Dekódování EKG u dospělých. Norma v tabulce: sinusový rytmus, parametry, u RS, GMZ, patologie

Pacient F, 74 let, byl odeslán ke konzultaci se stížnostmi na přerušení činnosti srdce, jako jsou „vynechání“ nebo „bušení srdce“ a zvýšený krevní tlak.

Anamnéza: arteriální hypertenze a nepravidelný srdeční tep po dobu asi 10 let. Kolem 2 let se objevují krátké, do 1 minuty dlouhé, náhle vznikající a náhle ustávající epizody výrazného bušení srdce.

Po vyšetření je stav uspokojivý. Nedochází k otokům. BMI 32. RR 16 za 1 min. V plicích je vezikulární dýchání, žádné sípání a volný výdech. Srdeční ozvy jsou sonorní, rytmické, srdeční frekvence 78 za 1 min. Krátký systolický šelest na aortě. TK 170/90 mm. rt. Umění. Břicho je měkké. Bezbolestný. Játra nejsou zvětšená.

EKG sinusový rytmus. Levý přední fascikulární blok.

1431hodinové monitorování EKG. Sinusový rytmus. NZHE 159/den, ZHE XNUMX/den, Paroxysmální srdeční arytmie nejsou registrovány.

ECHO CG EF 60 %, LA 40 mm, LVH: LVP 12 mm, IVS 12 mm, nebyly zjištěny oblasti s poruchou lokální kontraktility. Ztluštění cípů aortální chlopně bez poškození funkce. SDLA 24 mm Hg,

Klinický krevní test – v normě, cholesterol 6,4 mmol/l, LDL 4,0 mmol/l, kreatinin 73 μm/l, draslík 4,6 mmol/l, bilirubin 13 μm/l, glukóza 5,7 mmol/l, TSH 2,1 IU/L.

Stresové ECHOCG: test je negativní, nebyly získány žádné údaje o ischemické chorobě srdeční.

Plánovaná terapie v době vyšetření: losartan 100 mg/den, hydrochlorothiazid 12,5 mg, bisoprolol 2,5 mg, moxonidin 0,2 mg při zvýšení krevního tlaku.

Diagnóza: Hypertenze 2. AG stadium 2, riziko 3 (vysoké riziko kardiovaskulárních komplikací). Polytopický extrasystol. Paroxysmální supraventrikulární tachykardie?

Pacient podstoupil korekci plánované terapie tak, aby dosáhl cílového krevního tlaku ne vyššího než 130/80 mm Hg a udržoval klidovou srdeční frekvenci 60 tepů za minutu. Doporučeno: ramipril 1 mg, amlodipin 5 mg, indapamid 5 mg, bisoprolol 1,5 mg (s tepovou frekvencí nad 5 za 70 min v klidu zvýšit dávku na 1-7,5 mg), rosuvastatin 10 mg (vysoké riziko kardiovaskulárních komplikací) ). Předepisování antiarytmik před určením povahy poruch srdečního rytmu není indikováno. Doporučuje se rutinní monitorování krevního tlaku a pulsu, vč. při záchvatu bušení srdce. Povinné volání záchranné služby a provedení EKG v případě přetrvávající epizody palpitací. Trénován ve vagových manévrech k zastavení tachykardie. Opakujte každodenní monitorování EKG a konzultace po měsíci.

Podle denního monitorování EKG má pacient polytopickou extrasystolii a klinicky pravděpodobně paroxysmální SVT. NVT je celá skupina arytmií s podobnými klinickými projevy, ale rozdílným vedením elektrického vzruchu převodním systémem srdečním, což určuje rozdíl v metodách léčby.

Paroxysmální SVT je arytmie s náhlým začátkem a koncem, charakterizovaná pravidelným rychlým rytmem více než 100 tepů za minutu v klidu. Mezi nejčastější paroxysmální SVT patří síňová tachykardie, atrioventrikulární nodální reentry tachykardie, paroxysmální ortodromické a antidromické reentry tachykardie, fibrilace síní a flutter síní.

