XGBoost Optimization using Single Lead ECG based on Multi-feature of ECG Morphologies for Automatic Sleep Disorder Classification

Il sonno non è semplicemente una pausa nella nostra giornata; è un processo biologico vitale che ripristina i nostri corpi e le nostre menti. Quando questo riposo viene interrotto, le conseguenze possono essere gravi, spaziando dalla stanchezza cronica a serie condizioni cardiache. Una delle interruzioni più comuni e pericolose è l'apnea notturna, una condizione in cui la respirazione di una persona si interrompe e riprende ripetutamente durante la notte. Per decenni, l'unico modo affidabile per diagnosticare questo disturbo è stato attraverso un complesso test ospedaliero chiamato polisonnografia. Questa procedura prevede l'applicazione di una dozzina di sensori sul corpo del paziente per monitorare le onde cerebrali, l'attività muscolare e i ritmi cardiaci mentre dorme. Sebbene efficace, il processo è ingombrante, costoso e spesso scomodo, portando a una situazione in cui la stragrande maggioranza delle persone che soffrono di apnea notturna rimane non diagnosticata perché non si sottopone mai al test.

Per risolvere questo problema, i ricercatori hanno rivolto la loro attenzione a un segnale più semplice: l'elettrocardiogramma, o ECG, che registra l'attività elettrica del cuore. Il cuore non batte con un ritmo perfettamente costante; la sua velocità e la sua forza cambiano sottilmente in risposta alla respirazione e ad altre funzioni corporee. Nelle persone con apnea notturna, queste sottili variazioni seguono un modello distinto che differisce da quello dei sognatori sani. La sfida è stata quella di insegnare a un computer di riconoscere questi modelli automaticamente, senza la necessità di un esperto umano che analizzi manualmente ore di dati. Un nuovo studio della Politeknik Negeri Batam in Indonesia propone una soluzione che utilizza un singolo filo per registrare il cuore e uno potente strumento matematico per interpretare i dati, offrendo una potenziale strada verso uno screening domiciliare semplice per i disturbi del sonno.

I ricercatori hanno iniziato raccogliendo una vasta collezione di registrazioni cardiache da un database pubblico, dove ogni minuto del segnale era già stato etichettato da esperti medici come "apnea" o "normale". Si sono concentrati su registrazioni di circa sedici minuti, una durata scelta per catturare abbastanza dettagli clinici da distinguere tra i due stati. Prima che il computer potesse apprendere da questi dati, il team ha dovuto pulire i segnali. Proprio come una fotografia può essere rovinata dalla polvere o da una mano tremante, le registrazioni cardiache possono essere distorte dall'interferenza elettrica o dal movimento del paziente. Il team ha utilizzato filtri digitali per rimuovere questi rumori indesiderati, assicurando che il vero ritmo del cuore fosse visibile e chiaro.

Una volta puliti i segnali, i ricercatori si sono trovati di fronte al compito di tradurre i battiti cardiaci grezzi in un linguaggio comprensibile per un computer. Invece di guardare solo la frequenza cardiaca, hanno scomposto i dati in ventisei diverse caratteristiche, o "feature", che descrivono la forma e il comportamento delle onde elettriche del cuore. Alcune di queste caratteristiche misuravano il tempo tra i battiti cardiaci, mentre altre analizzavano la stabilità del ritmo nel tempo. Hanno anche esaminato la forma specifica del picco principale dell'onda elettrica del cuore, noto come complesso QRS, misurandone l'altezza e la larghezza. Per catturare schemi ancora più profondi, hanno applicato tecniche matematiche avanzate che esaminavano come il ritmo cardiaco fluttua su periodi brevi e lunghi, trattando il segnale come una struttura complessa e autosimile piuttosto che come una semplice linea. Questo approccio multifacettico ha garantito che il computer avesse un quadro completo del comportamento del cuore, non solo un singolo istantanea.

Con queste caratteristiche preparate, il team ha addestrato un sofisticato algoritmo di apprendimento automatico noto come XGBoost. Pensate a questo algoritmo come a un team di molti semplici decisori che lavorano insieme. Ogni membro del team osserva un piccolo pezzo dei dati e fa una supposizione sul fatto che il paziente stia avendo un evento di apnea. Il team combina poi queste supposizioni, correggendo gli errori dei membri precedenti, finché non arriva a una singola conclusione altamente accurata. I ricercatori hanno trascorso un tempo significativo a regolare le impostazioni di questo algoritmo, regolando quanto profondamente analizzasse i dati e quanto velocemente apprendesse, per garantire che non si limitasse a memorizzare gli esempi di addestramento ma potesse effettivamente riconoscere nuovi schemi. Hanno anche testato quali delle ventisei caratteristiche fossero più importanti, scoprendo che il tempo tra i battiti cardiaci e la forma specifica degli impulsi elettrici erano gli indicatori più affidabili.

I risultati di questo approccio sono stati sorprendenti. Quando testato su dati che non aveva mai visto prima, il sistema ha identificato correttamente gli eventi di apnea notturna con un'accuratezza del 96,1%. È stato eccezionalmente bravo nel escludere i sognatori sani, ottenendo un punteggio perfetto del 100% nell'identificare coloro che non avevano il disturbo, pur catturando il 92,1% dei casi reali di apnea. Confrontato con altri metodi comuni utilizzati nella ricerca medica, come le reti neurali standard o i modelli statistici più semplici, questo sistema ottimizzato li ha superati tutti. Lo studio dimostra che combinando un'analisi dettagliata della forma e del ritmo del cuore con un potente algoritmo di apprendimento, è possibile rilevare i disturbi del sonno con un livello di precisione che rivaleggia con i complessi test ospedalieri multi-sensore. Ciò suggerisce che, in un futuro prossimo, un semplice dispositivo a singola derivazione potrebbe fornire un primo passo affidabile per diagnosticare l'apnea notturna, rendendo il processo accessibile a molte più persone che mai prima d'ora.