健心知著
2022.07.22
第184期
使用深度学习算法从心电图中识别左右心室功能障碍
刘健、霍黎明、孙浩宁
北京大学人民医院
健心荐语
心力衰竭给整个社会带来严重的健康负担，全球至少有6400万人受到心衰的影响。最新版AHA心衰管理指南也推荐对心功能不全的患者早发现、早诊断及分阶段干预。左心室射血分数（LVEF）是评估左心室收缩功能的一种量化指标，可以用来评估患者心衰疾病严重程度、治疗反应及判断预后，但是本项检查依赖于操作者本人技术。目前，医学界对于右心室功能的评估还没有一种实用性强的手段。本研究通过利用深度学习算法构建出一个从心电图数据得出左右心室功能障碍诊断的模型，为医学界提供一种方便获取、价格低廉的筛查心室功能障碍工具。
文章及试验方法介绍
本研究是一项多中心、回顾性研究。研究者将LVEF分为LVEF≤40%、LVEF>40%和≤50%，及LVEF>50%三个类别，将心电图报告描述的右心室收缩功能障碍及右心室扩大定义为右心室功能障碍。研究者通过搜集患者心电图及与之相匹配的7天内的超声心动图参数，运用2D卷积神经网络、深度学习算法相关技术，构建了用于预测不同类别左心室功能障碍及有无右心室功能障碍的模型。本文于2022年3月发表于Cardiovascular Imaging杂志。
研究结果
研究者从电子病历系统获得715,890份心电图和与之匹配的147,636名患者的超声心动图LVEF值，用自然语言处理 (NLP) 方法从148,227名患者的与761,510份心电图配对的404,502份超声心动图报告中提取右心室大小和功能信息。对于内部测试中的LVEF分类，该模型预测LVEF≤40%、40%<LVEF≤50% 和 LVEF>50%时的曲线下面积 (AUC) 为0.94 (95% CI:0.94–0.94)、0.82 ( 0.81–0.83) 和0.89 (0.89–0.89)。对于外部验证，这些结果分别为 0.94 (0.94–0.95)、0.73 (0.72–0.74) 和 0.87 (0.87–0.88)。内部测试的平均绝对误差为5.84% (5.82–5.85)，外部验证的平均绝对误差为6.14% (6.13–6.16)。对于复合右心室功能的预测，该模型的内部测试和外部验证的AUC均为 0.84 (0.84–0.84)。
图1a：LVEF数据集内部测试相关数据
图1b：LVEF数据集外部验证相关数据
图1c：该模型在预测LVEF≤40% 的患者中AUROC 值为0.94（95% CI：0.94 – 0.95），内部测试的AUPRC值为0.72（95% CI：0.71 – 0.73），外部验证的AUPRC值为0.88（95% CI：0.88 – 0.89）。该模型在预测LVEF值>40% 和≤50% 时性能较低，内部测试中AUROC为0.82（95% CI：0.81 – 0.83），对于外部验证为0.73（95% CI：0.72 – 0.74）。内部测试的AUPRC值为0.33 (95% CI: 0.3 – 0.36)，外部验证的AUPRC值为 0.29 (95% CI: 0.28 – 0.31)。在LVEF > 50% 部分，内部测试的 AUROC 为 0.89（95% CI：0.89 – 0.89），外部验证为0.87（95% CI：0.87 – 0.88），内部测试为的AUPRC为0.96 (95% CI: 0.96 – 0.96)，外部验证为0.90 (95% CI: 0.90 – 0.91)。
图1d：该模型在左室射血分数预测中的表现
图2a：右心室功能数据集内部测试相关数据
图2b：右心室功能数据集外部验证相关数据
图2c：该模型在预测右心室收缩功能障碍或右心室扩大方面，内部测试的AUROC 为 0.84（95% CI：0.84 – 0.84），外部验证中也是0.84（95% CI：0.84 – 0.84）。在AUPRC方面内部测试为0.67（95% CI：0.66 – 0.67），外部验证值为0.55（95% CI：0.54 – 0.55）。
图2d：该模型在预测右心室收缩功能障碍或右心室扩大复合结果中的表现
结 论
深度学习模型可以从心电图中挖掘出那些既往需要超声心动图的双心室功能的信息。这样的模型增强了心电图在双心室疾病进展为心力衰竭筛查和管理中的价值。
点评
深度学习算法可以帮助研究者识别变量之间微妙的关联。本研究根据最新版心衰指南及定义进行建模，有着更强的临床实用性，并且构建出一种用心电图来识别右心室功能障碍的深度学习模型，在内部测试及外部验证都得出较为满意的结果，有利于疾病的早期诊断。但是本研究左心室射血分数的测量受到操作者内部及操作者间的波动影响，同时在疾病急性期LVEF测量值与真实值之间也存在误差等不足。将来也需要更多的前瞻性研究确定如何利用心电图上的深度学习模型来指导心衰管理中的临床决策。
