Détection de la fibrillation auriculaire à court terme à l'aide d'électrocardiogrammes : une comparaison des approches d'apprentissage automatique

Détection de la fibrillation auriculaire à court terme à l’aide d’électrocardiogrammes : une comparaison des approches d’apprentissage automatique


Int J Med Inform. 7 mai 2022 ; 163 : 104790. doi : 10.1016/j.ijmedinf.2022.104790. En ligne avant impression.

RÉSUMÉ

CONTEXTE: La fibrillation auriculaire (FA) est l’une des arythmies cardiaques les plus répandues, défiant les systèmes de santé du monde entier. La détection précoce de la FA peut potentiellement réduire les taux de mortalité et de morbidité, ainsi qu’alléger le fardeau économique qui en résulte. Des solutions numériques sont présentées pour améliorer le diagnostic des anomalies cardiaques.

OBJECTIFS : Grâce aux dernières avancées dans le domaine de l’informatique médicale et de la télésurveillance, un grand nombre de signaux électrophysiologiques, tels que les électrocardiogrammes (ECG), peuvent être facilement collectés. L’inspection visuelle est l’un des moyens les plus courants pour les médecins/cardiologues d’analyser ces signaux. Cependant, il n’est pas toujours facile et dans la plupart des cas fastidieux d’analyser ces grandes quantités de données ECG. Par conséquent, il est très intéressant de développer des modèles capables d’analyser ces données et d’aider les médecins à prendre de meilleures décisions. Cet article propose et compare des algorithmes d’apprentissage automatique (ML) bien connus pour diagnostiquer de courts épisodes de FA. Cela ouvre également la voie à la détection en temps réel de la FA en milieu clinique.

MÉTHODES : Différents algorithmes ML tels que Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), Stacking Classifier (SC), Extreme Gradient Boosting (XGBoost) et Adaptive Boosting (AdaBoost) ont été appliqués pour détecter la FA . Ces modèles ont été entraînés à l’aide de caractéristiques statistiques extraites des signaux ECG.

RÉSULTATS : Les modèles ML proposés ont été formés sur un ensemble de données avec 23 enregistrements ECG d’environ 10 h chacun à l’aide de la technique de validation croisée leave-one-group-out (LOGO-CV) et ont obtenu la meilleure sensibilité (Se), spécificité (Sp ), prédictif positif (PPV), taux de faux positifs (FPR) et Fune-score de 85,67 %, 81,25 %, 90,85 %, 18,75 % et 88,18 %, respectivement, pour classer la FA à partir des rythmes sinusaux normaux (NSR) sur de courts segments ECG de 20 battements . En outre, les modèles ont été examinés sur trois ensembles de données invisibles, à savoir l’ensemble de données AF à long terme, l’ensemble de données sur l’arythmie MIT-BIH et l’ensemble de données sur le rythme sinusal normal MIT-BIH, pour évaluer sa robustesse et sa généralisabilité.

CONCLUSION : Les résultats obtenus montrent une haute performance et flexibilité de certains des modèles ML appliqués par rapport à d’autres algorithmes connus. En général, les résultats empiriques confirment que les méthodes d’ensemble, comme AdaBoost, se généralisent bien et fonctionnent mieux que les autres approches.

PMID:35552189 | DOI:10.1016/j.ijmedinf.2022.104790





Source link

Share iT

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée.