Автоматизированная оценка параметров электрокардиограмм в условиях пандемии COVID-19

Предмет исследования. Рассмотрены алгоритмы оперативной автоматизированной оценки параметров электрокардиограммы в условиях отсутствия специализированного оборудования и профильных специалистов.

Метод. Электрокардиограмма пациента записана на бумажную ленту, которая сфотографирована на мобильный телефон врача первичного звена и обработана специализированным приложением. С помощью приложения выполнена оцифровка фотографируемого изображения электрокардиограммы, оценка ее основных параметров, а также расчет критериев для дифференциальной диагностики отдельных заболеваний по приближенным формулам. Кроме того, оцифрованное изображение электрокардиограммы передается на сервер и обрабатывается с помощью системы машинного обучения. Основные результаты. Разработаны алгоритмы оцифровки и анализа электрокардиограммы, которые могут быть использованы для оценки ее элементов, важных для диагностики. Средняя ошибка определения положения наиболее сложных (сглаженных) пиков – зубцов P и T – составила не более 0,1 мм. Предложен алгоритм критериального анализа электрокардиограммы для поддержки дифференциальной диагностики острого инфаркта миокарда с подъемом сегмента ST и синдрома ранней реполяризации желудочков, который обеспечил значения точности 0,85 и F-меры 0,74. Представлен альтернативный алгоритм на основе глубокой нейронной сети, который обеспечивает лучшие значения точности и F-меры – 0,96 и 0,88, но требует больших затрат вычислительных ресурсов и выполнения расчетов на сервере.

Практическая значимость. Алгоритмы реализованы в виде набора библиотечных функций. Они могут быть использованы как самостоятельно, так и в составе полномасштабной системы поддержки принятия клинических решений для автоматизированной оценки параметров электрокардиограммы на основе клиент-серверной архитектуры. Все результаты расчетов совместно с фотографией исходной электрокардиограммы могут быть оперативно переданы квалифицированному кардиологу с целью дистанционного получения консультативного заключения.

1. Yu J.-N., Wu B.-B., Yang J., Lei X.-L., Shen W.-Q. Cardiocerebrovascular disease is associated with severity and mortality of COVID-19: A systematic review and meta-analysis // Biological Research for Nursing. 2021. V. 23. N 2. P. 258–269. https://doi.org/10.1177/1099800420951984

2. Abir M., Nelson Ch., Chan E.W., Al-Ibrahim H., Cutter Ch., Patel K., Bogar A. Critical care surge response strategies for the 2020 COVID-19 outbreak in the United States. Santa Monica, CA: RAND Corporation, 2020 [Электронный ресурс]. URL: https://www.rand.org/pubs/research_reports/RRA164-1.html (дата обращения: 09.09.2021).

3. Health systems resilience during COVID-19: Lessons for building back better / ed. by A. Sagan, E. Webb, I. de la Mata, J. Figueras, M. McKee, N. Azzopardi-Muscat. WHO Regional Office for Europe, 2021.

4. Wang N.C., Jain S.K., Estes N.A.M., Barrington W.W., Bazaz R., Bhonsale A., Kancharla K., Shalaby A.A., Voigt A.H., Saba S. Priority plan for invasive cardiac electrophysiology procedures during the coronavirus disease 2019 (COVID-19) pandemic // Journal of Cardiovascular Electrophysiology. 2020. V. 31. N 6. P. 1255–1258. https://doi.org/10.1111/jce.14478

5. Cook D.A., Oh S., Pusic M.V. Accuracy of physicians’ electrocardiogram interpretations: A systematic review and metaanalysis // JAMA Internal Medicine. 2020. V. 180. N 11. P. 1461–1471. https://doi.org/10.1001/jamainternmed.2020.3989

6. Javeed A., Khan S.U., Ali L., Ali S., Imrana Y., Rahman A. Machine learning-based automated diagnostic systems developed for heart failure prediction using different types of data modalities: A systematic review and future directions // Computational and Mathematical Methods in Medicine. 2022. V. 2022. P. 9288452. https://doi.org/10.1155/2022/9288452

7. Martin-Isla C., Campello V.M., Izquierdo C., Raisi-Estabragh Z., Baeßler B., Petersen S.E., Lekadir K. Image-based cardiac diagnosis with machine learning: A review // Frontiers in Cardiovascular Medicine. 2020. V. 7. P. 1. https://doi.org/10.3389/fcvm.2020.00001

8. Attia Z.I., Noseworthy P.A., Lopez-Jimenez F., Asirvatham S.J., Deshmukh A.J., Gersh B.J., Carter R.E., Yao X., Rabinstein A.A., Erickson B.J., Kapa S., Friedman P.A. An artificial intelligenceenabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: A retrospective analysis of outcome prediction // Lancet. 2019. V. 394. P. 861–867. https://doi.org/10.1016/S0140-6736(19)31721-0

9. Katoh T., Yashima M., Takahashi N., Watanabe E., Ikeda T., Kasamaki Y., Sumitomo N., Ueda N., Morita H., Hiraoka M. Expert consensus document on automated diagnosis of the electrocardiogram: The task force on automated diagnosis of the electrocardiogram in Japan. Part 2: Current status of inappropriate automated diagnosis is widely used electrocardiographs in Japan // Journal of Arrhythmia. 2021. V. 37. N 6. P. 1427–1433. https://doi.org/10.1002/joa3.12646

10. Sangaiah A., Arumugam M., Bian G. An intelligent learning approach for improving ECG signal classification and arrhythmia analysis // Artificial Intelligence in Medicine. 2020. V. 103. P. 101788. https://doi.org/10.1016/j.artmed.2019.101788

