《Journal of Electrocardiology》：Malignant arrhythmia risk assessment based on lead-I mobile ECG measurements using machine learning
编辑推荐：
恶性心律失常风险估计算法基于单导联I心电图，采用beat-to-beat QRST积分均值和相对标准差作为特征参数，结合3-NN、1-D和2-D贝叶斯分类器进行模型训练与验证，结果显示2-D贝叶斯分类器在正常组（87.30%）和高危组（94.23%）的分类效率最优，适用于移动ECG系统。
格莱戈里·图博利（Gergely Tuboly）|奥尔索利亚·基斯（Orsolya Kiss）|马泰·巴比蒂（Máté Babity）|马尔克·扎莫迪奇（Márk Zámodics）|贝拉·梅尔凯利（Béla Merkely）|乔治·科兹曼（Gy?rgy Kozmann）|穆罕默德·F·伊萨（Mohamed F. Issa）
潘诺尼亚大学电气工程与信息系统系，Egyetem u. 10，8200 Veszprém，匈牙利
摘要
本文提出了一种算法，该算法能够基于短导联I心电图（ECG）记录来估计恶性心律失常的风险。我们选择心跳间QRST积分的平均值和相对标准差作为特征参数。该算法在包含三个子组的训练集上进行了训练：55名健康受试者、48名无恶性心律失常病史的患者以及48名恶性心律失常患者。这些子组分别代表正常风险、中等风险和高风险。作为监督机器学习技术，使用了3最近邻（3-NN）以及一维和二维贝叶斯分类器。测试集包含了63名健康受试者和52名确诊恶性心律失常患者的心电图信号。使用二维贝叶斯分类器获得了最佳的分类结果，其对正常心律失常和恶性心律失常病例的决策效率分别为87.30%和94.23%。3-NN方法和一维贝叶斯分类器的效果略低（分别为80.95%和94.23%）。相比之下，使用QTc参数而非QRST积分在恶性心律失常病例中的决策效率较低（84.62%）。所提出的方法中，二维贝叶斯分类器的性能最佳，而3-NN分类器也具有较高的效率。据我们所知，我们的算法是首个仅需要单导联ECG作为输入即可有效估计恶性心律失常风险的算法。由于该方法仅依赖于导联I的ECG数据，因此在移动式ECG系统（例如WIWE）中非常有用，可以实现院外风险评估。
引言
根据Mensah等人的最新统计[1]，心血管疾病（CVD）仍然是全球主要的死亡原因。在CVD中，突发性心脏死亡（SCD）尤为重要，约占所有CVD相关死亡病例的一半[2]。因此，从公共卫生和卫生预算的角度来看，早期发现SCD风险增加的情况至关重要。
室性心动过速（VT）和室性颤动（VF）被认为是SCD的主要原因，占所有病例的约80%[3]。上述恶性心律失常的一个必要前提是心室复极化的异质性增加，这可以通过心电图（ECG）参数来揭示[4]。
文献中有几种方法用于表征心室异质性。例如，几十年来，延长的QT间期一直与SCD风险增加有关[5]。尽管经典的QT和QTc参数仍常用于ECG诊断，但它们受到噪声敏感性的限制，空间洞察力不足，且区分能力中等[6]。更精细的ECG测量指标包括T波面积异质性（或T波面积分散）。在一项大型队列研究中，T波分散被发现是最强的基于ECG的风险标志物，其调整后的SCD风险比为4.6倍[7]。同样，来自12导联ECG的形态学参数（如T波形态、复杂性指数）也被提出作为复极化分散的标志物[8]。
为了将ECG指标与细胞异质性更直接地联系起来，一些研究人员采用了空间积分、偶极与非偶极分解以及体表电位图（BSPM）。QRST积分（QRST曲线下的面积）的分析与动作电位分散有很强的理论关联[9]、[10]、[11]。Abildskov等人引入了非偶极指数来表征通过高分辨率体表电位图（BSPM）获得的平均QRST积分图的形态[12]。后来Kozmann等人分析了QRST积分图的非偶极性随心跳的变化[13]。De Ambroggi等人也考虑了QRST积分图的非偶极内容，并发现长QT综合征患者的非偶极性增加[14]。Tereschenko等人提出的“绝对QRST积分的总幅度”（SAI QRST）是一种相对较新的复极化异质性标志物[15]。
除了QRST测量指标外，还有其他基于表面ECG的方法用于近似空间分散。T波恢复度、T波复杂性（例如ST-T的主成分分析）以及动态心跳间形态学参数与心力衰竭和一般人群中的SCD风险相关[16]、[17]。实际上，在体外研究中，药物诱导的复极化梯度显著改变了T波的对称性、空间分散性和从BSPM导出的T波组织指数，证实了这些表面指标能够反映潜在的异质性[18]。
尽管有许多SCD风险评估技术，但迄今为止没有一种被广泛接受用于常规临床实践。原因有多种。一方面，许多高分辨率指标需要使用多个电极的BSPM，这在典型的临床环境中既繁琐又难以实现。另一方面，标准ECG导联丢弃了大量空间信息，因此从表面信号到异质性的映射是间接的，且往往对局部分散不敏感[19]。此外，由于事件发生率低、需要高特异性以及需要可解释的指标，群体层面的筛查具有挑战性。最后，传统的统计模型可能缺乏整合多模态ECG特征的灵活性，尤其是在噪声较大或移动式ECG环境中。
然而，过去几十年的技术发展为通过单导联移动式ECG测量单元结合智能应用程序进行院外ECG测量和评估提供了新的机会[20]。市面上有多种商用单导联移动式ECG系统，如Apple Watch（从Series 4开始）、AliveCor KardiaMobile和WIWE[21]、[22]、[23]。这些设备表明大规模、低成本的ECG筛查是可行的。此外，深度学习方法已经开始显示出优于传统ECG风险模型的性能：Holmstr?m等人展示了在12导联ECG上训练的深度神经网络可以区分SCD病例，其接收者操作特征曲线下面积（AUROC）约为0.889，而传统ECG风险模型的AUROC约为0.712[24]。同样，Oberdier等人应用深度学习进行突发性心脏骤停预测，并在不同年龄和性别层面上取得了有希望的结果[25]。
其他近期方法解决了ECG信号噪声、导联数量有限和顺序建模等问题。例如，Gao等人提出了一种基于单导联ECG的SCD预测算法，即使信噪比较低[26]。Wang等人开发了一个嵌套LSTM框架，用于从ECG序列特征中早期检测SCD风险，显示出比传统模型更好的性能[27]。Centeno-Bautista等人探索了使用ECG的经验模式分解来提高SCD预测性能[28]。此外，超短期心率波动指标（例如1分钟ECG的去趋势波动分析）也被提出作为门诊环境中SCD或心律失常风险的预测因子[29]。
从这些广泛的文献中可以看出几个差距和挑战：
- 1.