FP a TP jsou vždy posuzovány odděleně od ostatních NLT. To je způsobeno výraznými vlastnostmi a významem těchto arytmií, vysokým rizikem život ohrožujících komplikací a základními rysy léčby. Zejména AF a AT vedou k prudkému nárůstu rizika tromboembolických komplikací, nejčastěji embolické cévní mozkové příhody. Proto je u této skupiny pacientů nutné toto riziko posoudit pomocí škály CHA.₂DS₂ VASc a včasné podávání antikoagulačních léků. Jiné typy NVT nevedou ke zvýšení tromboembolie a nevyžadují antikoagulační léčbu. Charakteristiky nejběžnějších NVT jsou uvedeny v tabulkách 1 a 2 a diferenciálně diagnostický algoritmus je znázorněn na obr. 1.

Tabulka 1. EKG charakteristiky nejběžnějších SVT,

Poměr intervalů PR/RP

Elektrokardiografie (EKG) byla zavedena do klinické praxe před více než 100 lety a dodnes neztratila svůj význam. Tento dostupný a nenákladný test umožňuje hodnotit srdeční funkci u široké škály onemocnění, aniž by se uchylovalo k invazivním postupům 1 .

Pokročilé technologie mohou změnit naše obvyklé chápání diagnostických schopností této metody. Digitální algoritmy založené na umělé inteligenci (AI) pomáhají získat z EKG více informací, než je možné při interpretaci člověkem. Díky výpočetním metodám získává lékař cenné informace o stavu těla na základě elektrických potenciálů srdce.

K jakým účelům se AI používá v EKG?

Umělá inteligence umožňuje zvýšit přesnost řešení různých diagnostických problémů:

• Detekce a klasifikace arytmií. Umělá inteligence analyzuje záznamy EKG a klasifikuje je, přičemž identifikuje charakteristické znaky abnormálního rytmu 2 .
• Pomoc v případě akutních patologií. Důsledky řady onemocnění (fibrilace síní, infarkt myokardu) jsou dány dobou strávenou diagnostikou a zahájením léčby. AI umožňuje zkrátit interval mezi objevením se prvních klinických příznaků a poskytnutím lékařské péče 3 .
• Zvýšení priority neinvazivní diagnostiky. Detekce onemocnění srdce často zahrnuje odběr krve: stanovení srdečních markerů u infarktu myokardu 4 , hladiny elektrolytů v séru u metabolických poruch 5 . AI zvyšuje význam elektrokardiografie jako alternativní a bezpečné metody.
• Zpracování nahrávek nízké kvality. Algoritmy efektivně pracují se signály obsahujícími šum a další artefakty. Tím se snižuje závislost lékaře na kvalitě vybavení a možných chybách při snímání EKG. Lékař nemusí zákrok opakovat, což šetří drahocenný čas 6 .
• Sledování funkce srdce. AI lze integrovat do kardiologických služeb, aby bylo zajištěno přesné zpracování záznamů a včasné odhalení patologií 7 .
• Prognóza v kardiologii. Neuronové sítě nám umožňují dívat se dopředu a určit pravděpodobnost srdečního onemocnění. Analýza elektrofyziologických signálů pomáhá vyhodnotit kardiovaskulární rizika, například v případě aterosklerózy 8 . Použití technologie je zvláště důležité v případě záznamů, které se při hodnocení konvenčním způsobem zdají být normální. Je důležité identifikovat varovné příznaky „skrytých“ patologií, jako je fibrilace síní 9 .

Rozpoznávání rytmu EKG

Fibrilace síní (AF) je nepravidelný, rychlý srdeční rytmus. Mezi možné následky FS patří mrtvice nebo srdeční selhání 10 .

Vědci v Číně pracují na zlepšení monitorování této poruchy rytmu. AI poskytuje široké možnosti pro rozpoznání patologie: neuronová síť byla schopna rozpoznat známky AF na elektrokardiogramu s přesností, citlivostí a specificitou přesahující 99 % 11 .

Tréninkový datový soubor zahrnoval 16 557 záznamů 12svodového EKG poskytnutých několika nemocnicemi. Metoda založená na hlubokém učení byla testována na 3312 EKG 11 .

Klasifikace arytmie

Vědci ze Stanfordské univerzity a Kalifornské univerzity v San Franciscu představili hlubokou neuronovou síť pro automatickou detekci a klasifikaci arytmie. AI je schopna rozpoznat 12 tříd rytmů i z nezpracovaných dat EKG. Trénink byl proveden pomocí 91 232 jednosvodových EKG pro 53 549 pacientů 12 .

