Оценка систолической функции левого желудочка с помощью одноканального ЭКГ-монитора с функцией фотоплетизмографии на основе моделей машинного обучения

Хроническая сердечная недостаточность (ХСН) является одной из значимых проблем современного здравоохранения. Развитие сердечной недостаточности чаще всего обусловлено дисфункцией миокарда (снижением систолической и/или диастолической функции левого желудочка (ЛЖ)) [1]. Согласно исследованиям, основанным на анализе госпитализаций по поводу сердечной недостаточности, около 50% всех случаев ХСН связаны со снижением систолической функции ЛЖ [2—4]. В то же время, по данным европейского амбулаторного регистра, около 60% пациентов, у которых диагностирована сердечная недостаточность, имеют сниженную фракцию выброса (ФВ), 24% — промежуточную ФВ и лишь 16% — сохранную ФВ [5]. Определение систолической функции ЛЖ необходимо не только для своевременного выявления сердечной недостаточности и постановки правильного диагноза, но и для дальнейшего контроля за состоянием пациента.

Наиболее распространенным исследованием для оценки систолической функции ЛЖ является эхокардиография (ЭхоКГ). Она позволяет достаточно точно определить основные показатели сократительной функции миокарда (среди которых ФВ ЛЖ и интеграл линейной скорости кровотока в выносящем тракте ЛЖ). Однако использование этого метода иногда затруднительно вследствие ограниченной доступности, стоимости и зависимости от опыта врача, проводящего исследование. Таким образом, ЭхоКГ не всегда подходит для скрининга или периодического мониторирования состояния пациента.

В течение последних лет активно разрабатываются методы для оценки сократительной функции ЛЖ с использованием таких доступных инструментальных методов диагностики, как электрокардиография и/или фотоплетизмография. Проведен ряд исследований, доказавших возможность оценки систолической функции ЛЖ с помощью анализа электрокардиограммы (ЭКГ). В этих исследованиях проводили анализ комплекса QRS, интервала QT, а также определяли взаимосвязь между наличием блокады левой ножки пучка Гиса и сократительной функцией миокарда [6—12]. Также существуют работы по изучению влияния снижения систолической функции ЛЖ на морфологию пульсовой волны (фотоплетизмограммы, ФПГ), а также по оценке сердечного выброса по данным ФПГ [13—17].

В нашем исследовании изучали оценку сократительной функции миокарда по параметрам ЭКГ и ФПГ, зарегистрированным с использованием одноканального ЭКГ-монитора с функцией фотоплетизмографии CardioQVARK. Данный прибор представляет собой чехол для смартфона с датчиками для регистрации ЭКГ и ФПГ.

Цель данной работы — разработка моделей машинного обучения для определения снижения систолической функции ЛЖ с помощью одноканального ЭКГ-монитора с функцией фотоплетизмографии CardioQVARK.

В исследование были включены 400 пациентов в возрасте старше 18 лет, которые проходили амбулаторное или стационарное лечение в Университетской клинической больнице №1 ФГАОУ ВО «Первый Московский государственный медицинский университет им. И.М. Сеченова». Проспективное обсервационное исследование (регистрация на ClinicalTrials.gov: ID NCT04788342) было одобрено на заседании локального Этического комитета (номер протокола 14—19).

Все пациенты предоставили информированное письменное согласие на участие в исследовании.

Критерии включения:

— возраст пациента старше 18 лет;

— наличие подписанного согласия на участие в исследовании.

Критерии невключения:

— нарушения проводимости сердца (синоатриальная блокада, атриовентрикулярная блокада, блокада правой и/или левой ножки пучка Гиса);

— наличие установленного электрокардиостимулятора, кардио-ресинхронизирующей терапии (CRT) и кардиовертера-дефибриллятора (ИКД);

— наличие значимого клапанного поражения;

— наличие острого эндокардита/миокардита/перикардита.

Критерии исключения:

— плохое качество записей ЭКГ и ФПГ;

— плохое качество визуализации при ЭхоКГ.

