Leveraging the wearable 1-lead ECG signal: From cardiac rhythm to cardiac function assessment

Sintesi Tecnica: Sfruttare gli ECG a 1 derivazione indossabili per la valutazione della funzione cardiaca

Definizione del Problema
Le malattie cardiovascolari rimangono la principale causa di mortalità globale, rendendo necessari strumenti diagnostici accessibili. Sebbene l'elettrocardiogramma (ECG) a 12 derivazioni sia il gold standard clinico per la valutazione dell'attività elettrica cardiaca e delle anomalie strutturali, la sua utilità è limitata agli ambienti clinici a causa dei requisiti di apparecchiature e personale. Al contrario, gli ECG indossabili a 1 derivazione (ad esempio, smartwatch) offrono portabilità e consentono il monitoraggio remoto, ma storicamente sono stati ottimizzati principalmente per l'analisi del ritmo (come la rilevazione della fibrillazione atriale) piuttosto che per la valutazione strutturale o funzionale. Sebbene studi recenti suggeriscano che gli ECG a 1 derivazione possano rilevare la disfunzione ventricolare sinistra (LVD), manca un confronto diretto, testa a testa, tra gli ECG a 1 derivazione basati sul polso e gli ECG standard a 12 derivazioni acquisiti dagli stessi pazienti, in particolare all'interno della popolazione post-infarto del miocardio (MI). Inoltre, l'applicazione dell'IA spiegabile per interpretare come i segnali a singola derivazione si correlino con la funzione ventricolare sinistra (LVF) in questa specifica coorte rimane inesplorata.

Metodologia
Lo studio ha utilizzato una coorte appaiata di pazienti trattati per sindrome coronarica acuta presso il Centro Medico Universitario di Leiden (2018–2023). Il dataset comprendeva:

• ECG a 1 derivazione: 63.950 segnali grezzi di 30 secondi registrati a casa utilizzando smartwatch Withings ECG (300 Hz) da 708 pazienti.
• ECG a 12 derivazioni: 77.005 segnali grezzi di 10 secondi registrati in ospedale (500 Hz) da 6.703 pazienti.

Pre-elaborazione e Etichettatura dei Dati:
I segnali sono stati segmentati in singoli battiti cardiaci (intervalli di 800 ms centrati sull'onda R). Il rilevamento dell'onda R ha utilizzato una CNN basata su U-Net. Per affrontare i problemi di qualità dei dati inerenti alle registrazioni domestiche (ad esempio, errori di orientamento del dispositivo, stati non di riposo), è stato applicato un filtro basato sull'autocorrelazione per escludere i segnali a 1 derivazione di bassa qualità. Le etichette LVF sono state derivate da referti ecocardiografici ottenuti entro sette giorni dalla registrazione dell'ECG, classificati in quattro categorie ordinali (normale, lieve, moderata, grave compromissione) utilizzando un modello linguistico di grandi dimensioni (LLM).

Architettura del Modello:
Lo studio ha impiegato un autoencoder variazionale (VAE) parziale $\beta$ con sette blocchi convoluzionali ricorrenti sia nell'encoder che nel decoder. L'architettura è stata progettata per separare le rappresentazioni latenti in una componente di segnale non lineare ($z_{nls}$) e una componente di segnale lineare ($z_{ls}$) direttamente collegata alla previsione della LVF. Sono state addestrate e valutate quattro diverse configurazioni di modello:

1. Modello a 12 derivazioni: Addestrato su ECG completi a 12 derivazioni.
2. Modello a Derivazione I: Addestrato sulla Derivazione I estratta dagli ECG a 12 derivazioni.
3. Modello a 1 derivazione pre-addestrato: Pre-addestrato sulla Derivazione I di ECG a 12 derivazioni, poi perfezionato (fine-tuning) su ECG a 1 derivazione indossabili.
4. Modello a 1 derivazione: Addestrato esclusivamente su ECG a 1 derivazione indossabili.

Per gli input a 1 derivazione, il singolo canale è stato duplicato lungo la dimensione della derivazione per corrispondere alla forma di input attesa del modello ($12 \times 400$).

