Прогнозирование фибрилляции предсердий по основным показателям трансторакальной эхокардиографии при помощи нейронной сети

Авторы: Котляров С.Н., Любавин А.В.

Организация:
1 ФГБОУ ВО «Рязанский государственный медицинский университет им. акад. И.П. Павлова», Минздрава России, Рязань, Российская Федерация
2 ГУЗ «Липецкая городская больница № 4 “Липецк-Мед”», Липецк, Российская Федерация

Для корреспонденции: Сведения доступны для зарегистрированных пользователей.

Тип статьи: Оригинальные статьи

DOI: https://doi.org/10.24022/1997-3187-2023-17-4-481-490

УДК: 616.12-008.313.2-073.43

Для цитирования:  Котляров С.Н., Любавин А.В. Прогнозирование фибрилляции предсердий по основным показателям трансторакальной эхокардиографии при помощи нейронной сети. Креативная кардиология. 2023; 17 (4): 481–90. DOI: 10.24022/1997-3187-2023-17-4-481-490

Поступила / Принята к печати:  18.09.2023 / 24.10.2023

Ключевые слова: фибрилляция предсердий, нейронные сети, трансторакальная эхокардиография



Оформить подписку 🔒

 

Аннотация

Цель. Определить возможности прогнозирования развития фибрилляции предсердий (ФП) у пациентов с синусовым ритмом по некоторым параметрам стандартной трансторакальной эхокардиографии с использованием обученной нейронной сети.

Материал и методы. В исследование включены данные протоколов трансторакальной эхокардиографии (ТТЭ) 695 пациентов, проходивших лечение в кардиологическом отделении городской больницы № 4 г. Липецка в 2022–2023 гг. На основании размеров камер сердца, толщины стенок левого желудочка (ЛЖ), фракции выброса (ФВ) ЛЖ и выраженности клапанной регургитации произведено обучение нейронной сети. Затем с помощью обученной нейросети обработаны данные эхокардиографии 30 пациентов, которым ТТЭ проводилась на синусовом ритме в течение 1 года до выявления ФП.

Результаты. Обученная нейронная сеть успешно различала пациентов с ФП и пациентов, не имеющих ФП в анамнезе, в 81% случаев (площадь под кривой (AUC) 0,799, 95% доверительный интервал (ДИ) 0,707–0,873, р<0,0001), а также верно предсказывала развитие ФП у пациентов с синусовым ритмом в течение 3,0±0,45 мес в 80% случаев с чувствительностью метода 88,9% и специфичностью 81,8% (AUC 0,854, 95% ДИ 0,738–0,932, р<0,0001).

Заключение. Данные, полученные при ТТЭ, позволяют выявлять пациентов с высокой вероятностью развития ФП. Использование обученной нейронной сети для прогнозирования развития ФП может быть полезным в определении показаний к проведению длительного ЭКГ-мониторирования у пациентов с синусовым ритмом с целью раннего выявления латентной ФП.

