Algoritme komt overeen met menselijke cardiologen bij het opsporen van hartaanvallen

Een hartinfarct of hartaanval treedt op wanneer de bloedtoevoer naar de hartspier permanent wordt verstoord door een of andere blokkade. De behandeling omvat ofwel het verwijden van de gewraakte slagader met een ballon of stent om het bloed weer te laten stromen of het volledig omzeilen van de blokkade met coronaire bypass-chirurgie.

Hoe dan ook, de interventie moet op tijd zijn en een snelle diagnose kan een enorm verschil maken. In de vaak chaotische omgeving van een spoedeisende hulp worden de tekenen van een hartaanval echter niet zelden over het hoofd gezien en zijn de gevolgen groot.

Dus een geautomatiseerde manier om de veelbetekenende tekens nauwkeurig en betrouwbaar te spotten, zou een belangrijke stap voorwaarts zijn. Maar ondanks veel onderzoek op dit gebied zijn geautomatiseerde hartbewakingssystemen aanzienlijk minder betrouwbaar dan getrainde cardiologen.

Vandaag lijkt daar verandering in te komen dankzij het werk van Nils Strodthoff aan het Fraunhofer Heinrich Hertz Instituut in Berlijn en Claas Strodthoff aan het Universitair Medisch Centrum Schleswig-Holstein in Kiel, beide in Duitsland. Deze jongens hebben een neuraal netwerk ontwikkeld dat de tekenen van een hartinfarct kan herkennen, en ze zeggen dat de machine voor het eerst overeenkomt met de prestaties van menselijke cardiologen.

Eerst wat achtergrond. Een van de beste manieren om een ​​hartaanval te diagnosticeren, is door een elektrocardiograaf te gebruiken om de elektrische output van het hart te meten. Een standaard ECG registreert het elektrische signaal van 12 verschillende leads die zijn aangesloten op verschillende delen van het lichaam van de patiënt.

Deze signalen onthullen op verschillende manieren het elektrische gedrag van het hart. Cardiologen weten al lang dat de signalen van sommige van deze leads diagnostisch nuttiger zijn dan andere als het gaat om hartaanvallen.

Maar het interpreteren van de gegevens is moeilijk. Een clinicus moet eerst een soort signaal op basisniveau uitwerken, eventuele ruis of beschadigde gegevens negeren en vervolgens individuele hartslagen isoleren. De clinicus zoekt vervolgens naar vooraf gedefinieerde of automatisch gedetecteerde tijdsintervallen en spanningswaarden voor elke slag.

Ten slotte moet hij of zij de juiste kenmerken in de hartslag identificeren en de aandoening dienovereenkomstig classificeren. Het classificatieproces wordt verder bemoeilijkt door de aanwezigheid van een signaal dat ST-elevatie wordt genoemd. Patiënten met dit signaal moeten zo snel mogelijk worden behandeld, terwijl die zonder dit signaal verdere tijdrovende tests nodig hebben.

Geen van deze stappen is eenvoudig. Ze worden inderdaad allemaal bemoeilijkt door onregelmatige of ongebruikelijke hartslagen, door lawaai en door gegevenscorruptie, die allemaal gebruikelijk zijn in een spoedafdeling.

Dus misschien is het geen verrassing dat mensen in al deze chaos aanzienlijk beter presteren dan machines.

Maar de afgelopen jaren hebben neurale netwerken aanzienlijke vooruitgang geboekt op het gebied van patroonherkenningsproblemen, zoals gezichts- en objectidentificatie. Er is dus grote interesse om deze technieken toe te passen op medische data waar ook patroonherkenning het doel is.

Strodthoff en Strodthoff hebben precies dat gedaan met een database van 148 ECG-records van patiënten met een hartinfarct en 52 gezonde controles. Ze gebruikten een schuifraamtechniek om gegevens naar een neuraal netwerk te sturen. Elk venster bevatte ten minste drie hartslagen.

Het team gebruikte 90 procent van de gegevens voor het trainen van een neuraal netwerk om de tekenen van een hartaanval te herkennen.

De rest van de data is gebruikt om het netwerk te testen, met interessante resultaten. De voorgestelde architectuur verslaat de huidige state-of-the-art benaderingen van deze dataset en bereikt een vergelijkbaar prestatieniveau als menselijke cardiologen voor deze taak, zeggen Strodthoff en Strodthoff.

Bovendien vertrouwen de machines bij voorkeur op de gegevens van dezelfde leads waarop menselijke cardiologen hebben leren vertrouwen.

Dat indrukwekkende resultaat toont het potentieel aan van intelligente machines om de gezondheidszorg drastisch te verbeteren. Maar perfect is het natuurlijk niet.

Een potentieel probleem is dat de hier gebruikte dataset relatief klein is. Algoritmen voor machine learning hebben over het algemeen enorme geannoteerde datasets nodig om goed te leren. Het maken van grotere datasets van de hartaanvalregistraties zal tijdrovend en moeilijk zijn. Maar alleen met grotere datasets kunnen clinici er zeker van zijn dat de algoritmen nauwkeurig zullen zijn in het brede scala van chaotische omgevingen waarin artsen werken.

Maar het potentieel is enorm. Machines kunnen een deel van de verveling en complexiteit van medicijnen voor menselijke artsen verlichten - en doen het zonder moe te worden. En de benadering die is ontwikkeld door Strodthoff en Strodthoff is algemeen toepasbaar op alle tijdreeksclassificatieproblemen van onbewerkte gegevens van apparaten zoals ECG's en EEG's, die in de geneeskunde overvloedig aanwezig zijn. Dus andere toepassingen zijn mogelijk

Wat betekent dat het zeker niet lang zal duren voordat de meesten van ons, althans gedeeltelijk, door machines worden gediagnosticeerd.

Referentie: arxiv.org/abs/1806.07385 : Myocardinfarcten detecteren en interpreteren met behulp van volledig convolutionele neurale netwerken

zich verstoppen