Využití telemedicíny v kardiologii: Od monitorování EKG k umělé inteligenci


Application of telemedicine in cardiology: from ECG monitoring to artificial intelligence

Telemedicine is one of rapidly developing discipline in current medicine, including cardiology, and specifically cardiac arrhythmias and heart failure. Long-term transtelephonic ECG monitoring has been provided since 2008 in the Czech Republic and other members of EU by International Center for Telemedicine MDT (Medical Data Transfer), with approximately 45 000 monitored individuals per year and mean individual monitoring duration of 14 ± 9 days.

Current home-monitoring of implantable devices is offered by all leading companies with distribution in the Czech Republic (Abbott, Medtronic, Biotronik, Boston Scientific). It enables to follow device parameters as well as get information on detected arrhythmias, and further, through the server set up to automatically process warnings and alarms and to inform the responsible physician via e-mail, fax, or SMS.

All branches of telemedicine work with a huge amount of data difficult to process without the means of artificial intelligence, whose principles and methods are discussed in the article. International Center for Telemedicine in collaboration with the Institute of Scientific Instruments of the Czech Academy of Sciences have developed and employs one such a model for the long-term ECG analysis.

Keywords:

artificial intelligence – Telemedicine – long-term transtelephonic ECG monitoring – home monitoring of implantable devices


Autori: Veronika Bulková 1,2;  Jakub Pindor 1;  Filip Plešinger 1,3;  Martin Fiala 1,2
Pôsobisko autorov: Mezinárodní centrum pro telemedicínu MDT, Brno 1;  Centrum kardiovaskulární péče, Neuron Medical, Brno 2;  Ústav přístrojové techniky AV ČR, Brno 3
Vyšlo v časopise: Čas. Lék. čes. 2021; 160: 317-322
Kategória: Přehledový článek

Súhrn

Telemedicína je jedním z prudce se rozvíjejících aspektů současné medicíny; v kardiologii se uplatňuje zejména v oblasti arytmií a srdečního selhání. Dlouhodobé neinvazivní transtelefonní monitorování EKG je v Česku a dalších zemích EU poskytováno už od roku 2008 Mezinárodním centrem pro telemedicínu MDT (Medical Data Transfer), které ročně provede asi 45 tisíc vyšetření s průměrnou délkou individuálního sledování 14 ± 9 dnů.

Moderní dálkové monitorování implantabilních přístrojů (kardiostimulátorů a kardioverterů-defibrilátorů) poskytují všichni jejich přední výrobci s působením v Česku (Abbott, Medtronic, Biotronik, Boston Scientific). Tímto způsobem lze automaticky sledovat technické parametry přístrojů a zároveň získávat informace o detekovaných arytmiích. V nastavení serveru je možné zadávat automatické zpracování varování a alarmů, o nichž je ošetřující lékař informován e-mailem, faxem nebo SMS.

Všechna odvětví telemedicíny pracují s obrovskými objemy dat, která je obtížné zpracovat bez aplikace umělé inteligence, jejíž podstata a metody jsou v článku popsány. Mezinárodní telemedicínské centrum MDT ve spolupráci s Ústavem přístrojové techniky AV ČR vyvinulo a používá jeden z jejích modelů pro analýzu dlouhodobého EKG záznamu.

Klíčová slova:

umělá inteligence – telemedicína – dlouhodobé transtelefonní monitorování EKG – dálkové monitorování implantabilních přístrojů

ÚVOD

Telemedicína představuje široký pojem bez jednoduché definice. Pod tímto pojmem si můžeme představit např. telekonferenci mezi lékařem a pacientem, posílání dat mezi jednotlivými zdravotnickými zařízeními nebo přenos EKG či různých dalších parametrů fyziologických funkcí. V oblasti arytmologie se nejvíce využívá online kontinuální sledování EKG, monitorování pacientů s implantovanými kardiostimulátory (PM – pacemaker) a defibrilátory (ICD – implantable cardioverter-defibrillator) nebo nově se rozvíjející komplexní kontinuální sledování pacientů se srdečním selháním.