Algoritmus je schopen předvídat změny rytmu přibližně jednou za sekundu. Testovací soubor obsahoval 328 unikátních elektrokardiogramů, které popsali kardiologové. Senzitivita a specificita algoritmů byla téměř ve všech případech vyšší než 90 % 12 .

Vědci hodnotili, jak přesně vyvinutá umělá inteligence identifikuje poruchy rytmu pomocí EKG. K vyhodnocení byl použit indikátor F1, harmonický průměr přesnosti klasifikace a vybavitelnosti. Průměrné skóre F1 pro neuronovou síť bylo 0,837 12 .

Vývoj vědců z Tchaj-wanu klasifikuje další diagnostický vzorec. Spolu s 12 rytmickými třídami identifikuje AI také známky infarktu myokardu s elevací ST segmentu. Přesnost rozpoznání život ohrožujícího stavu na EKG byla hodnocena pomocí speciálního statistického ukazatele – plochy pod křivkou AUC. Během testování umělá inteligence ukázala následující výsledky 3 :

• v případě jediného označení akutního infarktu myokardu, kdy se patologie objeví samostatně na kardiogramu – 0,9962;
• v případě mnohočetného značení, kdy byly známky IM kombinovány s jinými poruchami rytmu – 0,9375.

Autoři poznamenávají, že metoda pomůže správně stanovit priority péče o pacienty s bolestí na hrudi 3 .

Nácvik použití AI při dekódování EKG

Hypertrofie levé komory (LVH) je zvýšení hmoty levé komory (LV) srdce. Současně se zvětšuje velikost srdečních buněk – kardiomyocytů. Progresivní LVH může vést k dysfunkci LK a rozvoji srdečního selhání 13 . Včasná detekce a léčba patologie zlepšuje prognózu u rizikových pacientů 14 .

Vědci z Korejské republiky vyvinuli algoritmus pro detekci LVH pomocí dat EKG. Výsledky testu byly zveřejněny ve vědeckém časopise Nature Communications. Výkonnost algoritmu AI založeného na hlubokém učení byla porovnána s možnostmi hardwarové interpretace elektrokardiogramů a odbornými názory kardiologa 14 :

• Elektrokardiografický algoritmus: posoudil pravděpodobnost srdeční patologie na čtyřech úrovních: žádná LVH, zvažte LVH, pravděpodobnou LVH a LVH.
• Kardiolog: stanovil diagnózu na základě klinických dat a výsledků EKG: Sokolov-Lyonovo kritérium, Romhild-Estesovo kritérium a Cornellův napěťový index. Dále byly zohledněny demografické informace: pohlaví, věk, výška a váha.
• Algoritmus založený na AI: zkoumal jak demografické charakteristiky, tak charakteristiky EKG: srdeční frekvenci, vlny a intervaly. Do analýzy byly také zahrnuty hrubé elektrokardiografické signály.

Studie byla provedena ve dvou nemocnicích a zahrnovala více než 21 0,880 pacientů. Klasifikační výkonnostní charakteristika AUC pro neuronovou síť byla 0,868 a 177,7 pro dva nemocniční testy. Při stejné specifičnosti překročil algoritmus AI citlivost Sokolova-Lyonova kritéria a hardwarové interpretace o 143,8 % a 14 % XNUMX .

Američtí vědci z Wake Forest School of Medicine a Loyola University Chicago vyvinuli model pro predikci srdečního selhání (HF) na základě údajů EKG 15 .

K tomuto účelu byla použita data z prospektivní epidemiologické studie ARIC o ateroskleróze. Práce AI byla testována na vybraných datech při první návštěvě 14 613 pacientů v letech 1987 až 1989. Získaná prognóza byla ověřena potvrzenými epizodami srdečního selhání u 5,5 % pacientů během 10 let 15 .