Литература

  1. Калинин Р.Е., Сучков И.А., Богуто О.Н. Эмболия магистральных артерий при фибрилляции предсердий. Российский медико-биологический вестник им. академика И.П. Павлова. 2012; 20 (2): 234–41. DOI: 10.17816/PAVLOVJ20122234-241
  2. Татаринцева З.Г., Космачева Е.Д., Порханов В.А., Кручинова С.В. Эхо-кардиографические показатели при фибрилляции предсердий в сочетании с острым коронарным синдромом в реальной клинической практике по данным тотального регистра острого коронарного синдрома по Краснодарскому краю. Кардиоваскулярная терапия и профилактика. 2019; 18 (2): 20–5. DOI: 10.15829/1728-8800-2019-2-20-25
  3. Сергеев Ю.А., Стерлёва Е.А., Ниазян Д.А. Применение нейросетей в медицине. Сравнение методов нейросетевого и группового анализа патологий. StudNet. 2021; 9.
  4. Мазаев В.П., Комков А.А., Рязанова С.В., Самочатов Д.Н., Драпкина О.М. Выявление скрытой фибрилляции предсердий, сниженной фракции выброса левого желудочка и нарушения обмена калия на традиционной электрокардиограм ме с применением глубокой сверточной нейронной сети как элемента искусственного интеллекта. Современные проблемы науки и образования. 2020; 6.
  5. Ярославская Е.И., Дьячков С.М., Горбатенко Е.А. Применение аппарата искусственных нейронных сетей в прогнозировании фибрилляции предсердий у мужчин с ишемической болезнью сердца. Сибирский журнал клинической и экспериментальной медицины. 2020; 35 (4): 119–27. DOI: 10.29001/2073-8552-2020-35-4-119-127
  6. Python. https://www.python.org (дата обращения 15.08.2023).
  7. TensorFlow. https://www.tensorflow.org (дата обращения 15.08.2023).
  8. MedCalc. https://www.medcalc.org (дата обращения 15.08.2023).
  9. GitHub. https://github.com/alexlubavin/tte_af_predict_network (дата обращения 23.08.2023).
  10. Sieweke J.T., Hagemus J., Biber S., Berliner D., Grosse G.M., Schallhorn S. et al. Echocardiographic parameters to predict atrial fibrillation in clinical routine-the EAHsy-AF risk score. Front. Cardiovasc. Med. 2022; 9: 851474. DOI: 10.3389/fcvm.2022.851474
  11. Eren H., Acar R.D., Demir S., Omar M.B., Öcal L., Kalkan M.E. Speckle-tracking echocardiography can predict atrial fibrillation in patients with supraventricular tachycardia. Pacing Clin. Electrophysiol. 2021; 44 (8): 1387–96. DOI: 10.1111/pace.14304
  12. Magne J., Salerno B., Mohty D., Serena C., Rolle F., Piccardo A. et al. Echocardiography is useful to predict postoperative atrial fibrillation in patients undergoing isolated coronary bypass surgery: a prospective study. Eur. Heart J. Acute Cardiovasc. Care. 2019; 8 (2): 104–13. DOI: 10.1177/2048872616688419
  13. Ntaios G., Perlepe K., Lambrou D., Sirimarco G., Strambo D., Eskandari A. et al. Identification of patients with embolic stroke of undetermined source and low risk of new incident atrial fibrillation: the AF-ESUS score. Int. J. Stroke. 2021; 16 (1): 29–38. DOI: 10.1177/1747493020925281
  14. Atta-Fosu T., LaBarbera M., Ghose S., Schoenhagen P., Saliba W., Tchou P.J. et al. A new machine learning approach for predicting likelihood of recurrence following ablation for atrial fibrillation from CT. BMC Med. Imaging. 2021; 21 (1): 45. DOI: 10.1186/s12880-021-00578-4
  15. Himmelreich J.C.L., Lucassen W.A.M., Harskamp R.E., Aussems C., van Weert H.C.P.M., Nielen M.M.J. CHARGEAF in a national routine primary care electronic health records database in the Netherlands: validation for 5-year risk of atrial fibrillation and implications for patient selection in atrial fibrillation screening. Open Heart. 2021; 8 (1): e001459. DOI: 10.1136/openhrt-2020-001459. Erratum in: Open Heart. 2021; 8 (2): 1.
  16. Tseng A.S., Noseworthy P.A. Prediction of atrial fibrillation using machine learning: a review. Front. Physiol. 2021; 12: 752317. DOI: 10.3389/fphys.2021.752317

Об авторах

  • Котляров Станислав Николаевич, канд. мед. наук, заведующий кафедрой; ORCID
  • Любавин Александр Владимирович, кардиолог; ORCID

Электронная подписка

Для получения доступа к тексту статей журнала воспользуйтесь услугой «Электронная подписка»:

Оформить подписку Подробнее об электронной подписке

Главный редактор

Лео Антонович Бокерия, академик РАН и РАМН

Лео Антонович Бокерия, доктор медицинских наук, профессор, академик РАН и РАМН, президент



 Если вы заметили опечатку, выделите текст и нажмите alt+A