Mezinárodní telemedicínské centrum MDT (Medical Data Transfer) funguje od roku 2008 a ročně sleduje více než 35 tisíc pacientů v Česku, na Slovensku a v dalších členských zemích EU. Specializuje se především na hodnocení dlouhodobých EKG záznamů a sledování pacientů se srdečním selháním. Telemedicínské centrum poskytuje 24hodinovou technickou podporu pacientům a jejich rodinným příslušníkům. Průběžná kontrola elektrokardiografických záznamů pracovníky telemedicínského centra napomáhá udržování technické kvality záznamů, a především přispívá k včasné diagnostice a řešení případných závažných poruch srdečního rytmu. Díky telemedicíně a organizaci příslušných činností v telemedicínském centru odpadá nutnost nákupu drahých technologií do každé jednotlivé ambulance. Nároky na technické zabezpečení jsou značné, od jednotlivých SIM karet do EKG zařízení až po datová centra, náklady na hardwarovou připravenost a kybernetickou bezpečnost nevyjímaje.

DLOUHODOBÉ MONITOROVÁNÍ EKG

Dokumentace EKG křivky je základní diagnostickou metodou poruch srdečního rytmu. Dlouhodobější monitorování EKG se používá především k odhalení arytmií, které se nepodařilo zachytit pomocí standardního 12svodového EKG záznamu nebo 24–48hodinového monitorování EKG podle Holtera. Dokumentace arytmie na EKG je předpokladem další cílené léčby. Absence arytmie na EKG v době výskytu příznaků je také diagnosticky cenná, neboť arytmii v zásadě vylučuje a umožňuje nasměrovat další vyšetřování jiným směrem. Nejdůležitější v denní praxi lékaře je rozhodnutí, jakou metodu monitorování EKG – především na základě četnosti obtíží – zvolí (obr. 1).

Výběr typu monitorování EKG podle četnosti symptomů
Obr. 1. Výběr typu monitorování EKG podle četnosti symptomů

Transtelefonní ambulantní telemetrie – MCT, epizodní záznamníky EKG, holterovské monitorování EKG

Nejvyužívanější metodou v telemedicínském centru MDT je tzv. transtelefonní ambulantní telemetrie, která umožňuje přenos kontinuálních EKG záznamů pomocí datového přenosu na server telemedicínského centra. Tím, že je k dispozici úplný EKG záznam, je možné se vyjádřit k četnosti jednotlivých arytmií a procentuálně vyčíslit jejich časovou zátěž. Velkou výhodou je přesné označení symptomů v časové korelaci s EKG záznamem. Tyto záznamníky umožňují registraci 1–3svodového EKG, což pro většinu indikací diagnosticky zcela dostačuje. Výhodné je využívání tohoto monitorování u pacientů vyšetřovaných pro kryptogenní cévní mozkovou příhodu (CMP) s neurodeficitem a u starších pacientů. Nevýhodou zůstávají velké časové nároky na zpracování úplného EKG záznamu, avšak využitím umělé inteligence (AI – artificial intelligence) je možné dobu zpracování zkrátit. Díky AI nyní lze takto v MDT sledovat online zhruba 1300 pacientů denně.

Dále se využívají epizodní záznamníky EKG a přístroje pro 7–30denní (offline) holterovské EKG záznamy, kterými je vyšetřováno přibližně dalších 500 pacientů denně. Průměrná délka monitorování činí 14 ± 9 dnů. Distribuce jednotlivých indikací k monitorování EKG je následující: 30 % tvoří pacienti s palpitacemi, 8 % s (pre)synkopou, 15 % ke kontrole výsledku katetrizační ablace, 34 % po kryptogenní CMP/TIA a 13 % pacienti s jinou indikací. Celková diagnostická výtěžnost činí 32% záchyt dosud nedokumentovaných arytmií. Naopak 27 % představují nálezy, kdy symptomatický pacient má při palpitacích (či jiných symptomech) zachycen sinusový rytmus nebo ojedinělé klinicky benigní extrasystoly.

„Chytré“ hodinky s měřením EKG a SpO2

Takzvané chytré hodinky využívají princip měření EKG založený na dvou elektrodách, z nichž jedna je umístěna na rubu hodinek na ruce a druhá na jejich boku (nebo v řemínku) a přikládá se na ni prst. Měření trvá 30 vteřin a získaný EKG signál se vyhodnotí přímo v hodinkách. Algoritmy umějí rozpoznat sinusový rytmus a fibrilaci síní (FiS). Pomocí aplikace v mobilním telefonu je možné odeslat EKG záznam k posouzení do telemedicínského centra či ošetřujícímu lékaři, všechny elektrokardiogramy pacienta tak jsou shromážděny v jeho složce a dostupné kdykoli lékaři či nemocnému (obr. 2). Nejnovější hodinky umožňují měřit i saturaci kyslíku (O2) v krvi, a to pomocí dvou diod o vlnových délkách 660 nm a 940 nm, při nichž se spektra oxyhemoglobinu a deoxyhemoglobinu nejvíce liší. Redukovaný hemoglobin propouští více infračerveného světla a absorbuje více červeného světla, zatímco u oxyhemoglobinu je tomu přesně naopak. Ve spojení s integrovaným senzorem tělesné teploty některá zařízení umějí sledovat během noci spánkovou aktivitu a upozornit na spánkovou apnoi.

