Способ детекции фибрилляции предсердий в структуре длительного мониторивания электрокардиограммы Российский патент 2025 года по МПК A61B5/352 

Изобретение относится к медицине, в частности, к кардиологии и функциональной диагностике, и может быть использовано для автоматического обнаружения фибрилляции предсердий (ФП).

Фибрилляция предсердий является одним из наиболее распространенных социально значимых нарушений сердечного ритма [1, 2]. Раннее и точное обнаружение даже коротких эпизодов аритмии существенно влияет на прогноз пациентов и тактику их дальнейшего лечения. На электрокардиограмме (ЭКГ) пароксизм ФП характеризуется нерегулярностью интервалов между R-пиками (RR-интервалами) и отсутствием Р-волны. При наличии пароксизма ФП на короткой записи ЭКГ врач-кардиолог способен достаточно точно его идентифицировать и поставить диагноз. Однако в клинической практике нередко возникают случаи, когда пароксизмальная форма ФП долгое время остается недиагностированной даже у пациентов, проходящих регулярное медицинское обследование. Это может быть связано с асимптомным рецидивированием аритмии, возникновением пароксизмов в ночное время, а также формированием ФП в структуре сложных нарушений сердечного ритма, из-за чего пациент на протяжении длительного времени может не подозревать о наличии у него аритмической патологии, кратно увеличивающей развитие кардиоэмболических осложнений, приводящих к инвалидизации и смертности лиц трудоспособного возраста вне зависимости от частоты и длительности эпизодов нарушения сердечного ритма. Для увеличения выявляемости ФП проводится длительное (суточное, трехсуточное) мониторирование ЭКГ с помощью носимых устройств. Анализ данных длительного мониторирования ЭКГ, в свою очередь, осложнен самой разнообразностью и продолжительностью регистрируемых сигналов, что обуславливает актуальность применения методов автоматического обнаружения нарушений сердечного ритма, в частности, ФП.

Известны методы на основе машинного обучения и нейронных сетей [3, 4], способные с высокой точностью идентифицировать пароксизмы ФП на ЭКГ. Однако, подобные методы требуют больших объемов экспертно размеченных данных для обучения, а также существенных вычислительных ресурсов для исполнения, что осложняет их применение в рутинной кардиологической практике, использующей устройства с низким электропотреблением. В связи с этим, существует потребность в более быстрых и удобных способах обнаружения аритмии.

За прототип был принят способ диагностики пароксизмальной фибрилляции предсердий патента RU 2463953 С1. Способ диагностики, заявленный в рамках изобретения-прототипа, напрямую сравнивает последовательные RR-интервалы и диагностирует у пациента ФП при наличии четырех последовательных отношений больше 1.15 или меньше 0.85 между идущими подряд RR-интервалами. Сопутствующие одиночные и парные экстрасистолы способны существенно изменять RR-интервалы, поэтому данный метод может приводить к большому количеству ложноположительных результатов и не позволяет осуществлять точную разметку данных ЭКГ и оценку «бремени» фибрилляции предсердий.

Задача, решаемая изобретением - повышение точности определения нарушений сердечного ритма за счет разграничения ЭКГ пациента на эпизоды ФП и синусового ритма с высокой чувствительностью и специфичностью. Достижение технического результата изобретения не требует большого количества контрольных данных и вычислительных ресурсов. Для решения заявленной задачи используются методы сжатия информации. Любые применяемые в практике методы сжатия чувствительны к нерегулярностям в последовательностях и могут применяться к произвольным данным. Поскольку ФП характеризуется спорадичным хаотическим ритмом сердечных сокращений, то сжатие можно также применять для обнаружения нерегулярности в изменениях длительностей RR-интервалов. Для этого, серии временных координат R-пиков размера 32-64 преобразуются в серию dRR удлинений и укорочений RR-интервалов по формуле

dRR_i=2R_i-5R_i+1+4R_i+2-R_i+3,

где dRR_i - это значение i-того элемента dRR-последовательности, R_i - временная координата i-ого R-пика. Данная формула выдвигается по аналогии с четырехточечной формулой взятия второй численной производной функции. Затем, между классифицируемой dRR-последовательностью и dRR-последовательностями из контрольного набора, состоящего из n образцов синусового ритма и n образцов ритма ФП, определяются нормализованные дистанции сжатия. Такая дистанция задается по формуле

,

где х, у - это произвольные последовательности,

ху - склеенная последовательность,

С(х) - длина сжатой последовательности х,

С(у) - длина сжатой последовательности у,

С(ху) - длина сжатой склеенной последовательности ху.