Interpretabilità:
Per garantire la trasparenza, lo studio ha utilizzato la manipolazione degli attributi. Manipolando il vettore latente $z_{ls}$ per rappresentare stati ipotetici di LVF (dalla compromissione grave alla normale), il modello ha ricostruito forme d'onda ECG ipotetiche. Ciò ha permesso di visualizzare cambiamenti morfologici specifici (ad esempio, ampiezza dell'onda R, area dell'onda T) associati a diversi livelli di compromissione della LVF.

Risultati Chiave

• Prestazioni Predittive: Il modello completo a 12 derivazioni ha raggiunto la prestazione più elevata (AUC = 0,897). Il modello a 1 derivazione indossabile ha raggiunto un'AUC di 0,863, mentre il modello a 1 derivazione pre-addestrato ha raggiunto un'AUC di 0,883. Questi risultati indicano che gli ECG a 1 derivazione possono prevedere la LVF con un'accuratezza quasi pari a quella degli ECG a 12 derivazioni.
• Compromessi Sensibilità/Specificità: A una sensibilità di 0,90, le specificità sono state dello 0,64 per il modello a 12 derivazioni, dello 0,71 per il modello a 1 derivazione pre-addestrato e dello 0,65 per lo standard modello a 1 derivazione.
• Benefici dell'Aggregazione: Le previsioni a livello di battito cardiaco sono state aggregate mediando all'interno di ogni segnale. Questa aggregazione temporale ha migliorato significativamente le prestazioni dei modelli a 1 derivazione, suggerendo che la cancellazione del rumore e la disponibilità di più battiti in registrazioni più lunghe di 30 secondi compensano la ridotta risoluzione spaziale.
• Consistenza: Tutti i modelli hanno dimostrato punteggi di consistenza del battito elevati (HBC > 0,95 per la maggior parte), indicando una robusta stabilità intra-registrazione.
• Risultati dell'Interpretabilità: La manipolazione degli attributi ha rivelato che il modello a 12 derivazioni sfrutta un insieme diversificato di caratteristiche attraverso più derivazioni (ad esempio, onde R incavate in derivazioni specifiche). Al contrario, i modelli a 1 derivazione si sono basati su caratteristiche simili alla Derivazione I (ad esempio, ampiezza dell'onda R, morfologia dell'onda T), confermando che mentre i modelli a singola derivazione catturano anomalie globali, mancano della diversità spaziale dei sistemi multi-derivazione.

Significatività e Rivendicazioni
Il documento sostiene che gli ECG indossabili a 1 derivazione, se combinati con l'apprendimento profondo spiegabile, possiedano la capacità di andare oltre l'analisi del ritmo per valutare la funzione cardiaca strutturale, specificamente la funzione ventricolare sinistra nei pazienti post-MI. Lo studio dimostra che:

1. Viabilità Clinica: Gli ECG a 1 derivazione possono fornire approfondimenti clinicamente significativi sulla LVF, raggiungendo prestazioni comparabili agli ECG a 12 derivazioni, specialmente quando le previsioni vengono aggregate nel tempo.
2. La Spiegabilità come Abilitatore: L'uso dell'IA spiegabile (manipolazione degli attributi) fornisce una visione trasparente del ragionamento del modello, evidenziando componenti specifiche dell'onda (come la morfologia dell'onda T) che guidano le previsioni. Questa trasparenza è fondamentale per scalare questi strumenti in contesti con scarse risorse o nell'assistenza domiciliare dove la competenza cardiologica potrebbe mancare.
3. Applicazione Strategica: Sebbene gli ECG a 1 derivazione non siano destinati a sostituire gli ECG a 12 derivazioni, essi fungono da strumento pratico e scalabile per lo screening e il monitoraggio longitudinale, agendo potenzialmente come un sistema di allerta precoce per segnalare i pazienti che necessitano di ulteriori controlli.

Gli autori mantengono una posizione modesta, riconoscendo che i modelli a 1 derivazione presentano un divario di prestazione rispetto ai modelli a 12 derivazioni e che la loro efficacia può variare in base alla localizzazione dell'infarto del miocardio (ad esempio, anomalie globali vs regionali). Essi sottolineano che sono necessari ulteriori lavori per validare queste scoperte in sottotipi clinici più ampi e per perfezionare il controllo della qualità dei dati per le acquisizioni basate a domicilio.