Přesnost předpovědí AI byla porovnána s kalkulátory rizika srdečního selhání ARIC a Framingham Heart Study (FHS). Modely ARIC a FHS předpovídají pravděpodobnost onemocnění na základě mnoha klinických faktorů, včetně 15:

• podlaha;
• věk;
• index tělesné hmotnosti;
• systolický krevní tlak a srdeční frekvence;
• přítomnost diabetu;
• přítomnost kardiovaskulárních onemocnění: hypertrofie levé komory, srdeční chlopně.

Vyvinutý algoritmus AI zpočátku analyzoval pouze 12svodové EKG 15 .

AUC pro kalkulátory rizika ARIC a FHS HF byla 0,802 a 0,780. Neuronová síť, využívající pouze data elektrokardiogramu, vykázala srovnatelný výsledek – 0,756. Vědci ji dokázali zlepšit na 0,818 zahrnutím klinických faktorů do analýzy 15 .

Autoři upozorňují na význam elektrokardiografie při predikci srdečního selhání jako nenákladné a dostupné metody. Neuronová síť je na základě svých dat schopna s vysokou přesností předpovídat nové epizody onemocnění v budoucnu 15 .

Zvýšené hladiny draslíku v krvi, nazývané hyperkalémie, jsou často asymptomatické a mohou vést k život ohrožujícím poruchám rytmu. Problém efektivního monitorování hyperkalemie je předmětem společného projektu Mayo Clinic a AliveCor, společnosti zabývající se pokročilými technologiemi v kardiologii 16 .

Neuronová síť byla natrénována na více než 1,6 milionu EKG pro přibližně 450 000 pacientů s chronickým onemocněním ledvin (CKD), kteří mají zvýšené hladiny draslíku. Přidružené kardiotoxické účinky jsou patrné na elektrokardiogramu. Model hlubokého učení klasifikoval tyto změny s vysokou přesností s hodnotami AUC v rozmezí od 0,853 do 0,901.

Výzkumníci zaznamenali řadu výhod vyvinuté umělé inteligence v klinických podmínkách16:

• algoritmus lze použít ve screeningové diagnostice hyperkalemie;
• metoda spolehlivě stanoví hladinu draslíku bez odběru krve;
• rychlé sledování elektrolytového složení krve umožňuje včasnou korekci terapie a prevenci fatálních komplikací.

Analýza EKG pomocí AI je díky zrychlenému zpracování záznamů žádaná v prostředích intenzivní péče, kdy je potřeba rychle pomoci vážně nemocným pacientům. Interpretace EKG pomocí AI od SberMedII je navržena tak, aby optimalizovala práci zdravotnických záchranných služeb a stanic první pomoci a zlepšila detekci kardiovaskulárních patologií.

Algoritmus provozu služby:

1. Lékař stáhne elektrokardiografická data.
2. AI analyzuje a identifikuje možné poruchy rytmu a další příznaky srdečního onemocnění.
3. Výsledky jsou viditelné pro lékařské specialisty, zdravotnické záchranné služby a stanoviště první pomoci, která mají přístup ke službě.
4. Připojený specialista přijme hovor a provede online konzultaci prostřednictvím odkazu na video. Při zasílání lékařských dokumentů jsou potvrzeny elektronickým digitálním podpisem.

Jak přicházejí nová data, neuronová síť automaticky zlepšuje přesnost svých rozhodnutí. Kvalitní lékařskou péči můžete získat bez ohledu na to, kde se nacházíte: vše, co potřebujete, je přístup k online službě prostřednictvím vašeho pracovního nebo domácího počítače.

Nové přístupy založené na metodách strojového učení mohou zlepšit klasickou metodu diagnostiky kardiovaskulárních patologií. AI nejen automatizuje a urychluje proces zpracování kardiogramů, ale také odstraňuje možné nesrovnalosti v interpretaci výsledků.