Mobilní aplikace pro zasílání EKG z chytrých hodinek
do telemedicínského centra
Obr. 2. Mobilní aplikace pro zasílání EKG z chytrých hodinek do telemedicínského centra

Cenová dostupnost těchto zařízení určitě do budoucna umožní jednoduchý screening asymptomatické FiS u rizikových skupin pacientů. Kontrola EKG křivek lékařem či biomedicínským technikem zůstává důležitá, protože z praxe je evidentní, že zhruba 20 % EKG záznamů, které ke zhodnocení obdrží telemedicínské centrum, obsahuje nějakou algoritmem nerozpoznanou abnormalitu srdečního rytmu.

DÁLKOVÉ MONITOROVÁNÍ TRVALÝCH KARDIOSTIMULÁTORŮ A IMPLANTABILNÍCH KARDIOVERTERŮ-DEFIBRILÁTORŮ

S rostoucím počtem pacientů s implantabilními přístroji se zvyšují nároky na sledování funkčnosti přístroje a detekovaných klinických parametrů. Současné PM/ICD společně s moderní telekomunikační technikou otevírají prostřednictvím dálkového monitorování novou perspektivu v péči o pacienty a mohou být účinným nástrojem, jak zvýšit ochotu pacientů spolupracovat při léčbě.

Historie dálkového monitorování PM/ICD

Nutnost dálkového monitorování implantabilních přístrojů byla zjevná již od počátku rozvoje kardiostimulace, kdy jediným parametrem, jenž hodnotil funkčnost tehdy méně spolehlivých PM, byla stimulační frekvence. Prostřednictvím transtelefonního přenosu kmitočtu (stimulační frekvence) sestavil Seymour Furman v roce 1967 první dostupný systém dálkového monitorování (1).

První český prototyp vznikl v roce 1976 pod názvem Telkostim ve spolupráci I. kliniky vnitřních nemocí LF UJEP v Brně a Katedry radioelektroniky VUT v Brně. Prostřednictvím systému, který sestával z pacientské jednotky a lékařské stanice, byla telefonní linkou s vysokou přesností (odchylka nepřesahovala 0,5 ms) přenášena stimulační frekvence do implantačního centra. Telkostim se využíval k monitorování pacientů s kardiostimulátory Tesla a jeho spolehlivost umožnila bezpečné oddálení termínu elektivní reimplantace o 20–40 % (2).

Další vývoj dálkových monitorovacích systémů kopíroval technologický progres stimulačních systémů, a obzvláště implantabilních záznamníků (3) v oblasti softwaru a hardwaru, a odvíjel se od potřeby přenést vice informací o stavu stimulačního systému.

Technologické řešení

Moderní dálkové monitorování svých přístrojů dnes poskytují všichni přední výrobci implantabilních přístrojů s celosvětovým působením, v Česku konkrétně společnosti Abbott (původně St. Jude Medical), Medtronic, Biotronik, Boston Scientific. Základem dnešního konceptu je pacientská jednotka připojená k telefonní síti (pevná linka, GSM) (4). Informace je z přístroje přenášena do jednotky automaticky bezdrátově (radiofrekvenční komunikace, bluetooth) nebo pomocí příložné pacientské hlavice, následně je kódována, šifrována a odeslána do servisního střediska. Zde je obnovena a uložena na zabezpečený server. Tyto informace jsou dostupné a připravené ke kontrole v příslušném implantačním centru přes zabezpečené webové rozhraní (tzn. z kteréhokoli počítače připojeného na internet). Server poskytuje víceúrovňový systém kontroly přístupu s identifikací a heslem a umožňuje definovat přístupová práva a editovat různé uživatelské profily. V nastavení serveru lze zadávat automatické zpracování varování a alarmů (tj. různou důležitost upozornění pro různě závažné stavy). Záchyt významné události je oznámen na zadanou e-mailovou adresu, faxem nebo formou SMS (5).

Posledním trendem rozvoje komunikačních technologií a protokolů (rozhraní bluetooth) je nahrazení pacientské jednotky „chytrým“ telefonem pacienta, do kterého se nainstaluje příslušná obslužná aplikace. Toto řešení efektivně snižuje náklady a zlepšuje zpětnou vazbu pro pacienta (6).

