Новый алгоритм оценки диастолической дисфункции левого желудочка по данным одноканальной электрокардиограммы с использованием машинного обучения

Оценка диастолической функции левого желудочка (ДФ ЛЖ) играет важную роль в понимании работы сердца и его изменений при различных сердечно-сосудистых заболеваниях. Диастолическая дисфункция (ДД) ЛЖ развивается вследствие повышения жесткости стенки и/или нарушения расслабления ЛЖ.

ДД ЛЖ выявляется при гипертрофии ЛЖ, рестриктивной кардиомиопатии, ишемической болезни сердца, инфильтративных заболеваниях миокарда, констриктивном перикардите [1]. Снижение ДФ ЛЖ в норме наблюдается у пациентов старше 50 лет. Зачастую ДД ЛЖ является маркером хронической сердечной недостаточности с сохранной фракцией выброса (ХСНсФВ).

По данным российского эпидемиологического исследования ЭПОХА, число пациентов с ХСНсФВ с 2005 по 2017 г. увеличилось на 21,5%, что составило 53% от популяции всех больных хронической сердечной недостаточностью (ХСН) [2, 3]. По данным долгосрочного регистра ESC, 16% пациентов в амбулаторных условиях имеют ХСНсФВ [4].

Низкая специфичность жалоб (48—55%) при ХСН приводит к необходимости проведения скрининга малосимптомной ХСН с применением дорогостоящих лабораторных и ультразвуковых методов. Создание простой и эффективной методики скрининга при возникновении характерных жалоб является актуальной задачей.

При ранней диагностике ХСН и своевременном начале лечения риск общей смертности снизится на 11%, госпитализации — на 20%, смерти от сердечно-сосудистых заболеваний — на 8% [5]. Достижение таких показателей возможно при использовании телемедицинских технологий для проведения скрининга и контроля прогрессирования ХСН.

Одним из самых доступных и простых методов телемедицины является электрокардиограмма (ЭКГ). Преимуществом современных телемедицинских портативных ЭКГ-мониторов является возможность самостоятельной регистрации ЭКГ в любом месте без участия медицинского работника.

Существуют исследования, в которых показано, что определенные изменения на ЭКГ ассоциированы с ДД ЛЖ [6—9]. В течение последних лет были выполнены работы, в которых оценку ДД ЛЖ проводили с помощью спектрального анализа ЭКГ на основе машинного обучения [10—13]. Однако следует признать, что выявление ДД ЛЖ по данным ЭКГ не получило общего признания.

В Сеченовском Университете на основе методов машинного обучения при спектральном анализе одноканальной ЭКГ были выявлены параметры, имеющие корреляцию со значимой ДД ЛЖ.

Цель настоящего исследования — апробация данного алгоритма, создание которого позволит улучшить контроль течения ХСН, а также проводить широкомасштабный скрининг.

На первом этапе исследования в обучающую выборку включены 418 пациентов. Были выявлены параметры ЭКГ, имеющие высокую корреляцию с наличием значимой ДД ЛЖ. Такими параметрами являются QTc, Tpeak, Toffs, QRSfi. Интервал QTc указывал на наличие значимой ДД ЛЖ с чувствительностью 78% и специфичностью 65%, Tpeak >590 мс — с чувствительностью 63% и специфичностью 58%, Toffs >695 мс — с чувствительностью 63% и специфичностью 74%, QRSfi >674 мс — с чувствительностью 74% и специфичностью 57%. Комбинация пороговых значений по всем четырем параметрам повысила чувствительность до 86% и специфичность до 70% (OR 11,7 [2,7; 50,9], p<0,001). На основании полученных результатов была проведена модернизация алгоритма по выявлению значимой ДД ЛЖ с помощью одноканальной ЭКГ на основе элементов машинного обучения.

На втором этапе проведено проспективное нерандомизированное наблюдательное одноцентровое исследование. В тестовую выборку с января 2021 г. по сентябрь 2021 г. последовательно включены 217 пациентов. Все участники старше 18 лет обратились амбулаторно или были госпитализированы в кардиологическое отделение Университетской клинической больницы №1 Сеченовского Университета. От каждого включенного в исследование было получено письменное информированное добровольное согласие.

Работа финансировалась Министерством науки и высшего образования Российской Федерации в рамках государственной поддержки создания и развития научных центров мирового уровня «Цифровой биодизайн и персонализированное здравоохранение» №075-15-2020-926.

Протокол исследования составлен в соответствии с Хельсинкской декларацией и утвержден на заседании локальной этической комиссии Сеченовского Университета (№10-19 от 17.07.2019). Исследование зарегистрировано на сайте ClinicalTrials.gov (ID NCT04474639).