Всем участникам исследования проводили физикальное обследование с пальпацией, перкуссией, аускультацией, измерением систолического и диастолического артериального давления (АД).

Всем пациентам выполняли трансторакальную ЭхоКГ согласно рекомендациям Американского общества эхокардиографии и Европейской ассоциации по сердечно-сосудистой визуализации [18, 19]. Ультразвуковое исследование проводили на приборе Vivid 7 PRO General Electric Medical System с определением основных показателей сократительной функции миокарда ЛЖ: ФВ ЛЖ, оцениваемой с помощью метода Симпсона, VTI в выносящем тракте ЛЖ (интеграл линейной скорости кровотока).

В течение 5 мин после ЭхоКГ проводили 3-минутную запись ЭКГ и ФПГ с пальцев рук пациента в состоянии покоя. Регистрацию ЭКГ и ФПГ выполняли одноканальным ЭКГ-монитором с функцией фотоплетизмографии CardioQVARK (ООО «Л Кард», Москва, Россия). Данный портативный монитор является чехлом для смартфона и проводит синхронную запись ЭКГ в I стандартном отведении и пульсовой волны (ФПГ) (регистрация в Федеральной службе по надзору в сфере здравоохранения от 15.02.19 №РЗН 2019/8124). Затем все зарегистрированные ЭКГ и ФПГ передавали на сервер с помощью приложения для смартфона. Все записи подвергали обработке и анализу с использованием вейвлет-преобразования, затем рассчитывали временные, амплитудные и спектральные параметры волн (табл. 1, 2).

Таблица 1. Параметры ЭКГ

Таблица 2. Параметры ФПГ

Статистический анализ данных был выполнен в среде Anaconda (r 2021.05, Python 3.8.8). Построение моделей машинного обучения проводили с использованием языка программирования Python v3.8.8 на основе методов регрессии Лассо и «случайный лес». Все данные были разделены с помощью генератора псевдослучайных чисел на группы в соотношении 70%/30%, где 70% составила обучающая выборка, а 30% — тестовая.

Построение моделей проводили на основе параметров ЭКГ и ФПГ, а также данных анамнеза (наличия или отсутствия ишемической болезни сердца, гипертонической болезни, курения и т.д.).

Итоговые модели предсказывали наличие снижения систолической функции ЛЖ: снижение ФВ ЛЖ и VTI в выносящем тракте ЛЖ. Для оценки диагностической точности полученных моделей рассчитывали значения площади под кривой (area under curve, AUC), чувствительность и специфичность.

Были получены 400 записей ЭКГ и ФПГ соответственно. Из исследования были исключены 18 пациентов по причине недостаточной визуализации сердца при ЭхоКГ (n=10) и неудовлетворительного качества записей ЭКГ и ФПГ (n=8). В окончательный анализ вошли 382 пациента (59,9% мужчин, 40,1% женщин, средний возраст 56±17,4 года). Описание выборки представлено в табл. 3.

Таблица 3. Характеристика пациентов

В соответствии со снижением сократительной функции ЛЖ все пациенты были условно поделены на две группы: с нормальной и сниженной систолической функцией ЛЖ. При этом учитывали 2 критерия снижения систолической функции: ФВ ЛЖ <55% и VTI в выносящем тракте (ВТ) ЛЖ <16 см.

Пациенты со сниженной сократительной функцией ЛЖ были разделены на пять групп. Соотношение конечных точек представлено в табл. 4.

Таблица 4. Соотношение конечных точек

Основные этапы создания прогностических моделей приведены на рис. 1. Данные этапы были проведены по всей выборке пациентов для каждой конечной точки.

Рис. 1. Основные этапы создания прогностических моделей.

Вся группа пациентов была случайным образом разделена на обучающую и тестовую выборки в пропорциях 70% к 30%. В обучающей выборке предикторы, содержащие непрерывные числовые признаки, были стандартизованы, номинальные предикторы были преобразованы в бинарные. В тестовой выборке проведена стандартизация на основании результатов в обучающей выборке.