Strategie a princip kontrol

Systémy využívající pro přenos dat z implantátu do pacientské jednotky radiofrekvenční přenos (příp. rozhraní bluetooth) kladou na pacienta minimální nároky. To platí i pro management kontrol, které lze stratifikovat do následujících skupin:

  • Plánovaná kontrola: Probíhá v naplánovaných intervalech (podle potřeb implantačního centra). Jedná se o standardní odečet parametrů a zaznamenaných dat přístroje pomocí dálkového přenosu. Tento princip pro pacienta odstraňuje nutnost osobní návštěvy v kardiostimulačním centru, zrychluje kontrolu přístroje, a tudíž umožňuje provádět ji častěji.
  • Nevyžádaná kontrola: Probíhá kontinuálně, standardní odečet dat je prováděn a odesílán obvykle denně a při detekci závažné události (arytmie, abnormality naměřených hodnot apod.) je přenos aktivován okamžitě, s cílem co nejdříve uvědomit o této situaci implantační centrum.
  • Pacientský záznam: Nemocný aktivuje přenos záznamu přiložením pacientské hlavice, případně prostřednictvím funkčního tlačítka v aplikaci.

Parametry sledované dálkovým monitorováním

Dálkové sledování pacientů s implantabilním přístrojem je ideální pro přístroj, který dokáže automaticky změřit stimulační parametry a aktualizovat nastavení patřičných hodnot. V pacientské kartě je kompletní profil stavu implantovaného přístroje, který plnohodnotně nahrazuje ambulantní kontrolu. Snadno lze získat přehled o následujících parametrech:

  • Aktuální intrakardiální záznam, jako při běžné kontrole.
  • Detekované arytmie včetně aplikované terapie ICD s intrakardiálním záznamem (7).
  • Časový průběh hodnot impedance elektrod, amplitud vlastních vnímaných signálů a hodnot stimulačních prahů.
  • Časový průběh a procento vnímání a stimulace na jednotlivých elektrodách (síň, pravá a levá komora) včetně vzájemné synchronie.
  • Celkový přehled stimulačních parametrů v diskrétních hodnotách nebo graficky v dlouhodobém trendu.
  • Záchyt paroxysmů FiS a jiných síňových arytmií a procento zátěže běžící supraventrikulární tachyarytmií.
  • Časový průběh markerů srdečního selhání (např. procento úspěšné resynchronizační léčby u biventrikulárních přístrojů).
  • Údaje o stavu baterie a aktuálním nastavení programovatelných parametrů PM, ICD (8).

Spolehlivost a efektivita dálkového monitorování v klinických studiích

Úspěšnost a bezpečnost přenosu dat včetně zlepšení ochoty pacientů ke spolupráci při využívání dálkového monitorování prokázala studie TRUST (9). Studie CONNECT doložila signifikantní zkrácení doby reakce na klinickou událost z 22,0 na 4,6 dne (p < 0,001) a zkrácení doby hospitalizace pro kardiovaskulární příčinu ze 4,0 na 3,3 dne (p < 0,002) (10). Studie COMPAS ukázala snížení počtu hospitalizací v důsledku detekce asymptomatických arytmií a nediagnostikovaných paroxysmů FiS spojených s kardioembolizačními CMP (11). Za přelomové jsou považovány studie prokazující snížení mortality u pacientů s ICD v pětiletém horizontu o 50 % (největší observační studie Altitude Survival Study) a u pacientů s ICD sledovaných pro srdeční selhání (NYHA II–III), kde celková mortalita dosáhla 3,4 % oproti 8,7 % v kontrolní skupině (p < 0,004) (randomizovaná, kontrolovaná studie IN TIME) (12, 13).

Nabízí se myšlenka, že dálkové monitorování může běžné kontroly v ambulanci nahradit, nicméně existující limitace (technické, etické, právní, regulační a finanční) k tomu nepřispívají. I když se využívá již dvacet let, o svou pozici stále bojuje. Podporu může nalézt u mladších generací obklopených novými technologie (především „chytrými“ telefony). Důležitost dálkových monitorování zvýrazňuje také např. období epidemie, vyžadující minimalizaci shromažďování lidí, včetně návštěv zdravotnických zařízení.

VYUŽITÍ UMĚLÉ INTELIGENCE

Úskalím telemedicíny je extrémní navyšování objemu údajů a informací, které lékař nemůže sledovat na denní bázi. Dnešní doba však přináší nové pokročilé metody analýzy dat, přičemž jednou z nich je umělá inteligence. Mezinárodní telemedicínské centrum MDT ve spolupráci s Ústavem přístrojové techniky AV ČR vyvinulo a používá jeden z jejích modelů pro analýzu dlouhodobého EKG záznamu.