В исследование не включали пациентов с установленным кардиостимулятором, выявленными изменениями ЭКГ, не позволяющими проводить спектральный анализ, тяжелыми пороками клапанов сердца.

Из 217 пациентов исключены 17 человек: 11 (5,1%) пациентов — из-за невозможности оценить диастолическую функцию вследствие плохой визуализации при эхокардиографии (ЭхоКГ), 6 (2,8%) пациентов — из-за неудовлетворительного качества записи ЭКГ.

В ходе исследования за один день проводили сбор анамнеза, ЭхоКГ-обследование на аппарате GE VIVID 7 с оценкой ДФ ЛЖ на основании действующих рекомендаций [14], регистрацию ЭКГ проводили непосредственно после ЭхоКГ в течение 3 мин в положении сидя в покое. Записывали I стандартное отведение с помощью одноканального портативного электрокардиографа CardioQVARK (рис. 1).

Рис. 1. Одноканальный портативный электрокардиограф CardioQVARK.

Устройство CardioQVARK представляет собой чехол для телефона с датчиком ЭКГ и отражающим датчиком MAX30102 для регистрации пульсовой волны. На сегодняшний день оно является единственным зарегистрированным в Российской Федерации одноканальным портативным электрокардиографом (регистрация в Федеральной службе по надзору в сфере здравоохранения РФ от 15 февраля 2019 г. №РЗН 2019/8124).

В ходе исследования были оценены длины, амплитуды и частотные параметры волн ЭКГ-комплекса, энергии сигнала ЭКГ в целевых зонах различных сегментов, показатели асимметрии. Примененный спектральный анализ ЭКГ на основе вейвлет-преобразования позволил выявить особенности, недоступные для анализа при обычном рассмотрении ЭКГ врачом.

Вейвлет-преобразование представляет собой разложение ЭКГ по цветовым спектрам в зависимости от времени (ось Х) и частоты (ось Y). Значение мощности кодируется определенным цветом. На рис. 2 на цв. вклейке приведен пример вейвлет-преобразования одного ЭКГ-комплекса. По горизонтальной оси располагается временная шкала, по вертикальной оси — шкала частот. Градиентом цвета закодировано значение мощностей (красный — большие положительные значения, синий — большие по модулю отрицательные значения, зеленый — малые значения).

Рис. 2. Вейвлет-преобразование и параметры одного ЭКГ-комплекса.

TA — амплитуда T-волны; Rpeak — позиция R-пика; Speak — позиция S-пика; PAn — отрицательная амплитуда волны P; PpeakP — позиция положительного пика P-волны; PpeakN — позиция отрицательного пика P-волны; RA — амплитуда R-волны; SA — амплитуда S-волны; JA — амплитуда в точке J; J80A — амплитуда в точке J + 80мс; Pst — маркер начала P-волны; Pfi — маркер конца P-волны; QRSst — маркер начала QRS-комплекса; QRSfi — маркер конца QRS-комплекса; Tfi — маркер конца T-волны; Tpeak — позиция пика T-волны; Tons — точка максимального наклона на переднем фронте T-волны; Toffs — точка максимального наклона на заднем фронте T-волны.

Был проведен анализ всех случайных комбинаций параметров ЭКГ. Их число составило около 60 млн. При выборе комбинации не более 4 из 200 одновременно заданных параметров использовали логистическую регрессию для поиска наиболее оптимальных показателей для выявления ДД ЛЖ. Это недоступно при обычном статистическом анализе без прикладного машинного обучения.

Всего в исследование включены 217 пациентов. После исключения 17 человек по указанным выше причинам 200 были включены в окончательный анализ. Основные характеристики участников исследования представлены в табл. 1.

Таблица 1. Основные характеристики пациентов (n=200)

При применении модели ДФ оценивали по следующей шкале: «норма» (зеленый цвет), «нарушена» (желтый цвет), «выраженное нарушение» (красный цвет). «Норма» определялась отсутствием диастолической дисфункции при ЭхоКГ или же сомнительными данными о наличии диастолической дисфункции, «нарушена» — диастолическая дисфункция 2-й ст., «выраженное нарушение» — диастолическая дисфункция 3-й ст. по данным ЭхоКГ (рис. 3 на цв. вклейке). Определение ДД при ЭхоКГ проводили согласно действующим рекомендациям.

Рис. 3. Пример заключения о наличии ДД ЛЖ, предоставляемого пациенту.

