Performance Assessment of ECG Delineators on Single-Lead Wearable Ambulatory Data

Deze studie toont aan dat geoptimaliseerde heuristische modellen voor ECG-delineatie vergelijkbare prestaties leveren met complexe diepe neurale netwerken op single-lead draagbare data van kinderen, waardoor ze zeer geschikt zijn voor real-time digitale gezondheidsmonitoring.

De kern

Hartslag op de hand: Hoe computers het hart van kinderen leren lezen

Stel je voor dat je hart een kleine drummer is die een ritme slaat. Een ECG (een hartfilmpje) is eigenlijk de notatie van dat ritme. Maar in plaats van muzieknoten, zie je daar een reeks pieken en dalen: de P, QRS en T. Voor een arts zijn dit de letters van een verhaal dat vertelt of het hart gezond is of niet.

Het probleem? Het is heel lastig om precies te zeggen waar een "letter" begint en eindigt, vooral als het signaal ruis bevat of als het hart van een kind een ander ritme heeft dan dat van een volwassene. Het is alsof je probeert de randen van een wazige foto scherp te maken.

De auteurs van dit onderzoek wilden weten: Welke computerprogramma's zijn het beste in het vinden van deze randen op draagbare apparaten (zoals een slim horloge of een klein apparaatje in je hand)?

Hier is hoe ze het aanpakken, vertaald in begrijpelijke taal:

1. De Twee Teams: De "Regel-Boek" vs. De "Lerende Kunstenaar"

De onderzoekers stelden twee soorten computerprogramma's tegen elkaar:

• Team 1: De Regel-Boek (Heuristische methoden).
  Dit zijn slimme programma's die werken met vaste regels, zoals een kok die een recept volgt. Ze kijken naar de vorm van de golf en zeggen: "Als de lijn omhoog gaat en dan snel omlaag, is dat een QRS-complex." Ze zijn snel en hebben geen training nodig, maar ze kunnen verward raken als het ritme onregelmatig is.

  • De ster van dit team: De Prominence-methode. Dit is als een ervaren detective die heel goed kan zien waar de pieken zitten, zelfs als het een beetje rommelig is.

• Team 2: De Lerende Kunstenaar (Deep Neural Networks / DNN).
  Dit zijn kunstmatige intelligenties die net als een kind leren door duizenden voorbeelden te bekijken. Ze hebben eerst een lange training nodig (met duizenden hartfilmpjes) om te leren wat een P-golf of T-golf is. Ze zijn erg krachtig, maar ze zijn ook "hongerig" naar data en rekenkracht.

  • De ster van dit team: Een 1D U-Net (een specifiek type AI-architectuur). Dit is als een kunstenaar die heel goed kan schetsen, zelfs als de foto wazig is.

2. De Proef: Kinderen in Ethiopië

Om te testen welke methode het beste werkt, gebruikten de onderzoekers geen standaard volwassenen-data. Ze keken naar 21.759 hartfilmpjes van 611 kinderen in Ethiopië.

• Waarom kinderen? Kinderharten zien er anders uit dan die van volwassenen. Een programma dat getraind is op volwassenen, werkt vaak slecht op kinderen.
• Het apparaat: Ze gebruikten een klein, draagbaar apparaatje (KardiaMobile) dat je met je vingers vasthoudt. Dit is perfect voor armere gebieden waar geen dure ziekenhuisapparatuur is.
• Het doel: Vroegtijdig opsporen van reumatische hartziekte, een gevaarlijke ziekte die veel kinderen in ontwikkelingslanden treft. Als de computer de hartgolven goed kan lezen, kunnen artsen sneller helpen.

3. De Uitslag: Wie wint?

De onderzoekers lieten beide teams de hartfilmpjes analyseren en vergeleken het resultaat met handmatige metingen van experts.

• De verrassing: De "Regel-Boek" methode (Prominence) deed het bijna net zo goed als de complexe AI. Het was snel, betrouwbaar en deed het uitstekend op de draagbare apparaten.
• De AI: De 1D U-Net (de kunstenaar) was iets preciezer in het vinden van de exacte start- en eindpunten van de golven, maar het verschil was klein.
• De les: Je hoeft niet altijd de zwaarste, duurste AI te gebruiken. Soms is een slimme, snelle regel-methode (zoals Prominence) net zo goed en veel makkelijker in te zetten in het veld.