Для обучающей группы проведен отбор наилучших предикторов, связанных с таргетной переменной. Использованы два алгоритма: регрессия Лассо (Lasso) и «случайный лес» (Random Forest classifier, RFC) [20, 21].

Регрессия Лассо позволяет проводить такой отбор предикторов с помощью наиболее высоких коэффициентов, через которые предиктор связан с таргетной переменной.

После отбора предикторов для каждого алгоритма (Lasso или RFC) проводили трехкратную кросс-валидацию с определением AUC, после чего выбирали модель с наивысшим AUC.

Наилучшие модели были валидизированы на тестовой выборке с расчетом AUC, чувствительности и специфичности, результаты такой оценки приведены ниже.

Данные этапы повторяли для каждой конечной точки.

Ниже для каждого алгоритма и для каждой конечной точки представлены основные предикторы, имевшие наибольшую связь с таргетной переменной.

В табл. 5 и 6 представлены признаки, которые использовались для построения моделей на основе регрессии Лассо, а также стандартизованные коэффициенты для ФВ и VTI соответственно.

Таблица 5. Признаки, участвующие в построении моделей на основе регрессии Лассо, и стандартизованные коэффициенты для ФВ

Таблица 6. Признаки, участвующие в построении моделей на основе регрессии Лассо, и стандартизованные коэффициенты для VTI

В табл. 7 приведены параметры, отобранные для построения моделей с использованием алгоритма «случайный лес».

Таблица 7. Отобранные параметры для моделирования по ФВ

Для наилучших моделей регрессии Лассо по всем конечным точкам получены следующие результаты (табл. 8, рис. 2, 3).

Таблица 8. Значения площади под кривой, чувствительности и специфичности для ФВ ЛЖ

Рис. 2. Площадь под кривой, чувствительность и специфичность для VTI <13 см.

AUC 0,754 (0,417—1,000), чувствительность 0,800 (0,400—1,000), специфичность 0,833 (0,729—1,000).

Рис. 3. Площадь под кривой, чувствительность и специфичность для VTI <16 см.

AUC 0,746 (0,595—0,897), чувствительность 0,765 (0,471—0,941), специфичность 0,750 (0,536—0,929).

Данные представлены в табл. 9, 10, на рис. 4, 5.

Таблица 9. Площадь под кривой, чувствительность и специфичность для ФВ ЛЖ

Таблица 10. Отобранные параметры для моделирования по VTI

Рис. 4. Площадь под кривой, чувствительность и специфичность для VTI <13 см.

AUC 0,776 (0,561—0,992), чувствительность 0,800 (0,400—1,000), специфичность 0,781 (0,281—0,958).

Рис. 5. Площадь под кривой, чувствительность и специфичность для VTI <16 см.

AUC 0,782 (0,657—0,907), чувствительность 0,765 (0,471—1,000), специфичность 0,774 (0,535—0,964).

В течение последних лет активно разрабатываются алгоритмы для определения систолической функции сердца. В настоящее время на базе клиники Мейо разработаны алгоритмы для определения сократительной функции ЛЖ с применением анализа 12-канальной ЭКГ. Ученые создали модель для оценки систолической дисфункции ЛЖ, которая имела значения чувствительности, специфичности и точности 86,3, 85,7 и 85,7% соответственно. Площадь под ROC-кривой составила 0,93 [22]. В дальнейшем данный алгоритм был протестирован как для выявления снижения ФВ ЛЖ по данным ЭхоКГ, так и для прогнозирования снижения сократительной функции ЛЖ [23]. Особенностью данного алгоритма была возможность определения выраженной систолической дисфункции ЛЖ, критерием которой выступала только ФВ ЛЖ <35%. Таким образом, исключалась оценка промежуточной ФВ, а также снижение ФВ <40%.

