Riepilogo Tecnico: Utilizzo dell'Apprendimento Automatico per Classificare il Tipo di Battito Cardiaco negli Atleti tramite Dati Elettrocardiografici

Definizione del Problema

Gli eventi cardiaci improvvisi negli atleti, sebbene rari, comportano conseguenze gravi, rendendo necessari metodi di screening accurati e scalabili. L'analisi dell'elettrocardiogramma (ECG) è lo standard per la valutazione cardiaca; tuttavia, la sua implementazione diffusa nello screening atletico è ostacolata dal carico di lavoro dei clinici e dalla difficoltà di distinguere le aritmie clinicamente significative dalle variazioni normali. I modelli di deep learning esistenti per l'analisi dell'ECG affrontano spesso limitazioni nella generalizzazione inter-paziente e nell'interpretabilità, e frequentemente non riescono a catturare le adattamenti fisiologici specifici dello sport. Inoltre, i dataset standard spesso mancano della granularità necessaria per mappare le complesse annotazioni cliniche su framework di valutazione standardizzati. Questo studio affronta la necessità di un framework di apprendimento automatico automatizzato e interpretabile capace di identificare con precisione aritmie rare ma clinicamente significative — specificamente battiti ectopici sovraventricolari (SVEB) e battiti ectopici ventricolari (VEB) — per supportare lo screening cardiaco nelle popolazioni atletiche.

Metodologia

Fonte dei Dati e Preprocessamento

Lo studio ha utilizzato il PhysioNet ECG Arrhythmia Database, un repository su larga scala contenente 45.152 registrazioni ECG di pazienti. Ogni registrazione è un segnale a 12 derivazioni di 10 secondi campionato a 500 Hz.

• Selezione delle Derivazioni: Sono state estratte tre derivazioni clinicamente informative (I, II e V1) per bilanciare l'informazione diagnostica con l'efficienza dello screening.
• Preprocessamento: I segnali sono stati ricampionati a 256 Hz. Le fasi di preprocessamento hanno incluso la rimozione del drift della linea di base (filtro Butterworth passa-alto del secondo ordine, cutoff a 0,5 Hz), detrendizzazione lineare, normalizzazione z-score e clipping dell'ampiezza a ±8,0 mV. I record con segmenti piatti o valori mancanti sono stati esclusi, risultando in una forma di input standardizzata di (2560, 3).

Mappatura delle Etichette: SNOMED-CT a AAMI

Per garantire l'interpretabilità clinica e l'allineamento con gli standard di valutazione, le annotazioni dettagliate SNOMED-CT sono state mappate sullo standard AAMI (Association for the Advancement of Medical Instrumentation).

• Classi Conservate: Normale (N), Battito Ectopico Sovraventricolare (SVEB) e Battito Ectopico Ventricolare (VEB).
• Classi Escluse: Le classi di Fusione (F) e Sconosciuto/Pacemaker (Q) sono state escluse secondo i criteri di valutazione standard.
• Distribuzione: Il dataset risultante comprendeva il 69,3% di Normal, il 22,0% di SVEB e il 7,1% di VEB, evidenziando un significativo squilibrio delle classi.

Suddivisione dei Dati e Augmentation

Il dataset è stato suddiviso tramite campionamento stratificato in 70% training (30.411 record), 10% validazione (4.345 record) e 20% test (8.690 record).

• Augmentation: Un generatore di dati bilanciato ha campionato un numero uguale di record per classe. L'augmentation in tempo reale consapevole del dominio includeva shift temporali casuali (±12 campioni), scaling dell'ampiezza (0,98–1,02), rumore gaussiano additivo (σ 0,01–0,03) e modulazione della linea di base a bassa ampiezza.

Architetture dei Modelli

Due modelli di deep learning sono stati sviluppati e addestrati utilizzando la focal loss (γ=2.0) con pesi delle classi (0,15, 0,35, 0,50) per affrontare lo squilibrio delle classi.

1. CNN Residua con Attenzione sulle Derivazioni:

   • Architettura: Un livello convoluzionale 1D (64 filtri) seguito da un meccanismo di attenzione sulle derivazioni personalizzato (ispirato al squeeze-and-excitation) che applica il global average pooling e livelli densi. Il nucleo consisteva in tre blocchi residui (128, 256, 512 filtri) con proiezioni 1×1.
   • Output: Tre strati completamente connessi (256, 128, 64 unità) e un output softmax.