Сжатие последовательностей может быть проделано любыми методами на основе алгоритма Лемпеля-Зива, находящим совпадения в байтовом представлении информации. Например, могут использоваться такие методы, как gzip, 1z4, 1zma.

Выбор класса анализируемой dRR-последовательности проделывается поиском k-ближайших соседей из контрольного набора. Наиболее частый класс среди соседей присваивается классифицируемой последовательности. Число k соседей может быть выбрано по формуле

k=, где n - это количество образцов на класс ритма. Значение k округляется до ближайшего нечетного числа.

В ходе апробации изобретения было обнаружено, что предлагаемый способ достигает достаточно высокой точности классификации уже при n=10. То есть для работы метода достаточно иметь 10 экспертно размеченных эпизодов синусового ритма и 10 эпизодов ФП. В таком случае, классификация произвольной последовательности требует всего 20 расчетов нормализованной дистанции сжатия.

Как прототип, так и предлагаемый способ обнаруживают ФП с помощью анализа изменений между последовательными RR-интервалами, и потому требуют от мониторной системы автоматического нахождения R-пиков на ЭКГ. Оба способа могут быть реализованы целиком на портативном устройстве: поскольку операции сжатия, как правило, сразу оптимизируются на аппаратном уровне, то расчет нормализованных дистанций сжатия может проводиться с незначительным потреблением энергии. С другой стороны, между прототипом и описываемым изобретением имеются технические различия:

Описываемому способу необходима предварительная подготовка небольшого контрольного набора данных, что не требуется в прототипе;

Предлагаемый способ требует эпизод ЭКГ, включающий минимум 32 R-пика; в свою очередь, прототип изобретения требует 4 отношения между последовательными RR-интервалами, что вычисляется из 6 R-пиков.

Пример использования предлагаемого способа.

Пациенту требуется провести длительное мониторирование ЭКГ. Предварительно, врач-кардиолог конфигурирует устройство-монитор и загружает в него от десяти образцов эпизодов ЭКГ синусового ритма и десяти образцов эпизодов ФП длиной в 30-60 секунд. Система автоматически находит R-пики на ЭКГ и преобразовывает их в контрольный набор dRR-последовательностей. В течение периода мониторинга система также автоматически определяет R-пики, и каждые 32 сердцебиения рассчитываются нормализованные дистанции сжатия текущей последовательности с контрольным набором. Согласно полученным дистанциям, методом 7 ближайших соседей определяется ритм текущего эпизода ЭКГ. Врач-кардиолог впоследствии способен проинспектировать каждый эпизод.

Классификацию ритма в рамках данного способа можно проиллюстрировать следующим примером.

Пациенту Н. было проведено суточное мониторирование ЭКГ. Пациент демонстрировал большое количество парных экстрасистолий из-за чего на синусовом ритме появлялись последовательные укорачивающиеся и удлиняющиеся RR-интервалы, что вызывало ложноположительные срабатывания прототипа. Были выбраны эпизоды А, Б и В, включающие в себя по 32 R-пика. В таблице 1 представлены вычисленные дистанции сжатия между данными эпизодами и контрольным набором.

Ближайшими соседями эпизода А являются (в порядке возрастания дистанции) ФП4, ФП6, СР4, ФП3, ФП7, СР2, ФП5 - следовательно, эпизоду А присваивается класс ФП и пациенту диагностируется пароксизмальная форма ФП. Ближайшими соседями эпизода Б являются ФП1, СР10, СР6, ФП10, СР8, CP5, СР7 - следовательно, эпизоду Б присваивается класс синусового ритма. Ближайшими соседями эпизода В являются СР10, ФП1, СР7, ФП10, ФП9, СР8, СР6, СР5 - следовательно, эпизоду В присваивается класс синусового ритма. Впоследствии, врач-кардиолог подтвердил правильность автоматического вывода предлагаемого способа.

Следующий пример демонстрирует высокую точность разграничения Холтеровских ЭКГ на эпизоды синусового ритма и ФП предлагаемым способом изобретения.

Существует ряд открытых баз данных ЭКГ, которые общепринято используются для разработки и апробации способов обнаружения различных сердечных заболеваний. В случае ФП, такой рекомендуемой базой данных является MIT ВШ Atrial Fibrillation Database, состоящая из 25 десятичасовых записей суточного мониторирования ЭКГ пациентов с пароксизмальной формой ФП. Эта база данных была использована для тестирования предлагаемого способа в сравнении с прототипом. В таблице 2 представлены результаты.