Также активно разрабатываются алгоритмы для оценки сердечного выброса по данным пульсовой волны (фотоплетизмографии). Сердечный выброс представляет собой произведение ударного объема крови и частоты сердечных сокращений и является ключевым параметром гемодинамики и систолической функции сердца. На данный момент уже создан ряд алгоритмов для определения сердечного выброса по форме пульсовой волны, однако большинство разработанных устройств не является портативным и не подходит для самостоятельного использования в клинической практике [24, 25].

В нашей работе разрабатывали модели для оценки систолической функции ЛЖ, основанные на анализе параметров ЭКГ и ФПГ с применением методов машинного обучения (регрессии Лассо и алгоритма «случайный лес»). В качестве критериев снижения сократительной функции сердца, кроме общепринятой ФВ ЛЖ, использовали и дополнительный признак: VTI в выводном тракте ЛЖ. Пациенты были классифицированы согласно этим критериям на пять групп: ФВ менее 55, 40, 30% и VTI менее 16 и 13 см соответственно. Точность моделей для каждой группы была достаточно высокой. Причем следует отметить, что оба алгоритма машинного обучения (регрессия Лассо и «случайный лес») продемонстрировали весьма хорошие результаты. При этом модели, основанные на регрессии Лассо, чуть более точно определяли снижение ФВ, а алгоритм «случайный лес» — снижение VTI в выводном тракте ЛЖ.

Как ЭКГ, так и ФПГ являются весьма доступными методами медицинской диагностики. Кроме того, существуют современные приборы для записи ЭКГ и ФПГ, которые позволяют пациенту проводить регистрацию самостоятельно, т.е. без участия медицинского персонала. Данные технологии могут позволить проводить оценку состояния пациента дистанционно и с необходимой периодичностью, что весьма важно при ведении пациентов с сердечно-сосудистыми заболеваниями.

Таким образом, разработка алгоритмов для оценки сократительной функции миокарда по ЭКГ и/или ФПГ может позволить проводить более тщательный контроль течения сердечно-сосудистого заболевания. Своевременное выявление снижения или изменения систолической функции ЛЖ будет способствовать постановке правильного диагноза, назначению лечения и снижению госпитализации по поводу ХСН, а также уменьшению общей распространенности сердечно-сосудистых заболеваний.

Модели машинного обучения, построенные на основе параметров ЭКГ и ФПГ, продемонстрировали достаточно высокую точность в определении снижения систолической функции ЛЖ. Простота использования монитора для регистрации ЭКГ и ФПГ, который применялся в данной работе, а также предоставление пациенту возможности проведения самостоятельной записи сигналов могут облегчить выявление снижения систолической функции ЛЖ и дальнейший динамический мониторинг. Таким образом, результаты этого исследования могут внести вклад в развитие метода дистанционной оценки сократительной функции сердца, что позволит проводить более тщательный контроль за состоянием здоровья пациента.

В работу не включали пациентов со значимым клапанным поражением, блокадой левой ножки пучка Гиса, установленным электрокардиостимулятором, а динамическая оценка сократительной способности миокарда этим пациентам также необходима.

Созданные модели являются, скорее, опорными прототипами, в отношении которых предполагается более широкая валидизация. Разбалансированность классов конечных точек и относительно небольшое число пациентов не позволили провести полноценную калибровку моделей, в связи с чем авторы ограничиваются оценкой качества моделей на основании вероятности принадлежности к классам. В связи с продолжающимся набором больных в исследование планируется существенно усложнить процесс обучения моделей и их валидизацию для получения робастных моделей, готовых к внедрению.

Финансирование: данное исследование было профинансировано Министерством науки и высшего образования Российской Федерации в рамках государственной поддержки создания и развития исследовательских центров мирового уровня «Цифровой биодизайн и персонализированное здравоохранение» №075-15-2020-926.

Благодарность: авторы выражают благодарность ООО «Л Кард» (Москва, Россия) за предоставление устройства CardioQVARK, использованного в этом исследовании.

Авторы заявляют об отсутствии конфликта интересов.