Co je AI a proč se o ní tolik mluví

Umělá inteligence je obecně umělé napodobení uvažování člověka. Do takto široce pojaté definice lze s trochou zručnosti schovat i vzorec napsaný v tabulkovém procesoru. Nicméně v kontextu dnešní doby se AI rozumí především strojové učení (machine learning) a jeho nejprogresivnější podskupina – hluboké učení (deep learning). Postupy strojového učení lze rozdělit na tzv. úlohy s učitelem (supervised learning) a bez učitele (unsupervised learning).

Úlohy s učitelem mají obvykle za cíl návrh výpočtového modelu, který bude např. umět rozpoznat, které ze známých patologií jsou přítomné v předloženém minutovém segmentu EKG. Nebo který pozná, kde jsou v daném segmentu komplexy QRS a jakého jsou typu, či odhadne pravděpodobnost srdečního selhání u pacienta v následujících čtyřech letech. Stroj se tedy pomocí tréninkového datasetu naučí, jakým způsobem výpočetně zkombinovat dané vstupy tak, aby dosáhl předložených výstupů. Druhá větev, tj. úlohy bez učitele, mají své využití v případech, kdy nelze předem přiřadit k daným vstupům určité výstupy, např. při shlukování dat. Zde nám dokážou odpovědět na otázku, zda lze tuto patologii rozdělit dále na N (v současnosti klidně neznámých) podskupin. Tato kapitola o umělé inteligenci se věnuje pouze první skupině – úlohám s učitelem.

Jak se tedy liší AI, strojové učení a jeho podskupina hluboké učení? Lze to ukázat na situaci s detekcí FiS z EKG signálu. Bez strojového učení by expert se znalostí srdeční činnosti a matematickou představivostí navrhl, že bude důležité extrahovat určité příznaky (např. směrodatnou odchylku intervalů RR, frekvenční popis chování signálu a další), ověřil by si jejich vztah k patologii a navrhl by výpočtový vztah (obr. 3A). Při použití běžného strojového učení (obr. 3B) tentýž expert vymyslí důležité příznaky, ale výpočtový vztah je již navržen strojem, respektive frameworkem pro strojové učení (např. volně dostupná knihovna SciKit pro jazyk Python) (14). Člověk musí s ohledem na vstupní data zvolit vhodný druh modelu. Pro desítky či stovky pacientů v kohortě to bude většinou široce používaná logistická regrese, stovky až tisíce umožní zvolit tzv. supported vector machines či různé varianty skupin rozhodovacích stromů, jako jsou Random Forest či Boosted Trees. A protože výpočetní vztah bude sestavovat stroj (software), v ušetřeném čase expert vymyslí výrazně vyšší množství příznaků v desítkách či rovnou stovkách. Takto vytvořený model by měl profitovat z více příznaků (pokud jsou dobře zvolené a navzájem dostatečně odlišné) a bude nejspíše vykazovat vyšší výkonnost než model sestavený pouze člověkem.

V případě hlubokého učení se posuneme ještě dál, již není třeba, aby expert definoval důležité příznaky (obr. 3C a 4). Vezmeme rovnou celý vstupní signál (minutový EKG strip), k němu výstupní informaci (je/není zde fibrilace síní) a stroj, resp. framework si sám během procesu učení najde, co je v signálu důležité. K tomu slouží tzv. konvoluční vrstvy v neuronových sítích (CNN), které se dokážou naučit důležité tvary, ať už v 2D či 3D obrazech či v 1D signálu (obr. 4 a 5) (15). Používají se také rekurentní vrstvy (GRU, LSTM), které jsou naopak citlivé na posloupnosti; tyto druhy vrstev lze navíc vzájemně kombinovat. Zde již sáhneme po jiných knihovnách, např. volně dostupných PyTorch (16), Keras či Tensorflow pro Python. Takový model bude mít ještě vyšší výkonnost než předchozí dva, protože na rozdíl od experta zkoumá v EKG signálu naprosto cokoliv (k tomuto dvojsečnému bodu se ještě vrátíme později). Framework se netrápí konstatováním, že o EKG se již všechno ví, a prostě to vezme „od podlahy“. Získáme ještě přesnější model, než by vytvořil lidský expert, což se dá sledovat např. na výsledcích každoroční mezinárodní soutěže pro výpočty v kardiologii CinC/PhysioNet Challenge (17) – rok 2015 byl posledním, kdy v ní nevyhrály postupy strojového, resp. hlubokého učení. V dalších ročnících se na horních příčkách jednalo už vždy jen o metody strojového a hlubokého učení. Čili výkonnost modelu je větší, ale může to být spojeno s úskalími.

