Sammenligning av kardiologisk og algoritmebasert EKG-tolkning på idrettsutøvere: Kan kunstig intelligens forbedre algoritmene?

Abstract

Hjertestans er den vanligste årsaken til plutselig død blant idrettsutøvere. Dette skyldes ofte arvelige hjertesykdommer som blant annet kan oppdages på et elektrokardiogram (EKG). I denne studien ble to problemstillinger undersøkt: (1) Om tolkningsalgoritmene i en klinisk anvendt elektrokardiograf er bedre tilpasset EKG fra den generelle befolkning enn idrettsutøvere? (2) Om moderne metoder, som kunstig intelligens (KI), kunne brukes til å forbedre dagens kliniske anvendte tolkningsalgoritmer slik at de kan bli bedre kalibrert for idrettsutøvere? For å undersøke (1) ble det registrert EKG fra 28 idrettsutøvere ved bruk av en moderne elektrokardiograf. EKGene ble tolket av tolkningsalgoritmen i elektrokardiografen, og sammenlignet med en kardiologs tolkning. Tolkningsalgoritmen klassifiserte 46% av EKGene som normale, 25% i grenseområdet og 29% som unormale. Kardiologen fulgte retningslinjene fra International Criteria, og klassifiserte 93% som normale og 7% i grenseområdet. Resultatene viser at tolkningsalgoritmen feilvurderer noen av områdene i EKGet. Dette ga i noen tilfeller alvorlige feilklassifiseringer, som akutt hjerteinfarkt (STEMI). For å undersøke (2) ble et stort åpent datasett av EKGer fra den generelle befolkning tatt i bruk. Ni ulike modeller ble trent, og validert på datasettet, deretter ble fire prediksjoner fra de to beste modellene forklart ved bruk av forklarbar KI. Den beste modellen fikk en PhysioNet/CinC Challenge skår = 0,512±0,006 og en F1-skår=0,405±0,008 ved 10-ganger kryssvalidering. Modellarkitekturene lar seg forklare ved bruk av forklarbar KI. Forklarbarheten er viktig for modellens kliniske relevans. For videre arbeid med disse problemstillingene trengs tilgang til flere EKG fra idrettsutøvere.

Cardiac arrest is the most common cause of sudden death among athletes. Many of the diseases that cause Cardiac arrest can be detected on an electrocardiogram (ECG). In this study, two research questions were examined. (1) Are the interpretive algorithms in a clinically applied electrocardiographs better adapted to the ECG of the general population than athletes? (2) Can modern methods, such as artificial intelligence (AI), be used to improve today's clinically applied interpretation algorithms so that they can be better calibrated for athletes? To examine (1), ECGs from 28 athletes were measured using a modern electrocardiograph. The ECGs were interpreted by the electrocardiographs interpretation algorithm and compared with a cardiologist's interpretation. The interpretation algorithm classified 46% of the ECGs as normal, 25% as borderline findings and 29% as abnormal. The cardiologist followed the guidelines from International Criteria and classified 93% as normal and 7% as borderline findings. The results show that the interpretation algorithm misinterprets some of the features in the ECG. This gave some serious misinterpretations such as STEMI. To examine (2), a large open dataset of ECGs from the general population was used. Nine different models were trained and validated on the dataset and four predictions from the two best models were explained using explainable AI. The best model received a PhysioNet / CinC Challenge score =0.512±0.006 and an F1-score=0.405±0.008 at 10-fold cross-validation. This type of model architecture can be explained using explainable AI. Explainability is important for the clinical relevance of the model. For further work on this topic, access to several ECGs from athletes is needed.