Intelligente Uhren und neuronale Netze erkennen Vorhofflimmern mit einer Genauigkeit von 97%

Eine Vorgeschichte des Herzrhythmus eines Patienten mit Vorhofflimmern. Abbildung: Kardiogramm

Dennoch gibt es einige praktische Vorteile von Smartwatches. Wenn Sie sie zusammen mit Deep-Learning-Anwendungen verwenden und die Daten analysieren, sind die medizinischen Informationen wirklich nützlich.

Denken Sie daran, wie Sie zu Ihrem Therapeuten gegangen sind - er legte ein Stethoskop auf seine Brust und hörte der Arbeit des Herzens zu, wobei er auf Lärm und andere Anomalien achtete. In diesem Fall könnten Sie zu einem Kardiogramm oder Ultraschall des Herzens geschickt werden. Das Problem ist jedoch, dass er in den meisten Fällen keine Arrhythmie hört, selbst wenn dies der Fall ist. Sehr oft manifestiert sich Arrhythmie nur periodisch. In Wirklichkeit entwickeln etwa 25% der Menschen im Laufe ihres Lebens Arrhythmien, aber die meisten von uns werden nie davon erfahren . Laut Statistik treten 10% der Schlaganfälle bei Patienten mit nicht diagnostiziertem Vorhofflimmern auf.

Fitness-Armbänder und andere tragbare Geräte mit Herzfrequenzmessung sind eine ganz neue Welt. Stellen Sie sich vor, Ihre Herzfrequenz wird täglich ständig gemessen, und im Falle eines Problems erhält der Arzt eine Benachrichtigung. Aber wie genau sind solche Messungen von gewöhnlichen Uhren?

Um dies zu testen, führte Cardiogram , der Entwickler der entsprechenden mobilen Anwendung, zusammen mit der Abteilung für Kardiologie der University of California in San Francisco eine groß angelegte Studie zu mRhythm durch.

Zunächst wurde ein neuronales Netzwerk entwickelt, das darauf trainiert wurde, in der Geschichte der Daten Anzeichen von Vorhofflimmern zu erkennen - die häufigste Art von Herzrhythmusstörungen. Die Architektur des neuronalen Netzwerks ist in der Abbildung dargestellt.


Die Daten von den Sensoren kommen in vier Schichten von Rest- und Faltungsneuronen mit einer Auswahl maximaler Elemente (Max-Pooling) nach jeder Schicht. Die Ausgabe wird an die vier verbleibenden bidirektionalen LSTM-Schichten gesendet. Am Ende erzeugt eine einzelne Faltungsschicht mit Filterlänge 1 zu jedem Zeitschritt eine prädiktive Schätzung

Zum Trainieren des neuronalen Netzwerks haben wir Daten von Benutzern der mobilen Cardiogram-Anwendung verwendet. Sie erhielten 200 mobile AliveCor-Kardiographen. Benutzer zeichneten 6.338 Kardiogramme mit einem positiven oder negativen Ergebnis für Vorhofflimmern auf. Nach dem Training konnte das neuronale Netzwerk die Prognose anhand der üblichen Statistiken der Apple Watch berechnen. Als heuristisches Vortraining verarbeitete das neuronale Netzwerk außerdem 139 Millionen Herzfrequenzmessungen von Kardiogrammbenutzern.

Nach einem solchen Training war die Genauigkeit der Diagnose höher als bei anderen Diagnosetypen. Die Ergebnisse der Studie der University of California in San Francisco wurden auf einer Konferenz der Kardiologen der Heart Rhythm Society vorgestellt .

Die Erkennungsgenauigkeit von Vorhofflimmern wurde bei 51 Patienten vor und nach der Kardioversion getestet - dem Verfahren zur Wiederherstellung eines gleichmäßigen Herzrhythmus bei Patienten mit Arrhythmie (Defibrillation durch aktuelle oder chemische Methoden).



Nach dem Training des neuronalen Netzwerks mit Herzfrequenzdaten von der Apple Watch aus der Apple Watch-Anwendung betrug die AUC (Bereich unter der Kurve) 0,97, was die Bestimmung des Vorhofflimmerns mit einer Empfindlichkeit von 98,04% und einer Spezifität von 90,2% ermöglichte ! Dies sind hervorragende Indikatoren, da die Apple Watch ein einfaches elektronisches Gerät ist, das in China zusammengebaut wurde und sehr ungenaue Informationen liefert. Es stand nicht neben echten medizinischen Instrumenten. Selbst diese Daten reichen jedoch für die Diagnose aus.

„Smartwatches“ mit einer Messung der Herzfrequenz haben noch keine große Popularität erlangt, jedoch kann sich fast jeder dieses Gerät leisten. Das Sammeln von Herzfrequenzstatistiken ist an und für sich interessant. Beobachten Sie einfach, wie sich die Indikatoren ändern, wie oft Sie die vierte und fünfte Zone im Verhältnis zur maximalen Herzfrequenz betreten - und wie schnell die normale Herzfrequenz danach wiederhergestellt wird.


Fahren zur Hauptverkehrszeit, spät für ein wichtiges Treffen um 16:00 Uhr. Abbildung: Kardiogramm


Verrücktes Training. Abbildung: Kardiogramm


Das Tennisspiel. Abbildung: Kardiogramm

Die Data-Mining-Herzfrequenzstatistik ist nicht die einzige Anwendung neuronaler Netze in der Medizin. Im Dezember 2016 trainierte ein Google-Forschungsteam das neuronale Netzwerk, um diabetische Retinopathie (eine der schwerwiegendsten Komplikationen von Diabetes, wenn die Netzhautgefäße betroffen sind) genauer als Augenärzte zu erkennen . Einen Monat später veröffentlichten Forscher der Stanford University in Nature einen wissenschaftlichen Artikel darüber, wie ein neuronales Netzwerk Fälle von Hautkrebs anhand von Fotos von Läsionen identifiziert.

Der Nachweis von Vorhofflimmern ist eine weitere wichtige Errungenschaft des tiefen Lernens in der Medizin. Kardiogrammspezialisten sind zuversichtlich, dass das neuronale Netzwerk neben Vorhofflimmern auch andere Herzerkrankungen anhand von Daten erkennen kann, die von Smartwatches gesammelt wurden. Die Frage ist nur das Training. Wir betrachten auch die Option des Selbstlernens mit Verstärkung, wenn Benutzer auf eine Schaltfläche klicken, um beispielsweise eine Panikattacke zu signalisieren. Im Laufe der Zeit wird das neuronale Netzwerk Anzeichen einer Panikattacke hervorheben und diese selbst erkennen können.