Co navrhuje expert (modře) a co stroj (oranžově) při využití umělé inteligence (A) nebo jejích podskupin – strojového učení (B)
či hlubokého učení (C). Přirozený výstup mechanismů strojového učení je pravděpodobnost.
Obr. 3. Co navrhuje expert (modře) a co stroj (oranžově) při využití umělé inteligence (A) nebo jejích podskupin – strojového učení (B) či hlubokého učení (C). Přirozený výstup mechanismů strojového učení je pravděpodobnost.

Hluboké učení a pravděpodobnost přítomnosti FiS.
Obr. 4. Hluboké učení a pravděpodobnost přítomnosti FiS.
Jeden z výstupů sítě hlubokého učení (podbarvený modře) ukazuje pravděpodobnost přítomnosti fibrilace síní v EKG signálu (podbarvený bíle). Data jsou zpracovávána v tzv. inferenčních oknech (zde po 24 sekundách), výstup této sítě dodává tedy jednu hodnotu pro celé inferenční okno. Proto je pravděpodobnost skoková a neukazuje zcela přesně na start FiS ve 129. sekundě.

Hluboké učení a komplexy QRS.
Obr. 5. Hluboké učení a komplexy QRS.
Příklad výstupů modelu hlubokého učení pro detekci a klasifikaci komplexů QRS (modré podbarvení) z jednosvodového EKG signálu (bílé podbarvení). QRS_A: pravděpodobnost, že je v daném místě síňová extrasystola. QRS_V: pravděpodobnost, že je v daném místě komorová extrasystola. QRS_S: pravděpodobnost, že je v daném místě normální QRS komplex. N_QRS: pravděpodobnost, že v daném místě není žádný QRS komplex. ECG: holterovský EKG signál, který obsahuje rušení. Na rozdíl od obr. 4 tento model dodává pro každé místo soubor pravděpodobností; jeho výstup tedy nemá „skokový“ charakter, jak je tomu u sítě z obr. 4, i když je jeho inferenční okno podobně dlouhé.

Rizika a limitace metod strojového učení

I když se jedná o AI, největší limitaci představuje člověk. Obr. 3 ukazuje, jaká je vlastně u strojového a hlubokého učení jeho úloha: volí metody, stanovuje architekturu, navíc navrhuje a sestavuje dataset a samozřejmě také rozhodne, na co se daný model ve výsledku použije. Každá z těchto činností představuje riziko chyby, z nichž uvedeme ty, které z vlastní zkušenosti považujeme za nejpodstatnější.

První rizikem je nevhodně zvolená metoda vzhledem k použitým datům. Příkladem je úloha pro detekci komplexů QRS. Na tuto úlohu byla velmi oblíbená volně dostupná databáze MIT-BIH ze serveru PhysioNet (18). Počet komplexů QRS v ní přesahuje 100 000, což zdánlivě umožňuje využít hluboké učení. Při bližším pohledu ovšem zjistíme, že data pocházejí pouze od 47 pacientů. Každý pacient bude mít v krajním případě několik morfologií komplexů QRS a zbytek se bude opakovat. Model detekce komplexů QRS, který by byl naučen na této databázi, bude možná vykazovat vynikající skóre pro samotnou MIT-BIH, ale jeho úspěšnost na jiných datech bude velmi pravděpodobně limitovaná a nelze ji považovat za obecně platnou, pokud nebude prokázána na nezávislých datech. Zásadní tedy není počet jednotlivých měření, ale počet pacientů.

Příbuzným rizikem je chybné rozdělení dat pro trénink, validaci a test. Pokud se od jednoho pacienta objeví EKG záznamy v tréninkové části dat a jiné záznamy toho samého pacienta v testovací části dat, pravděpodobně dojde k určité formě přetrénování (overfitting) a výsledný model může vykazovat falešně příznivé výsledky. Je tedy třeba vyžadovat tzv. testování out-of-patient. Rozdíl výkonnosti při testování out-of-patient a bez něj může dosahovat i desítek procent, což je naše vlastní zkušenost s nedodržením této zásady.

