人口レベルでの心血管診断のための心電図に基づく機械学習アルゴリズムの開発と検証

情報科学 人工知能 医学 循環器系 生物物理学 生命科学
人工知能 心電図 心血管疾患 深層学習 極度勾配ブースティング

心電図に基づく大規模な心血管診断機械学習アルゴリズムの開発と検証

序論

心血管疾患（Cardiovascular diseases, CV）は、世界中で病気の負担の主な原因であり、早期診断と介入が病気の合併症、医療利用率、および費用の削減において重要です。伝統的な心電図（Electrocardiogram, ECG）は、低コストで便利な診断ツールとして、心血管疾患の検出に広く使用されています。しかし、現在のECG解釈技術（人工およびコンピュータアルゴリズムを含む）は、高次の信号相互作用および「隠れた」臨床関連パターンの識別に制限があります。人工知能（Artificial Intelligence, AI）、特に深層学習（Deep Learning, DL）の出現は、ECG信号における「隠れた」パターンの識別と、多くの心血管疾患の複雑な相互関係の同時評価の新たな機会を提供します。本研究はこの背景に基づいて行われました。

論文の出典と著者

本論文は《npj Digital Medicine》ジャーナルに掲載され、Sunil Vasu Kalmady、Amir Salimi、Weijie Sun、Nariman Sepehrvand、Yousef Nademi、Kevin Bainey、Justin Ezekowitz、Abram Hindle、Finlay McAlister、Russel Greiner、Roopinder Sandhu、Padma Kaulらの複数の研究機関の研究者による共同研究であり、特にソウル国立大学Bundang病院を基盤とした共同研究です。

研究の流れ

研究対象とデータ収集

本研究は、2007年2月から2020年4月までの間にカナダ・アルバータ州の84の救急科または病院にて行われた244,077名の成人患者から提供された1,605,268個の12誘導ECGデータを使用しました。研究の目的は、心房細動、上室性頻拍、心室性頻拍、心停止、房室ブロック、不安定狭心症、ST上昇型心筋梗塞、非ST上昇型心筋梗塞、肺塞栓症、肥大型心筋症、大動脈弁狭窄、僧帽弁逸脱、僧帽弁狭窄、肺動脈高血圧および心不全を含む15種類の一般的な心血管診断を予測することです。

モデルの開発と検証

研究では、ResNet深層学習モデル（ECG波形データを使用）および極度の勾配ブースティング（Extreme Gradient Boosting, XGB）モデル（ECG測定データを使用）の2つの異なる方法で疾病予測を行い、97,631名のテスト患者の保持集合でモデル評価を行いました。

手術手順の詳細説明

  1. 初期データ処理：患者の健康記録からECGデータを抽出し、これらのデータを標準の行政健康データベースと関連付ける。
  2. モデル訓練：146,446名の患者のECGデータを使用して深層学習モデルおよびXGBモデルを訓練する。
  3. 保持集合評価：97,631名の患者の保持集合で検証を行い、各患者の最初のECGデータを比較してモデルの性能を評価する。
  4. 特徴重要性分析：勾配加重クラスアクティベーションマップ（Grad-CAM）を利用して深層学習モデルの可視化と説明を行い、情報利得を利用してXGBモデルの特徴重要性分析を行う。

性能評価

保持集合にて15種類の心血管疾患に対するモデル性能を評価したところ、DLモデルはすべての疾患に対し、平均受信者動作特性曲線下面積（AUROC）がXGBモデルよりも約5％高く、特定のケースでは向上が顕著でした。DLモデルのST上昇型心筋梗塞の予測性能が最も高く、AUROCは95.5％に達し、肺塞栓症の性能が最も低く、AUROCは68.9％でした。

性別とペースメーカー分析

研究では、男性と女性、およびペースメーカーを装着している患者におけるDLモデルの性能も評価しました。結果は、男性の特定の疾患（例：心室性頻拍、ST上昇型心筋梗塞など）の予測性能が女性よりやや優れていることを示していますが、ペースメーカーの存在はモデル性能に大きな影響を与えませんでした。

主な結果

  1. モデルの有効性：DLモデルは12種類の心血管疾患に対し、AUROCが80％を超え、そのうち4種類の疾患（ST上昇型心筋梗塞、僧帽弁狭窄、肥大型心筋症、房室ブロック）はAUROCが90％を超えました。
  2. 性能の向上：DLモデルは大多数の疾患の予測においてXGBモデルよりも優れ、特に僧帽弁狭窄と心筋梗塞の検出においてDLモデルの性能向上が顕著でした。
  3. モデルのロバスト性：モデルは異なる性別およびペースメーカーを装着している患者において一貫した性能を示し、アルゴリズムの堅牢性を示しました。

結論

本研究は、AI駆動のECGアルゴリズムが15種類の心血管疾患の診断において有効であり、特にDLモデルがXGBモデルよりも診断精度で優れていることを証明しました。包括的な行政データベースを利用することで、研究は一般的な心血管疾患の診断における機械学習アルゴリズムの大きな潜在力を示し、臨床実践における早期診断とリスク層別化の新しいツールを提供します。今後は、これらのモデルの実際の臨床応用における展開と効果をさらに探求する必要があります。