ECG-കളിൽ പ്രയോഗിക്കുന്ന Deep Learning AF-ന്റെ ഉയർന്ന അപകടസാധ്യതയുള്ള രോഗികളെ തിരിച്ചറിയാൻ സഹായിക്കും

You are currently viewing ECG-കളിൽ പ്രയോഗിക്കുന്ന Deep Learning AF-ന്റെ ഉയർന്ന അപകടസാധ്യതയുള്ള രോഗികളെ തിരിച്ചറിയാൻ സഹായിക്കും

ആട്രിയൽ ഫൈബ്രിലേഷൻ (എഎഫ്) ക്രമരഹിതവും പലപ്പോഴും വളരെ വേഗത്തിലുള്ളതുമായ ഹൃദയ താളമായി അംഗീകരിക്കപ്പെടുന്നു, ഇത് 80 വയസ്സിന് മുകളിലുള്ള നാലിലൊന്ന് രോഗികളെ ബാധിക്കുന്നു. പഠനങ്ങൾ അനുസരിച്ച് എഎഫ് ഉള്ള രോഗികൾക്ക് ഹൃദയാഘാതം ഉണ്ടാകാനുള്ള സാധ്യത 5 മടങ്ങ് കൂടുതലാണ്, കൂടാതെ ഹൃദയാഘാതം സംഭവിച്ച് 30 ദിവസത്തിനുള്ളിൽ മരിക്കാനുള്ള സാധ്യത 25% വരെയാണ്. ഇലക്ട്രോകാർഡിയോഗ്രാമുകളിൽ (ഇസിജി) പ്രയോഗിക്കുന്ന ആഴത്തിലുള്ള പഠനം നിരവധി കാർഡിയോവാസ്കുലാർ രോഗങ്ങൾ നേരത്തെ തിരിച്ചറിയുന്നതിന് വിജയകരമായി ഉപയോഗിച്ചു.

ഇസിജികളിൽ പ്രയോഗിക്കുന്ന ആഴത്തിലുള്ള പഠനം പ്രതികൂല ഹൃദയ സംഭവങ്ങൾ തടയാൻ സഹായിക്കുന്നതിന് തീവ്രമായ നിരീക്ഷണ പരിപാടികൾക്ക് പരിഗണിക്കാവുന്ന എഎഫ് ഉയർന്ന അപകടസാധ്യതയുള്ള രോഗികളെ തിരിച്ചറിയാൻ സഹായിക്കുമെന്ന് ജാമ കാർഡിയോളജിയിലെ ഒരു പുതിയ പഠനം കണ്ടെത്തി. എഎഫിന്റെ പല കേസുകളും തിരിച്ചറിയപ്പെടാതെ പോകുന്നു, കാരണം മൂന്നിലൊന്ന് പേരെങ്കിലും രോഗലക്ഷണങ്ങളില്ലാത്തവരാണ്, കാരണം ഇസിജിയിൽ ആഴത്തിലുള്ള പഠനം പുതിയ ഡയഗ്നോസ്റ്റിക് സാങ്കേതികതയായിരിക്കാം.

1987 ജനുവരി 1 മുതൽ 2022 ഡിസംബർ 31 വരെ 6 യുഎസ് വെറ്ററൻസ് അഫയേഴ്സ് (വിഎ) ഹോസ്പിറ്റൽ നെറ്റ്വർക്കുകളിലും 1 വലിയ വിഎ ഇതര അക്കാദമിക് മെഡിക്കൽ സെന്ററിലും നേടിയ ഇസിജികളിൽ ഗവേഷകർ ഒരു രോഗനിർണയ പഠനം നടത്തി. പങ്കെടുക്കുന്നവരിൽ സൈനസ് താളത്തിൽ 12 ലീഡ് ഇസിജികളുള്ള എല്ലാ ഔട്ട്പേഷ്യന്റുകളും ഉൾപ്പെടുന്നു. 2 യുഎസ് വിഎ ഹോസ്പിറ്റൽ നെറ്റ് വർക്കുകളിൽ നിന്നുള്ള 12 ലീഡ് ഇസിജികൾ ഉപയോഗിച്ച് ഒരു കൺവലൂഷണൽ ന്യൂറൽ നെറ്റ് വർക്ക് സൈനസ് റിഥം ഇസിജികളുടെ 31 ദിവസത്തിനുള്ളിൽ എഎഫിന്റെ സാന്നിധ്യം പ്രവചിക്കാൻ പരിശീലനം നൽകി. 2 വിഎ നെറ്റ് വർക്കുകളിലും 4 അധിക വിഎ നെറ്റ് വർക്കുകളിലും 1 വലിയ വിഎ ഇതര അക്കാദമിക് മെഡിക്കൽ സെന്ററിലും പരിശീലനത്തിൽ നിന്ന് പുറത്തെടുത്ത ഇസിജികളിൽ ഈ മോഡൽ പരീക്ഷിച്ചു.

പഠനത്തിലെ പ്രധാന കണ്ടെത്തലുകൾ ഇവയാണ്

• 6 വിഎ സൈറ്റുകളിലുടനീളമുള്ള രോഗികളിൽ നിന്നുള്ള മൊത്തം 907 858 ഇസിജികൾ വിശകലനത്തിൽ ഉൾപ്പെടുത്തി. 6.4% സ്ത്രീകളും 93.6% പുരുഷന്മാരും ആയിരുന്നു, CHA2DS2-VASC (ഹൃദയസ്തംഭനം, രക്താതിമർദ്ദം, പ്രായം, പ്രമേഹ മെലിറ്റസ്, മുമ്പത്തെ ഹൃദയാഘാതം അല്ലെങ്കിൽ ക്ഷണിക ഇസ്കെമിക് അറ്റാക്ക് അല്ലെങ്കിൽ ത്രോംബോഎംബോളിസം, വാസ്കുലർ രോഗം, പ്രായം, ലിംഗ വിഭാഗം) ഉള്ളവരായിരുന്നു.