4. Waarom is dit belangrijk?

Stel je voor dat je een dokter bent in een afgelegen dorp zonder internet of dure computers. Je hebt een apparaatje nodig dat direct zegt: "Dit kind heeft een probleem met zijn hart."

Dit onderzoek laat zien dat we betrouwbare software kunnen gebruiken op simpele apparaten om levens te redden.

• De Prominence-methode is als een betrouwbare fiets: snel, goedkoop en doet het werk perfect.
• De AI-methode is als een dure sportauto: hij kan misschien net iets sneller zijn, maar hij heeft meer brandstof (rekenkracht) nodig.

Conclusie:
Voor het screenen van hartziektes bij kinderen in armere gebieden, is de snelle, slimme "Regel-Boek" methode een winnaar. Het betekent dat we straks met simpele apparaten in de hand, net zo goed kunnen kijken naar het hart van een kind als met de dure machines in het ziekenhuis. Dat is een grote stap voor de gezondheid van miljoenen kinderen.

Technische samenvatting

Titel: Prestatiebeoordeling van ECG-delineatoren op enkel-geleidende draagbare ambulante data

1. Probleemstelling

De nauwkeurige interpretatie van elektrocardiogrammen (ECG) vereist de precieze identificatie van de grenzen van de P-, QRS- en T-golven (PQRST). Dit proces, bekend als delineatie, is echter uitdagend door:

• Ruis en signaalkwaliteit: Variabiliteit in de kwaliteit van opnames, vooral bij draagbare apparaten.
• Morfologische diversiteit: Kinderen en adolescenten vertonen leeftijdsafhankelijke ECG-morfologieën die afwijken van volwassenen, waardoor algoritmen getraind op volwassen data minder goed presteren.
• Ambiguïteit: Het bepalen van het einde van de T-golf of het begin van de P-golf is vaak subjectief, vooral bij tachycardie of in ruis.
• Beperkingen van bestaande methoden: Handmatige annotatie is tijdrovend en onderhevig aan inter-observer variabiliteit. Bestaande automatische methoden (heuristisch of Deep Learning) zijn vaak niet geoptimaliseerd voor enkel-geleidende draagbare sensoren (zoals de KardiaMobile) in pediatrische populaties.

2. Methodologie

De studie vergelijkt de prestaties van toonaangevende Deep Neural Networks (DNN) en heuristische algoritmen op enkel-geleidende ECG-signaals.

• Datasets:
  • LUDB (Lobachevsky University Database): Een publieke dataset met 12-geleidende ECG's van 200 volwassenen, gebruikt voor training en initiële validatie.
  • RHDdB (Rheumatic Heart Disease database): Een private dataset bestaande uit 30-seconden opnames van 611 kinderen (gemiddelde leeftijd 16,2 jaar) uit Ethiopië, opgenomen met de KardiaMobile (KM) sensor. Deze dataset bevat 47 gevallen van reumatische hartziekte (RHD) en 564 normale sinusritmen. De annotaties zijn handmatig uitgevoerd door experts.
• Preprocessing:
  • Bandpass-filtering (0,5 - 100 Hz) en notch-filtering voor netstroomruis.
  • Resampling van 300 Hz naar 500 Hz voor de RHDdB-data om overeen te komen met LUDB.
  • Data-augmentatie (baseline wander, ruis, schaalverandering) om het trainingsdataset te vergroten.
• Geëvalueerde Modellen:
  • Heuristische methoden: ECG-deli, NeuroKit2 en de Prominence-methode (visibility graph-based).
  • DNN-modellen: Verschillende U-Net varianten (inclusief 1D U-Net3+ en een Attention-based 1D U-Net), FCN en SegFormer (Transformer-gebaseerd).
  • De DNN-modellen gebruikten een hybride verliesfunctie (Categorical Cross-Entropy + Smoothness Constraint) om continuïteit in de tijd te bevorderen.
• Evaluatiemetrics:
  • Sensitiviteit (Se) en Positief Voorspellende Waarde (P+).
  • Gemiddelde fout (μ) en standaardafwijking (σ) van de tijdsfouten in milliseconden.
  • Tolerantiefensters (TOL) van ±150 ms, ±70 ms en ±40 ms.
  • Vergelijking met de CSE-standaarden (Common Standards for Quantitative Electrocardiography) voor expert-variabiliteit.

