Употреба на вештачка интелигенција при откривање на атријална фибрилација; iTransfer
Објавено од: Адријан Ифтене
Објавено на: 20 декември 2019 година
Што е атријална фибрилација? Атријалната фибрилација е нарушување на срцевиот ритам (аритмија) што предизвикува неправилно чукање на срцето.
Срцето е поделено на 4 комори (2 преткомори и 2 комори), и се формираат две од нив десно срце, што пумпа крв до белите дробови. Пумпувањето е координирано од мрежа на електрични приклучоци, иницирана од пејсмејкер (наречен синусен јазол), што предизвикува редовно контракција на срцето. При атријална фибрилација, пејсмејкерот повеќе не работи правилно, произведувајќи неправилни електрични сигнали. Доведува до ситуација кога преткоморите не се собираат правилно, протокот на крв забавува или стагнира, а коморите неправилно се собираат (Видете слика 1).
Како што може да се види на слика 2, ЕКГ ја покажува разликата помеѓу нормалното однесување на срцето (лево) и неправилното срцево однесување при атријална фибрилација (десно).
Атријална фибрилација (АФ) е најчестото нарушување на срцевиот ритам кое влијае на милиони луѓе. Бројот на пациенти продолжува да расте од година во година и во Европа и во Америка (Кам и сор., 2010).
Причините за AF се повеќекратни (Работна група FA, 1993):
- Најчести: исхемична срцева болест, хипертензија, срцева слабост, валвулопатии.
- Други поретки причини: вродени болести, дисфункција на тироидната жлезда, дебелина, апнеја при спиење, хронично белодробно заболување, дијабетес, бубрежна слабост.
- AF може да се појави и по операција на градите и особено на срцето.
Едно време, АФ беше наречена пароксизмална фибрилација и хронична атријална фибрилација. Подоцна, беа препорачани и други класификации, а неодамна Европското здружение за кардиологија излезе со следниов предлог за класификација (Camm et al., 2010):
- Првата дијагноза или прво откривање, без оглед на времетраењето или присуството/отсуството на симптоми.
- Пароксизмална атријална фибрилација, што завршува спонтано за помалку од 7 дена, обично 24 часа.
- Постојана атријална фибрилација, што не завршува за 7 дена. Бара фармаколошки или електричен третман.
- Постојана атријална фибрилација, трае повеќе од 1 година, а третманот со конверзија немаше ефект или не се обиде.
Преваленцата на атријална фибрилација со возраста може да се види на слика 3, според студијата Антикоагулација и фактори на ризик во студијата на атријална фибрилација (Шмид и сор., 2011). Броевите го претставуваат бројот на мажи и жени со атријална фибрилација во секоја возрасна група. Може да се види дека мажите се повеќе склони кон оваа болест во споредба со жените. Исто така, со зголемување на возраста, шансите за атријална фибрилација се зголемуваат и кај мажите и кај жените.
Електрокардиограм
Миокардот генерира електрично поле, кое се шири на површината на кожата. Оттука, електричното поле може да се снима со поставување на електроди во одредени точки во човечкото тело. Графикот што произлегува од ова снимање се нарекува електрокардиограм (ЕКГ). Електрокардиограмот е графички запис за варијации во електричниот потенцијал што се јавува при срцева активност.
Електрокардиограмот дава информации за:
- Срцев ритам;
- Потеклото на импулсот и неговото ширење (спроводливост) низ масата на миокардот;
- Големината на срцевите шуплини;
- Позицијата на срцето;
- Екстензија и локализација на акутен миокарден инфаркт (АМИ);
- Ефектите од промена на концентрацијата на електролити врз својствата на миокардот;
- Ефектите на некои лекови врз активноста на срцето;
- Работа на вештачки пејсмејкер вграден кај пациент;
- Претставува „златен стандард“ за дијагностицирање на ритам и нарушувања на возењето.
ЕКГ-патеката се состои од бранови, сегменти и интервали (види слика 4):
- Б бран;
- сегмент Pq;
- комплексот qRs;
- сегментот S-T;
- Т бран;
- qT интервал; +/- бран U.
Во последниве години, вештачката интелигенција се повеќе се користи во многу области, вклучително и во медицинската област. Сведоци сме на вистинска револуција во медицината и машинското учење, нервните мрежи, IoT (Интернет на нештата), нанотехнологиите доаѓаат да им помогнат на лекарите од една страна (аргументирано да одлучуваат за дијагноза или третман) и болнички медицински сестри (за следење полесно пациенти), а од друга страна пациенти (кои имаат корист од персонализирани третмани прилагодени на нив и на болеста што ја имаат) и нивните семејства (кои можат да помогнат во процесите на лекување и закрепнување на пациентите) (Бурлаку и сор., 2019 ).