Как видно из приведенных показателей, предлагаемый в изобретении способ опережает прототип по всем показателям качества классификации.

Таким образом, предлагаемый способ прост в исполнении и позволяет повысить точность выявления фибрилляции предсердий как искомого нарушения сердечного ритма и разграничить ее эпизоды с нормальным синусовым ритмом.

Использованные источники информации

1. Филатов А.Г., Тарашвили Э.Г. Эпидемиология и социальная значимость фибрилляции предсердий // Анналы аритмологии. - 2012. - Т. 9. - №.2. - С. 5-13.

2. Heeringa J. и др. Prevalence, incidence and lifetime risk of atrial fibrillation: the Rotterdam study // European heart journal. - 2006. - T. 27. - №.8. - C. 949-953.

3. Xia Y. и др. Detecting atrial fibrillation by deep convolutional neural networks // Computers in biology and medicine. - 2018. - T. 93. - C. 84-92.

4. Pourbabaee В., Roshtkhari M. J., Khorasani K. Deep convolutional neural networks and learning ECG features for screening paroxysmal atrial fibrillation patients // IEEE Transactions on Systems, Man, and Cybernetics: Systems. - 2017. - T. 48. - №.12. - C. 2095-2104.

5. Пат. 2463953 РФ. Способ диагностики пароксизмальной фибрилляции предсердий / Иванов С.Ю., Бондаренко Б.Б.; Заявка: 2011125232/14, 17.06.2011 Опубликовано: 20.10.2012 Бюл. №29.

Изобретение относится к медицине, в частности к кардиологии и функциональной диагностике. Пациенту перед длительным мониторированием ЭКГ осуществляют конфигурацию устройства - монитор и загружают в него не менее десяти образцов эпизодов ЭКГ синусового ритма и десяти образцов эпизодов ФП длиной в 30-60 с, для создания контрольного набора dRR-последовательностей. Используя методы сжатия информации, применяемые к dRR-последовательностям удлинений и укорочений RR-интервалов, разграничивают ЭКГ на эпизоды ФП и синусового ритма. dRR-последовательности вычисляются из последовательностей R-пиков по формуле. Далее между текущими последовательностями и последовательностями из контрольного набора, состоящего из n образцов синусового ритма и n образцов ритма ФП, вычисляют нормализованные дистанции сжатия, по формуле. Выбор класса ритма текущего эпизода производится методом k-ближайших соседей, где число k соседям выбирается по формуле. Затем из полученных значений дистанции выбирают k наименьших значений в порядке их возрастания, а детекцию ФП осуществляют при ее большей встречаемости в полученных значениях k дистанций. Способ позволяет повысить точность определения нарушений сердечного ритма за счет разграничения ЭКГ пациента на эпизоды ФП и синусового ритма с высокой чувствительностью и специфичностью. 2 табл., 1 пр.

Способ детекции фибрилляции предсердий в структуре длительного мониторирования электрокардиограммы, включающий проведение больному мониторирования ЭКГ и анализ изменений между последовательными RR-интервалами, отличающийся тем, что перед мониторированием ЭКГ конфигурируют устройство-монитор и загружают в него не менее десяти образцов эпизодов ЭКГ синусового ритма и десяти образцов эпизодов ФП длиной в 30-60 с для создания контрольного набора dRR-последовательностей; в течении мониторинга временные координаты R-пиков размера 32-64 на ЭКГ преобразуют в последовательность dRR удлинений и укорочений RR-интервалов по формуле dRR_i=2R_i-5R_i+1+4R_i+2-R_i+3, где dRR_i - значение i-того элемента dRR-последовательности, R_i - временная координата i-ого R-пика; сравнивают текущую dRR-последовательность со всеми dRR-последовательностями из контрольного набора и определяют нормализованные дистанции сжатия по формул:

,

где NCD (х, у) - нормализованные дистанции сжатия,

х, у - произвольные последовательности,

ху - склеенная последовательность,

С(х) - длина сжатой последовательности х,

С(у) - длина сжатой последовательности у,

С(ху) - длина сжатой склеенной последовательности ху,

эпизоду, соответствующему текущей dRR-последовательности, присваивают класс ритма, используя метод k-ближайших соседей, где число k соседей выбирают по формуле: где n - это количество образцов на класс ритма, а значение k округляется до ближайшего нечетного числа, затем из полученных значений дистанции выбирают k наименьших значений в порядке их возрастания, а детекцию ФП осуществляют при ее большей встречаемости в полученных значениях k дистанций.