从BSPM到单导联ECG的转换：许多强大的指标依赖于高密度空间采样（BSPM），但当从单个导联（例如导联I）投影或近似时，其准确性仍不确定或未经研究。
- 2.
对噪声和运动伪迹的鲁棒性：移动式ECG系统经常受到运动、基线漂移和信号质量低的影响。大多数现有的风险指标是在相对干净的临床ECG数据上验证的；它们在真实门诊噪声下的表现尚不清楚。
- 3.
事件发生率低和类别不平衡：SCD在一般人群中是罕见事件，因此模型必须在保持敏感性的同时具有高度特异性。许多已发表的机器学习方法是在富集或高风险数据集上测试的，这可能会影响性能。
- 4.
可解释性和临床可接受性：临床医生可能不愿意采用黑箱模型。即使在深度学习方法中，也不清楚哪些ECG特征驱动了预测结果，以及它们如何与生理异质性相关。
- 5.
动态和时间变异性的整合：许多方法将ECG简化为静态摘要指标。结合心跳间变异性、恢复动态或纵向趋势信息可能更好地捕捉到不断变化的脆弱性。
本研究提出了一种基于导联I QRST积分分析和机器学习的新型恶性心律失常风险评估方法。由于导联I在许多可穿戴ECG系统中都是可用的（或可推导的），我们的方法与单导联移动式ECG系统（带有评估智能应用的测量设备）兼容。我们应用并比较了三种监督机器学习技术：3-NN（最近邻）、一维贝叶斯和二维贝叶斯，这些技术都应用于经过临床验证的ECG记录。3-NN变体已经嵌入到WIWE移动式ECG系统的自动评估软件中。据作者所知，目前没有其他已发表的方法能够仅通过导联I的移动式ECG测量来评估SCD风险。
部分摘录
临床数据集
我们经过临床验证的ECG数据集被分为两个子集：151个病例的学习集用于训练分类器，115个病例的测试集用于评估决策效率。这两个子集的ECG信号均记录在匈牙利的Semmelweis大学心脏和血管中心。
学习集包括以下组：
- •
正常组：55名健康受试者（年龄：20–40岁，男性：35人）
- •
边缘组：48名糖尿病患者
结果
根据表2，二维贝叶斯分类法的效率最高。然而，3-NN决策的实现要简单得多。
表2显示的结果比较了本研究中使用的不同协议。NOR-NOR表示正确分类为正常的病例。类似地，VTVF-VTVF表示正确分类的VT/VF病例。另一方面，NOR-BOR、NOR-VTVF、VTVF-BOR和VTVF-NOR分别代表...
讨论
文献中的结果已经表明，基于QRST积分的恶性心律失常风险评估是有前景的[15]。然而，所有这些方法都依赖于多导联ECG记录，因此无法应用于处理单导联移动式ECG测量。这是一个缺点，因为当今快速发展的商用移动式ECG设备——患者可以在医院外轻松使用——通常只依赖一个ECG导联：肢体导联I[21]、[22]、[23]。我们应该...
结论
我们开发了一种基于机器学习的恶性心律失常风险评估方法，该方法将1分钟长的ECG记录分为三类：正常、中等风险和高风险。由于心室异质性增加是恶性心律失常的必要前提，我们选择了两个特征参数——心跳间QRST积分的平均值和相对标准差——来表征心室复极化异质性。
临床验证表明...
CRediT作者贡献声明
格莱戈里·图博利（Gergely Tuboly）：写作——审稿与编辑、原始草稿撰写、可视化、软件开发、方法论研究、概念化。奥尔索利亚·基斯（Orsolya Kiss）：验证、研究、数据管理。马泰·巴比蒂（Máté Babity）：研究、数据管理。马尔克·扎莫迪奇（Márk Zámodics）：研究、数据管理。贝拉·梅尔凯利（Béla Merkely）：监督、研究。乔治·科兹曼（Gy?rgy Kozmann）：写作——原始草稿撰写、验证、监督、方法论研究、资金获取、数据管理、概念化。穆罕默德·F·伊萨（Mohamed F. Issa）：写作——审稿与...
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了匈牙利政府和欧洲社会基金[资助编号 EFOP-3.6.1-16-2016-00015]的联合支持。