2. Unità Ricorrente Gated Bidirezionale (BiGRU):

   • Architettura: Un livello convoluzionale 1D (32 filtri) e un livello di max-pooling precedono due strati BiGRU bidirezionali impilati (128 e 64 unità nascoste).
   • Regolarizzazione: Dropout (0,3) all'interno dei livelli ricorrenti e livelli densi (0,4 e 0,3).
   • Output: Due strati densi e un output softmax.

Strategia di Ensemble

Un ensemble pesato ha combinato gli output della CNN e della BiGRU. I pesi di fusione sono stati derivati dalle prestazioni di validazione utilizzando una formula di punteggio: 0,3 × macro-F1 + 0,7 × VEB-F1. Questa ponderazione ha dato priorità alla classificazione VEB a causa della sua associazione con il rischio di morte cardiaca improvvisa. La regolazione della soglia è stata applicata alla probabilità VEB dell'ensemble sul set di validazione.

Risultati Chiave

I modelli sono stati valutati sul set di test tenuto da parte utilizzando precision, recall, punteggio F1, accuratezza e F1 mediato macro (macro-averaged F1).

• CNN Residua: Ha raggiunto un'accuratezza complessiva del 90,5% e un macro-F1 di 0,820. Ha performato fortemente sulle classi Normal (F1=0,954) e SVEB (F1=0,848), ma ha mostrato una performance inferiore per la classe VEB (F1=0,659) con una tendenza a sovra-predire gli eventi VEB (334 falsi positivi).
• BiGRU: Ha superato la CNN in tutte le classi, raggiungendo il 93,0% di accuratezza e un macro-F1 di 0,844. Ha migliorato la precisione VEB (0,637 vs 0,585) mantenendo un'alta recall, riducendo i falsi positivi totali a 252.
• Ensemble Pesato: L'ensemble ha ottenuto la migliore performance con il 93,5% di accuratezza complessiva e un macro-F1 di 0,855.
  • Performance VEB: L'ensemble ha raggiunto un punteggio F1 di 0,696 per la classe critica VEB, classificando correttamente 462 istanze e riducendo i falsi positivi a 241.
  • Normal/SVEB: I punteggi F1 sono migliorati a 0,975 (Normal) e 0,894 (SVEB).

Significato e Claim

Il documento sostiene che il framework di apprendimento automatico proposto dimostra che l'analisi automatizzata dell'ECG può fornire un supporto di screening accurato, interpretabile e scalabile per le popolazioni atletiche.

• Standardizzazione: Mappando SNOMED-CT sugli standard AAMI, lo studio consente una classificazione clinicamente interpretabile che si allinea ai protocolli di valutazione stabiliti.
• Efficacia dell'Ensemble: La strategia di ensemble pesato riesce a sfruttare i punti di forza sia dell'estrazione di feature spaziali (CNN) che di quelle temporali (BiGRU), superando i singoli modelli e migliorando specificamente la rilevazione dei VEB ad alto rischio.
• Utilità Clinica: Gli autori propongono l'integrazione di questi modelli come strumenti di supporto alle decisioni durante gli esami fisici pre-stagionali. Il sistema è progettato per evidenziare i segmenti ECG che richiedono la revisione di un cardiologo, migliorando l'efficienza e la sicurezza dello screening atletico senza sostituire il giudizio clinico.
• Limitazioni: Lo studio riconosce modestamente che la rilevazione dei VEB rimane una sfida, con la persistenza di falsi positivi. Nota inoltre che i modelli sono stati addestrati su un dataset di ricerca e non sono ancora stati validati contro ECG clinici raccolti prospetticamente da specifiche popolazioni atletiche, il che limita le affermazioni immediate sulla generalizzabilità nel mondo reale.

Il lavoro conclude che combinare il test ECG con la classificazione del battito cardiaco basata sull'apprendimento automatico offre una via per un'identificazione più accurata dell'attività cardiaca anomala, garantendo che gli atleti ricevano una valutazione clinica tempestiva e appropriata.