മൊത്തം 0.2% അമേരിക്കൻ ഇന്ത്യൻ അല്ലെങ്കിൽ അലാസ്ക സ്വദേശികൾ, 2.7% ഏഷ്യക്കാർ, 10.7% കറുത്തവർ, 4.6% ലാറ്റിങ്ക്സ്, 0.7% തദ്ദേശീയ ഹവായിയൻ അല്ലെങ്കിൽ മറ്റ് പസഫിക് ദ്വീപ്വാസികൾ, 62.4% വെള്ളക്കാർ, 0.4% മറ്റ് വംശത്തിൽ നിന്നോ വംശീയതയിൽ നിന്നോ ഉള്ളവരാണ് (ഇത് വിഎ ഡാറ്റാ സെറ്റിൽ ഉപവിഭാഗങ്ങളായി വിഭജിച്ചിട്ടില്ല), 18.4% അജ്ഞാത വംശം അല്ലെങ്കിൽ വംശീയതയുള്ളവരാണ്.

നോൺ-വിഎ അക്കാദമിക് മെഡിക്കൽ സെന്ററിൽ (72 483 ഇസിജികൾ), 52.5% സ്ത്രീകളായിരുന്നു, CHA2DS2-വിഎസ്സി സ്കോർ 1.6 (1.4).

മൊത്തം 0.1% അമേരിക്കൻ ഇന്ത്യൻ അല്ലെങ്കിൽ അലാസ്ക സ്വദേശികൾ, 7.9% ഏഷ്യക്കാർ, 9.4% കറുത്തവർ, 2.9% ലാറ്റിങ്ക്സ്, 0.03% തദ്ദേശീയ ഹവായിയൻ അല്ലെങ്കിൽ മറ്റ് പസഫിക് ദ്വീപ്വാസികൾ, 74.8% വെള്ളക്കാർ, 0.1% മറ്റ് വംശത്തിൽ നിന്നോ വംശീയതയിൽ നിന്നോ ഉള്ളവർ, 4.7% അജ്ഞാത വംശത്തിൽ നിന്നോ വംശീയതയിൽ നിന്നോ ഉള്ളവരാണ്.

• 0.86 റിസീവർ ഓപ്പറേറ്റിംഗ് സവിശേഷത കർവ് (എയുആർഒസി), കൃത്യത 0.78, എഫ് 1 സ്കോർ 0.30 എന്നിവയുള്ള വിഎ സൈറ്റുകളിലെ ഹോൾഡ്-ഔട്ട് ടെസ്റ്റ് ഇസിജികളിൽ സൈനസ് റിഥം ഇസിജി 31 ദിവസത്തിനുള്ളിൽ എഎഫ് സാന്നിധ്യം ഒരു ഡീപ് ലേണിംഗ് മോഡൽ പ്രവചിച്ചു.

• നോൺ-വിഎ സൈറ്റിൽ, AUROC 0.93 ആയിരുന്നു; കൃത്യത, 0.87; എഫ് 1 സ്കോർ, 0.46. എല്ലാ സൈറ്റുകളിലും 0.02 ബ്രയർ സ്കോർ ഉപയോഗിച്ച് മോഡൽ നന്നായി കാലിബ്രേറ്റ് ചെയ്തു.

• ആഴത്തിലുള്ള പഠനത്തിലൂടെ ഉയർന്ന അപകടസാധ്യതയുണ്ടെന്ന് കരുതുന്ന വ്യക്തികളിൽ, എഎഫിന്റെ പോസിറ്റീവ് കേസ് കണ്ടെത്താൻ സ്ക്രീൻ ചെയ്യാൻ ആവശ്യമായ എണ്ണം 25% ടെസ്റ്റിംഗ് സംവേദനക്ഷമതയ്ക്കായി 2.47 വ്യക്തികളും 75% ന് 11.48 ഉം ആയിരുന്നു.

“ഔട്ട്പേഷ്യന്റ് സൈനസ് റിഥം ഇസിജികളുടെ ആഴത്തിലുള്ള പഠനം വൈവിധ്യമാർന്ന ജനസംഖ്യാശാസ്ത്രവും കോമോർബിഡിറ്റികളുമുള്ള ജനസംഖ്യയിൽ 31 ദിവസത്തിനുള്ളിൽ എഎഫ് പ്രവചിച്ചു. ഈ രോഗവുമായി ബന്ധപ്പെട്ട പ്രതികൂല സങ്കീർണതകൾ കുറയ്ക്കുന്നതിന് ഭാവിയിലെ എഎഫ് സ്ക്രീനിംഗ് ശ്രമങ്ങളിൽ സമാനമായ മോഡലുകൾ ഉപയോഗിക്കാം.

റഫറൻസ്: യുവാൻ എൻ, ഡഫി ജി, ധ്രുവ എസ് എസ്, തുടങ്ങിയവർ. ആട്രിയൽ ഫൈബ്രിലേഷൻ പ്രവചിക്കാൻ യുഎസ് വെറ്ററൻമാരിൽ നിന്ന് സൈനസ് റിഥത്തിലെ ഇലക്ട്രോകാർഡിയോഗ്രാമുകളുടെ ആഴത്തിലുള്ള പഠനം. ജമാ കാർഡിയോൾ. പ്രസിദ്ധീകരിച്ചത് ഒക്ടോബർ 18, 2023. DOI:10.1001/jamacardio.2023.3701

Dr Bibin

Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision

Leave a Reply