Ein neues Modell künstlicher Intelligenz hat mehrere Arten von Herzrhythmusstörungen auf Elektrokardiogrammen mit einer Genauigkeit von über 98 % erkannt.
Eine Herzrhythmusstörung entspricht einem zu schnellen, zu langsamen oder unregelmäßigen Herzschlag. Sie kann harmlos sein oder auf eine behandlungsbedürftige Störung hinweisen. Das Elektrokardiogramm, häufig als EKG abgekürzt, zeichnet mithilfe von auf der Haut angebrachten Elektroden die elektrische Aktivität des Herzens auf.
Illustratives Bild von Pixabay
Die Forschenden verglichen mehrere Algorithmusfamilien unter denselben Bedingungen. Ihr Modell kombiniert ein Graphennetzwerk, das verschiedene Punkte des Signals miteinander verbindet, mit einem Transformer, der die Beziehungen innerhalb einer langen Sequenz analysieren kann. Diese Kombination ermöglicht es, gleichzeitig die Form und die zeitliche Entwicklung der Herzschläge zu verfolgen.
Für die wichtigsten Tests wurde die MIT-BIH Arrhythmia Database verwendet, eine Sammlung von Aufzeichnungen, die häufig zur Prüfung automatischer Systeme eingesetzt wird. Das Modell erreichte eine Genauigkeit von 98,35 %, eine Sensitivität von 98,36 % und einen F1-Score von 98,34 %. Diese Kennzahlen messen unterschiedliche Aspekte der Qualität der Klassifikationen.
Die Genauigkeit gibt den Gesamtanteil der korrekten Vorhersagen an. Die Präzision misst die Zuverlässigkeit der Fälle, die einer Kategorie zugeordnet wurden. Die Sensitivität bewertet den Anteil der tatsächlich vorhandenen Fälle, die der Algorithmus erkennt. Der F1-Score kombiniert die beiden letztgenannten Kennzahlen, um irreführende Ergebnisse aufgrund eines Ungleichgewichts zwischen den Kategorien zu begrenzen.
Die Autoren führten außerdem eine fünffache Kreuzvalidierung durch. Bei dieser Methode wird das Modell mehrmals auf einem Teil der Daten trainiert und anschließend auf dem verbleibenden Teil getestet. Zusätzlich wurde mit der PTB Diagnostic ECG Database eine externe Bewertung durchgeführt, um zu überprüfen, dass die Leistung nicht von einem einzigen Datensatz abhing.
Das System verfügt schließlich über eine Interpretationsmethode namens Grad-CAM. Sie hebt die Signalbereiche hervor, die die Entscheidung am stärksten beeinflusst haben. Ein Arzt kann dadurch prüfen, ob sich der Algorithmus auf stimmige Herzmerkmale stützt und nicht auf ein Detail, das in keinem Zusammenhang mit der Herzrhythmusstörung steht.
Diese Ergebnisse stammen weiterhin aus einer computergestützten Arbeit ohne prospektive Studie mit Patienten und ohne Einsatz in der klinischen Praxis. Referenzdatenbanken bilden nicht immer die Vielfalt der Geräte, Bevölkerungsgruppen und Aufzeichnungsbedingungen ab. Unabhängige Tests mit Krankenhausdaten werden erforderlich sein, bevor eine Unterstützung bei der Diagnose in Betracht gezogen werden kann.