11. Tse G., Lee S., Li A., Chang D., Li G., Zhou J., Liu T., Zhang Q. Automated electrocardiogram analysis identifies novel predictors of ventricular arrhythmias in brugada syndrome // Frontiers in Cardiovascular Medicine. 2021. V. 7. P. 618254. https://doi.org/10.3389/fcvm.2020.618254

12. Rueda C., Fernández I., Larriba Y., Rodríguez-Collado A., Canedo C. Compelling new electrocardiographic markers for automatic diagnosis // Computer Methods and Programs in Biomedicine. 2022. V. 221. P. 106807. https://doi.org/10.1016/j.cmpb.2022.106807

13. Fortune J.D., Coppa N.E., Haq K.T., Patel H., Tereshchenko L.G. Digitizing ECG image: new fully automated method. 2021 [Электронный ресурс]. URL: https://www.medrxiv.org/content/10.1101/2021.07.13.21260461v1.full.pdf (дата обращения: 25.04.2022)

14. Vatian A., Peredreev D., Rodiontsev K., Murzina A., Klevtsova E., Tatarinova A., Treshkur T., Shalyto A., Gusarova N. Helping paramedics in assessing a patient’s condition based on ECG by means of mobile phone // Proc. of the International Conferences ICT, Society, and Human Beings 2021; Web Based Communities and Social Media 2021; and e-Health 2021. 2021. P. 144–151. https://doi.org/10.33965/eh2021_202106l018

15. Agrawal S. Image Processing in Python – The Computer Vision Techniques. 2021 [Электронный ресурс]. https://www.analyticsvidhya.com/blog/2021/08/image–processing–in–python–the–computer–vision–techniques/ (дата обращения: 25.04.2022)

16. Park J.-S., Lee S.-W., Park U. R Peak detection method using wavelet transform and modified shannon energy envelope // Journal of Healthcare Engineering. 2017. V. 2017. P. 4901017. https://doi.org/10.1155/2017/4901017

17. Nouira I., Abdallah A.B., Bedoui M.H., Dogui M. A robust R peak detection algorithm using wavelet transform for heart rate variability studies // International Journal on Electrical Engineering andInformatics. 2013. V. 5. N 3. P. 270–284. https://doi.org/10.15676/ijeei.2013.5.3.3

18. Bae T.W., Kwon К.K. ECG PQRST complex detector and heart rate variability analysis using temporal characteristics of fiducial points // Biomedical Signal Processing and Control. 2021. V. 66. P. 102291. https://doi.org/10.1016/j.bspc.2020.102291

19. Camm A.J., Malik M., Yap Y.G. Acquired Long QT Syndrome. Blacwell Futura, 2004. 208 p.

20. Национальные российские рекомендации по применению методики холтеровского мониторирования в клинической практике (проект) [Электронный ресурс]. URL: https://scardio.ru/content/images/recommendation/HM.pdf. (дата обращения: 20.09.2022).

21. Goldenberg I., Moss A.J., Zareba W. QT interval: how to measure it and what is “normal” // Journal of Cardiovascular Electrophysiology. 2006. V. 17. N 3. P. 333–336. https://doi.org/10.1111/j.1540-8167.2006.00408.x

22. Kalyakulina A., Yusipov I., Moskalenko V., Nikolskiy A., Kosonogov K., Zolotykh N., Ivanchenko M. Lobachevsky University Electrocardiography Database [Электронный ресурс]. URL: https://physionet.org/content/ludb/1.0.1/ (дата обращения: 20.09.2022).

23. Smith S.W., Khalil A., Henry T.D., Rosas M., Chang R.J., Heller K., Scharrer E., Ghorashi M., Pearce L.A. Electrocardiographic differentiation of early repolarization from subtle anterior ST-segment elevation myocardial infarction // Annals of Emergency Medicine. 2012. V. 60. N 1. P. 45–56.e2. https://doi.org/10.1016/j.annemergmed.2012.02.015

24. Liu F.F., Liu C., Zhao L., Zhang X., Wu X., Xu X., Liu Y., Ma C., Wei S., He Z., Li J., Yin K., Eddie N. An open access database for evaluating the algorithms of electrocardiogram rhythm and morphology abnormality detection // Journal of Medical Imaging and Health Informatics. 2018. V. 8. N 7. P. 1368–1373. https://doi.org/10.1166/jmihi.2018.2442

25. Choi H.Y., Kim W., Kang G.H., Jang Y.S., Lee Y., Kim J.G., Lee N., Shin D.G., Bae W., Song Y. Diagnostic accuracy of the deep learning model for the detection of ST elevation myocardial infarction on electrocardiogram // Journal of Personalized Medicine. 2022. V. 12. N 3. P. 336. https://doi.org/10.3390/jpm12030336

26. Chang K.-C., Hsieh P.-H., Wu M.-Y., Wang Y.-C., Wei J.-T., Shih E.S.C., Hwang M.-J., Lin W.-Y., Lin W.-T., Lee K.-J., Wang T.‑H. Usefulness of multi-labelling artificial intelligence in detecting rhythm disorders and acute ST-elevation myocardial infarction on 12-lead electrocardiogram // European Heart Journal - Digital Health. 2021. V. 2. N 2. P. 299–310. https://doi.org/10.1093/ehjdh/ztab029

27. Liu Z., Mao H., Wu C.-Y., Feichtenhofer C., Darrell T., Xie S. A ConvNet for the 2020s // Proc. of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, CVPR. 2022. P. 11966–11976. https://doi.org/10.1109/CVPR52688.2022.01167