zdroje

1. Boyle N.G., Vohra J.K. Trvalá role elektrokardiogramu jako diagnostického nástroje v kardiologii. J Am Coll Cardiol. 2017. dubna 4; 69 (13): 1704–1706. doi: 10.1016/j.jacc.2017.01.036.
2. Nagarajan VD, Lee SL, Robertus JL, Nienaber KA, Trayanova NA, Ernst S. Umělá inteligence v diagnostice a léčbě arytmií. Eur Heart J. 2021 7. října; 42 (38): 3904–3916. doi: 10.1093/eurheartj/ehab544.
3. Kuan-Cheng Chang, Po-Xin Xie, Mei-Yao Wu, et al. Užitečnost víceznačkové umělé inteligence pro detekci poruch rytmu a akutního infarktu myokardu s elevací ST segmentu na 12svodovém elektrokardiogramu, European Heart Journal – Digital Health. června 2021; 2(2):299-310. doi: 10.1093/ehjdh/ztab029.
4. Zhao Y, Jing X, Hou Yang, et al. Včasná detekce infarktu myokardu se zvýšeným ST pomocí umělé inteligence s 12svodovým elektrokardiogramem. Int J Cardiol. 2020. října 15;317:223-230. doi: 10.1016/j.ijcard.2020.04.089.
5. Kwon DM, Jung MS, Kyung HK, et al. Ann Neinvazivní elektrokardiol. květen 2021; 26(3):e12839. doi: 10.1111/anec.12839.
6. Qiu L., Cai W., Zhang M. Dvoustupňová redukce šumu signálu EKG založená na hluboké konvoluční síti. Physiol Meas. 2021 Dec 9; 42 (11). doi: 10.1088/1361-6579/ac34ea.
7. Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. Algoritmus EKG založený na umělé inteligenci k identifikaci pacientů s fibrilací síní během sinusového rytmu: retrospektivní analýza predikce výsledku. Lanceta. 7. září 2019; 394 (10201): 861-867. doi: 10.1016/S0140-6736(19)31721-0.
8. Ambale-Venkatesh B, Yang X, Wu Q.O. Předvídání kardiovaskulárních příhod pomocí strojového učení: multietnická studie aterosklerózy. Circ Res. 2017. října 13;121(9):1092-1101. doi: 10.1161/CIRCRESAHA.117.311312.
9. Christopoulos G., Graff-Radford J., Lopez K.L. Umělá inteligence-elektrokardiografie pro predikci výskytu fibrilace síní: populační studie. Circ Arythm Electrophysiol. Prosinec 2020;13(12):e009355. doi: 10.1161/CIRCEP.120.009355.
10. Baman JR, Passman RS. JAMA. 2021. června 1; 325(21):2218. doi: 10.1001/jama.2020.23700.
11. Cai W., Chen Y., Guo C., et al. Přesná detekce fibrilace síní z 12svodového EKG pomocí hluboké neuronové sítě. Comput Biol Med. leden 2020;116:103378. doi: 10.1016/j.compbiomed.2019.103378.
12. Hannun AY, Rajpurkar P, Haghpanahi M, et al. Detekce a klasifikace arytmií na úrovni kardiologa v ambulantních elektrokardiogramech pomocí hluboké neuronové sítě. Nat Med. 2019 leden; 25(1):65-69. doi: 10.1038/s41591-018-0268-3.
13. Lazzeroni D., Rimoldi O., Camici P.G. Od hypertrofie levé komory k dysfunkci a selhání. Circ J. 2016;80(3):555–64. doi: 10.1253/circj.CJ-16-0062.
14. Jun-Myung Kwon, Ki-Hyun Jeong, Hye Mi Kim, Min Jung Kim, Seong Min Lim, Kyung-Hee Kim, Pil Sang Sun, Jinsik Park, Rak Kyung Choi, Byung-Hee Oh, Srovnání výkonu umělé inteligence a běžně Akceptovaná kritéria diagnostiky hypertrofie levé komory pomocí elektrokardiografie. EP Europace. března 2020, 22(3): 412–419, https://doi.org/10.1093/europace/euz324.
15. Akbilgic O., Butler L., Karabair I., et al. EKG-AI: elektrokardiografický model umělé inteligence pro predikci srdečního selhání. Eur Heart J Digital Health. 2021. října 9; 2(4): 626-634. doi: 10.1093/ehjdh/ztab080.
16. Galloway K.D., Valis A.V., Shreibati J.B. Vývoj a validace modelu hlubokého učení pro detekci hyperkalemie z elektrokardiogramu. JAMA Cardiol. 2019. května 1; 4(5):428-436. doi: 10.1001/jamacardio.2019.0640.

Další články

Aplikace umělé inteligence

Co je to umělá inteligence?

Umělá inteligence (AI) je technologie, která…