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

Slaap is niet louter een pauze in onze dag; het is een vitaal biologisch proces dat onze lichamen en geesten herstelt. Wanneer deze rust wordt verstoord, kunnen de gevolgen ernstig zijn, variërend van chronische vermoeidheid tot ernstige hartaandoeningen. Een van de meest voorkomende en gevaarlijke verstoringen is slaapapneu, een aandoening waarbij de ademhaling van een persoon herhaaldelijk stopt en weer begint tijdens de nacht. Decennialang was de enige betrouwbare manier om deze stoornis te diagnosticeren een complexe ziekenhuisopstelling genaamd polysomnografie. Deze procedure houdt in dat er een dozijn sensoren aan het lichaam van een patiënt worden bevestigd om hersengolven, spieractiviteit en hartritmes te monitoren terwijl zij slapen. Hoewel effectief, is het proces omslachtig, duur en vaak oncomfortabel, wat leidt tot een situatie waarin de overgrote meerderheid van de mensen die lijden aan slaapapneu ongediagnosticeerd blijft omdat zij de test nooit ondergaan.

Om dit probleem op te lossen, hebben onderzoekers hun aandacht gericht op een eenvoudiger signaal: het elektrocardiogram, of ECG, dat de elektrische activiteit van het hart registreert. Het hart slaat niet in een perfect constant ritme; de snelheid en kracht veranderen subtiel als reactie op de ademhaling en andere lichaamsfuncties. Bij mensen met slaapapneu volgen deze subtiele veranderingen een duidelijk patroon dat verschilt van gezonde slapers. De uitdaging is geweest om een computer te leren deze patronen automatisch te herkennen, zonder de noodzaak van een menselijke expert die uren aan gegevens handmatig moet beoordelen. Een nieuwe studie van de Politeknik Negeri Batam in Indonesië stelt een oplossing voor die gebruikmaakt van een enkele draad om het hart te registreren en een krachtig wiskundig instrument om de gegevens te interpreteren, wat een potentieel pad biedt naar eenvoudige, thuisgebaseerde screening voor slaapstoornissen.

De onderzoekers begonnen met het verzamelen van een grote collectie hartopnames uit een publieke database, waar elk minuut van het signaal al door medische experts was gelabeld als ofwel "apneu" of "normaal". Ze concentreerden zich op opnames die ongeveer zestien minuten lang waren, een duur die is gekozen om genoeg klinische details vast te leggen om tussen de twee toestanden te kunnen onderscheiden. Voordat de computer van deze gegevens kon leren, moest het team de signalen opschonen. Net zoals een foto verpest kan worden door stof of een trillende hand, kunnen hartopnames worden verstoord door elektrische interferentie of de beweging van het lichaam van de patiënt. Het team gebruikte digitale filters om deze ongewenste ruis te verwijderen, zodat het ware ritme van het hart zichtbaar en helder werd.

Zodra de signalen schoon waren, stonden de onderzoekers voor de taak om de ruwe hartslagen te vertalen naar een taal die een computer kan begrijpen. In plaats van alleen naar de hartslag te kijken, braken ze de gegevens af in twintig zes verschillende kenmerken, of features, die de vorm en het gedrag van de elektrische golven van het hart beschrijven. Sommige van deze kenmerken maten de tijd tussen hartslagen, terwijl andere de stabiliteit van het ritme over de tijd analyseerden. Ze keken ook naar de specifieke vorm van de belangrijkste piek in de elektrische golf van het hart, bekend als het QRS-complex, waarbij de hoogte en breedte werden gemeten. Om zelfs diepere patronen te vangen, pasten ze geavanceerde wiskundige technieken toe die onderzochten hoe het hartritme over korte en lange perioden fluctueert, waarbij het signaal werd behandeld als een complexe, zelf-gelijke structuur in plaats van een eenvoudige lijn. Deze veelzijdige aanpak zorgde ervoor dat de computer een compleet beeld kreeg van het gedrag van het hart, en niet slechts een enkel snapshot.

Met deze kenmerken voorbereid, trainde het team een geavanceerd machine-learning algoritme genaamd XGBoost. Denk aan dit algoritme als een team van vele eenvoudige besluitvormers die samenwerken. Elk lid van het team kijelt naar een klein stukje van de gegevens en doet een gok over de vraag of de patiënt een apneu-event ervaart. Het team combineert vervolgens deze gokken, waarbij de fouten van de vorige leden worden gecorrigeerd, totdat ze tot één enkele, zeer nauwkeurige conclusie komen. De onderzoekers besteedden veel tijd aan het afstemmen van de instellingen van dit algoritme, waarbij ze aanpassten hoe diep het de gegevens analyseerde en hoe snel het leerde, om ervoor te zorgen dat het niet simpelweg de trainingsvoorbeelden memoriseerde, maar daadwerkelijk nieuwe patronen kon herkennen. Ze testten ook welke van de zesentwintig kenmerken het belangrijkst waren, waarbij ze ontdekten dat de tijd tussen hartslagen en de specifieke vorm van de elektrische pieken de meest betrouwbare indicatoren waren.

De resultaten van deze aanpak waren opmerkelijk. Wanneer het systeem werd getest op gegevens die het nog nooit eerder had gezien, identificeerde het slaapapneu-events met een nauwkeurigheid van 96,1%. Het was uitzonderlijk goed in het uitsluiten van gezonde slapers, waarbij het een perfecte score van 100% behaalde bij het identificeren van personen zonder de stoornis, terwijl het tegelijkertijd 92,1% van de werkelijke apneu-gevallen oppakte. Wanneer het werd vergeleken met andere veelvoorkomende methoden die in medisch onderzoek worden gebruikt, zoals standaard neurale netwerken of eenvoudigere statistische modellen, presteerde dit geoptimaliseerde systeem beter dan hen allemaal. De studie demonstreert dat door een gedetailleerde analyse van de vorm en het ritme van het hart te combineren met een krachtig leeralgoritme, het mogelijk is om slaapstoornissen te detecteren met een niveau van precisie dat wedijvert met de complexe, multi-sensor ziekenhuis-tests. Dit suggereert dat in de nabije toekomst een eenvoudig, single-lead apparaat een betrouwbare eerste stap kan bieden bij het diagnosticeren van slaapapneu, waardoor het proces toegankelijk wordt voor veel meer mensen dan ooit tevoren.