Среди пациентов, включенных в анализ, у 62 отмечена ДД 2-й ст., у 8 — ДД 3-й ст. ДД верно определена у 60 из 62 пациентов с ДД 2-й ст. и у 7 из 8 пациентов с ДД 3-й ст. Кроме того, у 3 пациентов алгоритм показал наличие нарушенной ДФ ЛЖ (ДД 2-й ст.), у 1 пациента — «выраженное нарушение», тогда как при ЭхоКГ признаков ДД не было. Диагностическая точность разработанной модели представлена в табл. 2.

Таблица 2. Диагностическая точность разработанного алгоритма в выявлении ДД ЛЖ

Алгоритм показал высокую чувствительность и специфичность в выявлении клинически значимой ДД ЛЖ.

ХСН является одной из главных причин смертности в популяции, а также характеризуется высоким риском госпитализации [15, 16]. У 4,8% пациентов при ХСН снижаются качество жизни и трудоспособность [16]. У лиц с ХСНсФВ одной из ключевых задач является оценка ДФ ЛЖ. Определение данного параметра возможно при ЭхоКГ. Однако данный метод не может быть использован в качестве скринингового, особенно на амбулаторном этапе.

В литературе встречаются исследования, в которых показана возможность использования данных 12-канальной ЭКГ для выявления ДД ЛЖ [6, 17—19]. Интервал QR, временные параметры зубца P оказались предикторами наличия ДД ЛЖ [17, 18, 20]. В вышеуказанных работах комплексный анализ параметров ЭКГ, а также спектральный анализ ЭКГ не проводился.

В 2018 г. опубликована работа, в которой нарушение расслабления ЛЖ выявляли с помощью метода машинного обучения («Случайный лес»). Был проведен анализ 12-канальной ЭКГ с использованием вейвлет-преобразования. Предсказание снижения расслабления ЛЖ методом «Случайный лес» проводилось с чувствительностью 80% и специфичностью 84% [11].

Персональные портативные регистраторы ЭКГ позволяют получить запись, как правило, в одном отведении. Работы по определению ДД ЛЖ по одноканальной ЭКГ с помощью искусственного интеллекта отсутствуют. Мы провели исследование, в котором на основании алгоритмов машинного обучения прогнозировали наличие ДД ЛЖ по данным одноканальной ЭКГ. Анализ ЭКГ проводили с помощью вейвлет-преобразования. Множество полученных параметров были проанализированы на ассоциацию с наличием ДД ЛЖ, а затем включены в многофакторные алгоритмы. Данный подход может быть использован в качестве скринингового обследования.

В Сеченовском Университете был создан алгоритм для определения ДД ЛЖ при спектральном анализе одноканальной ЭКГ на основе методов машинного обучения. Снижение ДФ ЛЖ до 1-й ст. в норме может наблюдаться у пациентов старше 50 лет. ДД 1-й ст. не влияет на прогноз и не является причиной тяжелой и инвалидизирующей ХСН. При выявлении ДД ЛЖ 2-й ст. чувствительность и специфичность алгоритма составили 98,3% и 97,8%, ДД 3-й ст. — 87,5% и 99,5%, ДД 2-й и 3-й ст. — 95,6% и 97,7% соответственно. Диагностическая точность алгоритма также показала высокие значения: 97,5%, 99,0% и 96,5% соответственно.

Полученные результаты позволяют говорить о создании довольно точного алгоритма, позволяющего проводить удаленное скрининговое определение ДД ЛЖ, а также контролировать течение ХСН.

Мы не включали пациентов с тяжелыми пороками сердца, нарушениями внутрисердечной проводимости и другими состояниями, при которых спектральный анализ ЭКГ был бы затруднен. В отдельных работах следует определить возможности разработанных моделей у пациентов с тяжелыми поражениями сердца, при которых значительно разнятся морфологии комплексов ЭКГ.

Мы не ставили задачу и не проводили анализ по выявлению ДД ЛЖ 1-й ст. в связи с возможными физиологическими причинами ее снижения.

Не изучена точность разработанных моделей отдельно на пациентах с тяжелой ХСН — IV функционального класса по NYHA. В нашем исследовании не было таких пациентов.

Проведение спектрального анализа частотных и амплитудных параметров ЭКГ позволило создать модели для выявления значимой ДД ЛЖ. Достигнутые результаты обосновывают принципиальную возможность удаленного скринингового определения ДД ЛЖ на основании параметров одноканальной ЭКГ.

Работа финансировалась Министерством науки и высшего образования Российской Федерации в рамках государственной поддержки создания и развития научных центров мирового уровня «Цифровой биодизайн и персонализированное здравоохранение» №075-15-2020-926.

Авторы заявляют об отсутствии конфликта интересов.