Dalším rizikem je přehlédnutá/neodhalená vazba na cílovou klasifikaci. Například u zdravých jedinců z kohorty bylo EKG pořízeno v prostředí elektromagneticky příznivém, zatímco u nemocných by bylo EKG nahráno jinde a s velkou mírou rušení. V takovém případě bude velmi pravděpodobné, že během hlubokého učení začne být síť citlivá na šum v pozadí namísto patologie samotné (a zde se vracíme k upozornění na dříve zmíněnou dvojsečnost faktu, že během učení síť využije opravdu cokoliv). I když kohorta bude mít dostatečnou velikost, výsledný model bude pro neznámá data generovat pravděpodobně chybné výsledky, protože na přítomnost patologie bude usuzovat především z rušení v signálu. Podobným rizikem by mohly být značky nebo texty v obrázcích z echokardiografie, CT atd. Tomuto riziku lze nejlépe předejít manuální kontrolou alespoň části dat a také použitím multicentrických údajů. Čím větší diverzity bude dosahovat tréninkový set, tím spíše se model hlubokého učení naučí dostatečně generalizovat.

Klinické ověření metod strojového či hlubokého učení

Metoda strojového učení nejpoužívanější v klinických studiích – logistická regrese – se ve srovnání s metodami hlubokého učení zdá primitivní a neobratná. Má ovšem vynikající vlastnost, chování konkrétních modelů logistické regrese lze výborně vysvětlit (např. čím víc pacient kouří, tím spíše dříve umře). Chování konkrétních naučených modelů složitějšího typu, jako je Random Forest nebo konvoluční neuronová síť, lze teoreticky také vysvětlit, ale kvůli velkému počtu parametrů (od stovek po desítky milionů a dál) to postrádá smysl. Takže pokročilé metody strojového učení jsou technicky vzato black box. Nicméně pro částečné vysvětlení chování naučených modelů byly v minulosti vyvinuty postupy, jak z nich získat informace, co je pro model důležité. Například výše zmíněný Random Forest dokáže z procesu učení ukázat pořadí, jak moc jsou příznaky pro jeho činnost podstatné. Pro sítě hlubokého učení lze zase s pomocí tzv. attention mechanismu (19) ukázat, která oblast dat nejvíce přispěla ke stanovení výsledku (20).

Užití strojového a hlubokého učení v kardiologii

Metody strojového učení pomáhají vytvořit kvalitnější modely, než jaké by sestavil člověk. Vyžadují ale pečlivé zacházení s daty a tento požadavek je přímo spjatý s množstvím parametrů, které se daný model učí. Zatímco logistická regrese či jednoduchý rozhodovací strom řadu prohřešků odpustí, metody hlubokého učení obratně „zneužijí“ jakoukoli chybu, kterou jim lidská obsluha poskytne. Z naší vlastní zkušenosti vyplývá, že důvěryhodný model hlubokého učení je pouze ten, který byl ověřen na nezávislých, nejlépe multicentrických datech. Nicméně ani to nemusí být zárukou dobře fungujícího modelu.

ZÁVĚR

Telemedicína se stává nedílnou součástí jednotlivých oborů medicíny. Měla by však být dobrým sluhou, a nikoli špatným pánem. Požadavky pacientů na zasílání a komunikaci se zdravotníky by mohly ve výsledku vést ke zhoršení kvality péče v důsledku zahlcení a přehlédnutí důležitých nálezů. Z tohoto důvodu je důležité pracovat na pokročilých softwarových modelech, které nám pomohou včas identifikovat důležité záchyty, jež mohou být předzvěstí zhoršení zdravotního stavu pacienta, resp. vést k jeho zbytečné hospitalizaci. Spojení softwarových inženýrů s reálnou praxí je klíčové pro úspěch takovýchto projektů.

Adresa pro korespondenci:

