broekhuizen BD, et al. Overdiagnosis of heart failure in primary care: a cross-sectional study. Br J Gen Pract 2016;66:e587-592. Přejít k původnímu zdroji... Přejít na PubMed...
    13. Schläpfer J, Wellens HJ. Computer-Interpreted Electrocardiograms: Benefits and Limitations: Review Topic Of The Week. J Am Coll Cardiol 2017;70:1183-1192. Přejít k původnímu zdroji... Přejít na PubMed...
    14. Šećkanović A, Šehovac M, Spahić L, et al. Review of Artificial Intelligence Application in Cardiology. In: 9th Mediterranean Conference on Embedded Computing (MECO), Budva, Montenegro, 2020. p.1-5. doi: 10.1109/MECO49872.2020.9134333 Přejít k původnímu zdroji...
    15. Busnatu Ș, Niculescu AG, Bolocan A, et al. Clinical Applications of Artificial Intelligence - An Updated Overview. J Clin Med 2022;11:2265. Přejít k původnímu zdroji... Přejít na PubMed...
    16. Hughes JW, Olgin JE, Avram R, et al. Performance of a Convolutional Neural Network and Explainability Technique for 12-Lead Electrocardiogram Interpretation. JAMA Cardiol 2021;6:1285-1295. Přejít k původnímu zdroji... Přejít na PubMed...
    17. Kaggle. Shaoxing and Ningbo Hospital ECG Database. Available from: https://www.kaggle.com/datasets/bjoernjostein/shaoxing-and-ningbo-first-hospital-database. Accessed: 17 Mar 2023.
    18. Trevethan R, Sensitivity, Specificity, and Predictive Values: Foundations, Pliabilities, and Pitfalls in Research and Practice. Front Public Health 2017;5:307. Přejít k původnímu zdroji... Přejít na PubMed...
    19. Warriner D, Malhotra A, Apps A. An epidemic of overdiagnosis and overtreatment: getting to the heart of the problem. J R Soc Med 2017;110:390-391. Přejít k původnímu zdroji... Přejít na PubMed...
    20. Novotny T, Bond RR, Andrsova I, et al. Data analysis of diagnostic accuracies in 12-lead electrocardiogram interpretation by junior medical fellows. J Electrocardiol 2015;48:988-994. Přejít k původnímu zdroji... Přejít na PubMed...
    21. Kwon JM, Kim KH, Eisen HJ, et al. Artificial intelligence assessment for early detection of heart failure with preserved ejection fraction based on electrocardiographic features. Eur Heart J - Digital Health 2020;2:106-116. Přejít k původnímu zdroji... Přejít na PubMed...
    22. Jo YY, Kwon JM, Jeon KH, et al. Artificial intelligence to diagnose paroxysmal supraventricular tachycardia using electrocardiography during normal sinus rhythm. Eur Heart J - Digital Health 2021;2:290-298. Přejít k původnímu zdroji... Přejít na PubMed...
    23. Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet 2019;394:861-867. Přejít k původnímu zdroji... Přejít na PubMed...
    24. Baek YS, Lee SC, Choi W, Kim DH. A new deep learning algorithm of 12-lead electrocardiogram for identifying atrial fibrillation during sinus rhythm. Sci Rep 2021;11:12818. Přejít k původnímu zdroji... Přejít na PubMed...

    Tento článek je publikován v režimu tzv. otevřeného přístupu k vědeckým informacím (Open Access), který je distribuován pod licencí Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0), která umožňuje nekomerční distribuci, reprodukci a změny, pokud je původní dílo řádně ocitováno. Není povolena distribuce, reprodukce nebo změna, která není v souladu s podmínkami této licence.


    Zpět na obsah


    Cor et Vasa

    Vstupujete na stránky určené zdravotnickým odborníkům, a nikoli laické veřejnosti. Stránky mohou obsahovat také informace, které jsou určeny pouze osobám oprávněným předepisovat a vydávat humánní léčivé přípravky.

    Potvrzuji proto, že jsem zdravotnickým odborníkem ve smyslu zákona č. 40/1995 Sb. ve znění pozdějších předpisů a že jsem se seznámil(a) s definicí zdravotnického odborníka.


    Ne
    Ano