3. Belangrijkste Bijdragen

1. Validatie van modellen voor draagbare data: Het onderzoek valideert welke modellen optimaal presteren voor PQRST-delineatie op enkel-geleidende, ambulante ECG-data van kinderen, specifiek opgenomen met de KardiaMobile.
2. Externe validatie met pediatrische data: Het biedt een nieuw, handmatig geannoteerd dataset (RHDdB) voor externe evaluatie, wat zeldzaam is voor pediatrische en adolescenten-ECG's.
3. Vergelijking Heuristisch vs. Deep Learning: Het biedt een gedetailleerde vergelijking die aantoont dat geoptimaliseerde heuristische modellen concurrerend kunnen presteren met complexe DNN-modellen, wat relevant is voor real-time toepassingen in digitale gezondheidszorg.

4. Resultaten

De prestaties werden geëvalueerd op de RHDdB-validatiedataset:

• Heuristische Methoden:
  • De Prominence-methode presteerde het beste onder de heuristische benaderingen, met een Se en P+ boven de 98% voor alle fiduciële punten (P, QRS, T) bij een tolerantie van ±150 ms.
  • De standaardafwijking (σ) voor QRS-offset en T-offset was respectievelijk ±8,8 ms en ±19,6 ms, wat binnen de CSE-richtlijnen valt.
  • NeuroKit2 presteerde het slechtst, vooral voor P-golven (Se ~85,77% en grote σ).
• Deep Learning Modellen:
  • De Attention-based 1D U-Net leverde de beste resultaten op bij de DNN-modellen.
  • Prestaties: Se/P+ van (98,3% / 97,5%) voor P, (98,9% / 99,2%) voor QRS, en (92,9% / 98,7%) voor T-golven.
  • Hoewel de 1D U-Net iets lagere scores had voor T-golven vergeleken met de Prominence-methode, toonde het de laagste standaardafwijking voor de timing van de golven (bijv. ±16,6 ms voor P-onset), wat wijst op een zeer consistente temporele precisie.
  • Transformer-gebaseerde modellen (zoals SegFormer) presteerden minder goed dan de U-Net-varianten, waarschijnlijk omdat de lokale temporele afhankelijkheden in een hartslag beter worden gemodelleerd door convoluties dan door attention-mechanismen die op lange afstanden zijn gericht.
• Strenge Toleranties:
  • Bij een strengere tolerantie van ±40 ms daalden de scores voor beide methoden, maar de QRS-golven bleven zeer stabiel. De Prominence-methode en de 1D U-Net voldeden over het algemeen aan de verwachte variabiliteit van expert-cardiologen.

5. Betekenis en Conclusie

• Concurrerende prestaties: De studie concludeert dat geoptimaliseerde heuristische modellen (zoals Prominence) vergelijkbaar presteren met complexe Deep Learning-modellen op enkel-geleidende draagbare ECG-data.
• Efficiëntie: Heuristische methoden hebben lineaire complexiteit en vereisen geen trainingsdata, wat hen zeer geschikt maakt voor real-time toepassing op apparaten met beperkte rekenkracht (zoals smartphones of wearables).
• Klinische Toepassing: In hulpbron-arme omgevingen (zoals Ethiopië) kunnen deze geautomatiseerde delineatoren essentieel zijn voor het screenen op reumatische hartziekte (RHD) bij kinderen. Ze maken het mogelijk om ECG-parameters automatisch te extraheren voor vroege diagnose.
• Aanbeveling: Voor real-time monitoring in digitale gezondheidszorg kunnen de Prominence-methode of de 1D U-Net worden ingezet, afhankelijk van de beschikbare rekenkracht en de specifieke eisen aan temporele precisie.

Kortom, dit onderzoek onderstreept dat voor pediatrische, enkel-geleidende ECG-data niet per se de meest complexe AI-modellen nodig zijn; goed geteste heuristische algoritmen bieden een robuust, efficiënt en kosteneffectief alternatief.