Künstliche Intelligenz untersuchen kann Elektrokardiogramm (EKG) – test-Ergebnisse, eine gemeinsame medizinische test, der pinpoint-Patienten ein höheres Risiko für die Entwicklung einer potenziell gefährlichen Herzrhythmusstörungen (Arrhythmien) oder sterben innerhalb des nächsten Jahres, nach zwei Vorstudien zu werden, präsentiert auf der American Heart Association ‚ s Scientific Sessions 2019—November 16-18 in Philadelphia.
Die Forscher setzten mehr als 2 Millionen EKG-Ergebnisse aus mehr als drei Jahrzehnten archivierten medizinischen Unterlagen in Pennsylvania/New Jersey Geisinger Health System zu trainieren deep neural networks—fortgeschrittene, multi-layered computational Strukturen. Beide Studien von der gleichen Gruppe von Forschern, unter den ersten zu nutzen künstliche Intelligenz, um zukünftige Ereignisse vorherzusagen, die aus einem EKG, anstatt zu erkennen, aktuelle gesundheitliche Probleme, die Wissenschaftler festgestellt.
„Das ist spannend und bietet mehr Beweise dafür, dass wir auf der Schwelle zu einer revolution in der Medizin, in denen die Computer arbeiten neben den ärzten die Patientenversorgung zu verbessern,“ sagte Brandon Fornwalt, M. D., Ph. D., senior-Autor auf beiden Studien und associate professor und Vorsitzender des Department of Imaging Science and Innovation an der Geisinger in Danville, Pennsylvania.
Ein tiefes neuronales Netz für die Vorhersage Vorfall Vorhofflimmern direkt von 12-lead EKG-Spuren (Poster-Präsentation MDP106)
Die Forscher spekulierten, dass ein deep-learning-Modell kann Vorhersagen, welche Herzrhythmusstörungen bekannt als Vorhofflimmern (AF), bevor es sich entwickelt. Vorhofflimmern ist assoziiert mit einem höheren Risiko von Schlaganfall und Herzinfarkt. Die Fokussierung auf 1,1 Millionen EVGs, die nicht an die Anwesenheit von AF in mehr als 237,000 Patienten, verwendeten die Forscher hoch spezialisiert computational hardware zu trainieren, ein tiefes neuronales Netz zu analysieren, 15 Segmente von Daten—30,000 Datenpunkte—für jedes EVG.
Die Forscher fanden heraus, dass innerhalb der top-1% der Patienten mit hohem Risiko, wie vorhergesagt durch das neuronale Netzwerk 1 von 3 Menschen, die diagnostiziert wurde mit AF innerhalb eines Jahres. Die Modell-Vorhersagen zeigten auch längerfristige prognostische Bedeutung, als die Patienten vorausgesagt, um sich zu entwickeln, AF auf 1-Jahr hatte eine 45% höhere hazard rate in der Entwicklung von AF über 25-Jahres-follow-up als die anderen Patienten.
„Derzeit gibt es bestimmte Methoden zu identifizieren, welche Patienten entwickeln AF innerhalb des nächsten Jahres, die ist, warum viele Male, die ersten Anzeichen von AF ist ein Schlaganfall“, sagte senior-Autor Christopher Haggerty, Ph. D., assistant professor in das Department of Imaging Science and Innovation an der Geisinger. „Wir hoffen, dass dieses Modell kann verwendet werden, um die Identifizierung von Patienten mit Vorhofflimmern sehr früh, damit Sie behandelt werden können, um Schlaganfall zu verhindern.“
Jennifer Hall, Ph. D., der American Heart Association, Leiter des Instituts für Präzision Herz-Kreislauf-Medizin, bemerkt deep learning ist „schöner als ein weiterer Weg für uns, in unseren Bereich der Herz-Kreislauf-Medizin in der Lage sein, um Patienten zu helfen und helfen, diese zu verstehen, das Risiko für einen Schlaganfall.“
„In der Lage zu verstehen, wer das Risiko für Herzrhythmusstörungen oder Vorhofflimmern dann hilft uns zu verstehen, wer gefährdet sein könnte, auch mit einem Hub und dann die Behandlung dieser Personen und verhindern, Vorhofflimmern und vielleicht ein Schlaganfall die Straße hinunter“, sagt Hall. „Mit diesen Techniken in unserer Hand und Sie haben mehr präzise Techniken zu entdecken, Potenzial Vorhofflimmern jetzt oder in der Zukunft ist unfassbar.“
Tiefe neuronale Netze können vorauszusagen ein-Jahres-Mortalität, die direkt aus dem EKG-signal, auch wenn es klinisch interpretiert als normal (Mündliche Präsentation 119)
Zu helfen, Patienten höchstwahrscheinlich zu sterben jeglicher Ursache innerhalb eines Jahres, Geisinger Forscher analysierten die Ergebnisse von 1,77 Millionen EVGs und anderen Aufzeichnungen von fast 400.000 Patienten. Das team verwendet diese Daten zum vergleichen von machine-learning-basierte Modelle, die entweder direkt analysiert die Rohdaten der EKG-Signale, oder stützte sich auf die aggregierten menschlichen abgeleiteten Maßnahmen (standard-EKG-Funktionen in der Regel aufgezeichnet von einem Kardiologen) und Häufig diagnostizierte Krankheitsbilder.
Das neuronale Netzwerk-Modell, das direkt analysiert die EKG-Signale gefunden wurde, überlegen zu sein, für die Vorhersage der 1-Jahres-Risiko von Tod. Überraschend, das neuronale Netzwerk war in der Lage, genau vorherzusagen, das Risiko des Todes, selbst in der als Patienten durch einen Arzt zu haben, ein normales EKG. Drei Kardiologen separat überprüft die EVG hatte zuerst gelesen wurden, als normal, und Sie waren in der Regel nicht in der Lage zu erkennen, die Gefahr von mustern, die dem neuronalen Netz erkannt werden, die Forscher sagte. „Dies ist das wichtigste Ergebnis dieser Studie,“ sagte Fornwalt, die co-leitet Geisinger Cardiac Imaging Technology Lab mit Haggerty. „Das könnte völlig verändern die Art und Weise interpretieren wir die EVGs in die Zukunft.“