Генетски алгоритми
Генетскиот алгоритам (ГА) користен во трудот (Аротрижеи и Ротариу, 2015 година) користеше функција за фитнес што имаше единствена цел: да се добијат повисоки вредности за чувствителност и чувствителност. Методот предложен од авторите беше тестиран со користење на базата на податоци за атријална фибрилација Physionet MIT-BIH, а експерименталните резултати открија добра точност на откривање на AF во однос на чувствителноста и специфичноста (над 90%). Параметрите што ги користи генетскиот алгоритам во трудот (Аротрижеи и Ротариу, 2015 година) беа:
- L - должината на прозорецот,
- Pth1 - прагот од кој се смета дека сегментот претставува AF (број на сегменти AF/број на вкупни сегменти),
- RMSt - праг на RMSSD (среден плоштад на последователни разлики),
- TPRt - прагот на пресвртната точка,
- SEt - прагот на ентропијата на Шенон,
- TKt - праг на енергија Teager-Kaiser.
Во (Arotăriței и Rotariu, 2015), хромозомот беше иницијализиран со цел број помеѓу 32 и 480, а целта на функцијата има за цел да ги зголеми двете вредности Se (Shanopia Entropy) и Sp (должината на прозорецот во кој имаме AF). Алгоритмот започнува со популација од 50 лица и по 40 повторувања престанува да го дава решението. Мултиобјективната функција е во овој случај минимизирање на функциите 1-Se и 1-Sp. Добиените резултати се Se = 0.9017 и Sp = 0.9012, тие се споредливи со слични решенија, но доаѓа со предност што користи помал број на датотеки. На слика 5 можеме да видиме како е конструиран хромозом во трудот (Венг и сор., 2017), врз основа на возраста на пациентите.
Методи за класификација на AF
Меѓу методите во областа на вештачката интелигенција што се користат за класификација на AF, ги споменуваме класификациите со употреба на Naive Bayesian, SVM, kNN, ANN и LDA (Lim et al., 2016), кои ќе ги детализираме подолу. Класификацијата на AF е направена со употреба на морфологија на P бранови (Sahoo et al., 2011):
- Амплитудата на бранот Р.,
- Површина под бранот П.,
- Бранова должина П.,
- Временското растојание од почетокот на P бранот до неговиот врв,
- Временското растојание помеѓу врвот Р и врвот Р.
Наивен бајезиец - Во (Pourbabaee и Lucas, 2008), авторите предложија три различни класификатори за да ги идентификуваат AFIB-овите што се базираат на kNN (К најблизок сосед), ANN (вештачка нервна мрежа) и наивно бајезиско. Тие покажаа дека меѓу класификаторите за AF, kNN нуди највисока точност на откривање на AF со точност од 93,75% во споредба со ANN и Naive Bayesian, кои имаат точност од 87,50% и 75,00, соодветно. % Во трудот (Joy et al., 2013), авторите предложија комбиниран модел помеѓу Наив Бајезијан и Гаусијан (ГММ) за класификација на AF. Тие покажаа дека ГММ нуди малку повисоки перформанси во чувствителноста, специфичноста и точноста во споредба со наивниот Бајезијан, добивајќи точност од 99,00% и поголема.
К најблизок сосед (kNN) - Неколку истражувачи покажаа преку експерименти дека наједноставниот класификатор, kNN, е во состојба да ја класифицира AF со подобра точност во споредба со другите класификатори со ист сет на карактеристики (Падмавати и Рамакришна, 2015). Тие покажаа дека точноста на SVM и kNN е 92,30% и 100%, соодветно, со истите карактеристики извлечени со методот Бург. Слични резултати се презентирани во трудовите (Порбабае и Лукас, 2008), (Прасад и сор., 2013) и (Рос и сор., 2004). Основните чекори во kNN може да се видат на слика 6 подолу.
Вештачка нервна мрежа (ANN) - Слично на другите класификатори, ANN има и фаза на обука и фаза на тестирање. Во погонската фаза, нервната мрежа се придвижува со употреба на алгоритам за ширење назад. Како резултат, за секој јазол во мрежата на секој слој се пресметуваат и се добиваат најдобрите тежини (Румелхарт и сор., 1986), (Бре и сор., 2018). Овие тежини се избираат според однесувањето на најдобрата мрежа и потоа се користат за класификација во фазата на тестирање. Помеѓу 1994 и 2013 година, ANN беше широко користен за алгоритмот за откривање на AF. Најважните резултати беа добиени во 1994 година од страна на (Јанг и сор., 1994), кој доби точност од околу 92%, а потоа во 2007-2008 година, (Чесноков и сор., 2007) и (Кикилус и сор.) ал., 2008) кои добија точност од околу 93%, а во 2018 година (Бре и сор., 2018) добија точност од околу 99%. Од 2019 година, почнаа да се користат конвулутивни нервни мрежи (Атиа и сор., 2019) чија точност почнува да се подобрува (99%).