Mgr. Veronika Bulková, Ph.D, MHA

MDT – Mezinárodní centrum pro telemedicínu

Zábrdovická 2, 615 00  Brno

Tel.: 514 514 480

e-mail: veronika.bulkova@gmail.com


Zdroje
  1. Furman S, Parker B, Escher DJ, Schweldel JB. Instruments for evaluating function of cardiac pacemakers. Med Res Eng 1967; 6(3): 29–32.
  2. Kamarýt P, Rícný V, Habán J. Telefonické sledování kmitoctu impulsů implantovaných kardiostimulátorů. Vnitřní lékařství 1979; 25(4): 366–373.
  3. Ziegler PD, Rogers JD, Ferreira SW et al. Long-term detection of atrial fibrillation with insertable cardiac monitors in a real-world cryptogenic stroke population. Int J Cardiol 2017; 244: 175–179.
  4. Hutten H, Schreier G, Kastner P. Cardiac telemonitoring using pacemakers and the Internet. Medical & Biological Engineering & Computing 1999; 35 (Suppl. 2): 1295.
  5. Burri H, Senouf D. Remote monitoring and follow-up of pacemakers and implantable cardioverter defibrillators. Europace 2009; 11(6): 701–709.
  6. Tilz RR, Shaik N, Piorkowski C, Hu Y et al. Real-world adoption of smartphone-based remote monitoring using the confirm Rx™ insertable cardiac monitor. J Innov Card Rhythm Manag 2021; 12(8): 4613–4620.
  7. Gillberg J. Detection of cardiac tachyarrhythmias in implantable devices. J Electrocardiol 2007; 40(6 Suppl.): S123–S128.
  8. Lipoldová J, Novák M, Dvořák I a kol. Systém Biotronik Home Monitoring v klinické praxi. Cor et Vasa 2011; 53: 611–618.
  9. Varma N. Rationale and design of a prospective study of the efficacy of a remote monitoring system used in implantable cardioverter defibrillator follow-up: the Lumos-T reduces routine office device follow-up study (TRUST) study. Am Heart J 2007; 154(6): 1029–1034.
  10. Crossley GH, Boyle A, Vitense H et al. The CONNECT (Clinical Evaluation of Remote Notification to Reduce Time to Clinical Decision) trial: the value of wireless remote monitoring with automatic clinician alerts. J Am Coll Cardiol 2011; 57(10): 1181–1189.
  11. Mabo P, Victor F, Bazin P, Ahres S et al. A randomized trial of long-term remote monitoring of pacemaker recipients (the COMPAS trial). Eur Heart J 2012; 33(9): 1105–1111.
  12. Saxon LA, Hayes DL, Gilliam FR et al. Long-term outcome after ICD and CRT implantation and influence of remote device follow-up: the ALTITUDE survival study. Circulation 2010; 122(23): 2359–2367.
  13. Hindricks G, Táborský M, Glikson M et al. Implant-based multiparameter telemonitoring of patients with heart failure (IN-TIME): a randomised controlled trial. Lancet 2014; 384(9943): 583–590.
  14. Abraham A, Pedregosa F, Eickenberg M et al. Machine learning for neuroimaging with scikit-learn. Front Neuroinform 2014; 8: 14.
  15. Plešinger F, Nejedlý P, Viscor I et al. Parallel use of a convolutional neural network and bagged tree ensemble for the classification of Holter ECG. Physiol Meas 2018; 39(9): 094002.
  16. Paszke A, Gross S, Massa F et al. PyTorch: an imperative style, high-performance deep learning library. Article No.: 721. NIPS'19: Proceedings of the 33rd International Conference on Neural Information Processing Systems 2019 Dec: 8026–8037.
  17. Clifford GD, Silva I, Moody B et al. The PhysioNet/Computing in Cardiology Challenge 2015: Reducing false arrhythmia alarms in the ICU. Comput Cardiol 2015; 2015: 273–276.
  18. Moody GB, Mark RG. The impact of the MIT-BIH arrhythmia database. IEEE Eng Med Biol Mag 2001; 20(3): 45–50.
  19. Vaswani A, Shazeer N, Parmar N et al. Attention is all you need. NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems 2017 Dec: 6000–6010.
  20. Baltruschat IM, Nickisch H, Grass M et al. Comparison of deep learning approaches for multi-label chest X-ray classification. Sci Rep 2019; 9(1): 6381.
Štítky
Adiktológia Alergológia a imunológia Angiológia Audiológia a foniatria Biochémia Dermatológia Detská gastroenterológia Detská chirurgia Detská kardiológia Detská neurológia Detská otorinolaryngológia Detská psychiatria Detská reumatológia Diabetológia Farmácia Chirurgia cievna Algeziológia Dentální hygienistka
Článek ÚVODEM

Článok vyšiel v časopise

Časopis lékařů českých

Číslo 7–8

2021 Číslo 7–8
Najčítanejšie tento týždeň
Najčítanejšie v tomto čísle
Kurzy

Zvýšte si kvalifikáciu online z pohodlia domova

Získaná hemofilie - Povědomí o nemoci a její diagnostika
nový kurz

Eozinofilní granulomatóza s polyangiitidou
Autori: doc. MUDr. Martina Doubková, Ph.D.

Všetky kurzy
Prihlásenie
Zabudnuté heslo

Zadajte e-mailovú adresu, s ktorou ste vytvárali účet. Budú Vám na ňu zasielané informácie k nastaveniu nového hesla.

Prihlásenie

Nemáte účet?  Registrujte sa