Векторска машина за поддршка (SVM) - Повеќето алгоритми за откривање AF со класификаторот SVM се во можност да обезбедат добри перформанси. Во (Asgari et al., 2015), авторите презентираат SVM алгоритам кој е во состојба да открие AF со точност од 97%, а во (Jeon et al., 2014) претставеното решение за SVM има точност од приближно 95%. Во (Брусер и сор., 2011) и (Падмавати и Рамакришна, 2015), авторите го користеа методот Бург за извлекување на карактеристиките и обезбедија добра изведба од над 95%. Погледнете ја архитектурата на систем базиран на SVM на слика 8 подолу.
Анализа на линеарна дискриминација (ЛДА) - Во трудот, (Lee et al., 2006) AF беше класифициран од страна на LDA врз основа на F бран и RR интервал со клиничка евалуација, добивајќи точност од над 92%. Додека авторите на (Чонг и сор., 2013) користеа ЛДА за класификација на AF и го имплементираа алгоритмот за паметен телефон со точност од над 96%. На слика 9 можеме да видиме пред и по класификацијата со LDA.
Современи уреди за идентификација на AF
Паметни телефони - Авторите на трудот (Кривошеи и сор., 2016) презентираат збир на експерименти што ги извршија и користеа iPhone 4S. Телефонот беше позициониран со леќата на фотоапаратот и LED светло на врвот на показалецот (види слика 10 подолу) за да го земе сигналот. Тие користеа неколку статистички методи за да ги идентификуваат пациентите со АФ. Експериментите извршени на 80 пациенти покажаа точност од над 95% од предложените методи. Во 2017 година, (Лахедоња и сор., 2017) Јас ги користам акцелерометарот и жироскопот на паметен телефон со Google Android за да идентификувам AF и да добијам точност од над 97%.
Видео камери - Во (Корино и сор., 2017), авторите користеа професионална видео камера (со резолуција од 659 х 494 пиксели) за да соберат 3-минутни видеа од 24 пациенти. Камерата била позиционирана на 1,5 м од пациентот и го снимала видеото низ експериментите. Потоа, видеата беа обработени следејќи ги следниве 3 чекори: (1) идентификување на лицето, (2) движење на пациентот и (3) извлекување на сигналот. Добиените резултати имаа точност од околу 0,96%. Во трудот (Хјуит, 2013), авторот презентира множество експерименти извршени на МИТ, кои со засилување на движењето на главата го достигнуваат срцевиот ритам, а потоа идентификуваат ненормално однесување како во случајот со АФ (види слика 11 подолу).
Овој дел има за цел да ја претстави потенцијалната рамка за соработка помеѓу академските институции и индустријата. Така, во овој дел ќе најдете соопштенија за постоечко финансирање или проекти предложени и спроведени на национално/меѓународно ниво во областите релевантни за трансфер на идентификувано знаење.
Паметен часовник - Паметните часовници почнуваат да имаат се повеќе сензори кои ни овозможуваат да го следиме здравјето на оние што ги носат. Во (Grieten et al., 2017) користејќи паметен часовник (E4, Емпатика), кој го мери сигналот за фотоплетизмографија (PPG) на рачниот зглоб и iPhone 5S, кој го мери истиот сигнал на показалецот, тие извршија експерименти до видете ја нивната точност во споредба со вграден уред (види слика 12).
Во моментов има голем број уреди на веб-страниците на Амазон кои ви дозволуваат да го следите срцевиот ритам и да сигнализирате AF (видете слика 13 подолу). Тие имаат за цел да им помогнат на пациентите, кои сега можат да ја следат нивната срцева активност, без да мора да одат на специјалист секој пат. Разликата меѓу нив е цената и точноста на податоците земени од пациентот.
Атријалната фибрилација е нарушување на срцевиот ритам што предизвикува неправилно чукање на срцето. Пациентите со ова нарушување имаат забавен проток на крв и нивните комори неправилно се собираат. Со помош на ЕКГ, овие нарушувања може да се дијагностицираат, а алгоритмите за вештачка интелигенција можат да ја дешифрираат нивната содржина и да направат класификации со многу добра точност. Пристапи во последниве години се базираат на генетски алгоритми и методи на класификација како што се Наивен Бајезијан, СВМ, kNN, ANN и LDA.
Современите уреди кои се појавија во последниве години овозможуваат собирање на податоци од пациенти и можат да предупредат и да сигнализираат проблематични ситуации. Паметни телефони, камери, паметни часовници и специјални уреди на Амазон можат да направат ЕКГ со прилично добра точност и можат да потпишат аномалии, кои мора подетално да ги анализира специјалист.
Предложените методи и уреди се чинеше дека му помагаат на специјалистот со пријавување на абнормални ситуации што се јавуваат кај неговите пациенти и со тоа го насочуваат неговото внимание кон критични ситуации, за кои е потребна итна интервенција. Тие исто така им помагаат на пациентите кои повеќе не мора да доаѓаат во болница секој пат за да ги направат тестовите.