Electrocardiogram Signal Analysis and Simulations for Non-Invasive Diagnosis - Model-Based and Data-Driven Approaches for the Estimation of Ionic Concentrations and Localization of Excitation Origins

Das Elektrokardiogramm (EKG) ist die Standardtechnik zur Messung der elektrischen Aktivität des Herzens. EKG-Geräte sind verfügbar, kostengünstig und erlauben zudem eine nichtinvasive Messung. Das ist insbesondere wichtig für die Diagnose von kardiovaskulären Erkrankungen (KVE). Letztere sind mit verursachten Kosten von 210 Milliarden Euro eine der Hauptbelastungen für das Gesundheitssystem in Europa und dort der Grund für 3,9 Millionen Todesfälle – dies entspricht 45% aller Todesfälle. Neben weiteren Risikofaktoren spielen chronische Nierenerkrankungen und strukturelle Veränderungen des Herzgewebes eine entscheidende Rolle für das Auftreten von KVE. ... mehrDeshalb werden in dieser Arbeit zwei Pathologien, die in Verbindung zu KVE stehen, betrachtet: Elektrolytkonzentrationsveränderungen bei chronisch Nierenkranken und ektope Foki, die autonom Erregungen iniitieren. In beiden Projekten ist die Entwicklung von Methoden mithilfe von simulierten Signalen zur Diagnoseunterstützung das übergeordnete Ziel.
Im ersten Projekt helfen simulierte EKGs die Signalverarbeitungskette zur EKG-basierten Schätzung der Ionenkonzentrationen von Kalium und Calcium zu optimieren. Die Erkenntnisse dieser Optimierung fließen in zwei patienten-spezifische Methoden zur Kaliumkonzentrationsschätzung ein, die wiederum mithilfe von Patientendaten ausgewertet werden. Die Methoden lieferten im Mittel einen absoluten Fehler von 0,37 mmol/l für einen patienten-spezifischen Ansatz und 0,48 mmol/l für einen globalen Ansatz mit zusätzlicher patienten-spezifischer Korrektur. Die Vorteile der Schätzmethoden werden gegenüber bereits existierender Ansätze dargelegt. Alle entwickelten Algorithmen sind ferner unter einer Open-Source-Lizenz veröffentlicht.
Das zweite Projekt zielte auf die Lokalisierung von ektopen Foki mithilfe des EKGs ohne die Nutzung der individuellen Patientengeometrie. 1.766.406 simulierte EKG-Signale (Body Surface Potential Maps (BSPMs)) wurden zum Trainieren von zwei Convolutional Neural Networks (CNNs) erzeugt. Das erste CNN sorgt für die Schätzung von Anfang und Ende der Depolarisation der Ventrikel. Das zweite CNN nutzt die Information der Depolarisation im BSPM zur Schätzung des Erregungsurpsrungs. Der spezielle Aufbau des CNNs ermöglicht die Darstellung mehrerer Lösungen, wie sie durch Mehrdeutigkeiten im BSPM vorliegen können. Der kleinste Median des Lokalisierungsfehlers lag bei 1,54 mm für den Test-Datensatz der simulierten Signale, bzw. bei 37 mm für Patientensignale. Somit erlaubt die Kombination beider CNNs die verlässliche Lokalisierung von ektopen Foki auch anhand von Patientendaten, obwohl Patientendaten vorher nicht im Training genutzt wurden.
Die Resultate dieser zwei Projekte demonstrieren, wie EKG-Simulationen zur Entwicklung und Verbesserung von EKG-Signalverarbeitungsmethoden eingesetzt werden und bei der Diagnosefindung helfen können. Zudem zeigt sich das Potential der Kombination von Simulationen und CNNs, um einerseits die zumeist raren klinischen Signale zu ersetzen und andererseits Modelle zu finden, die für mehrere Patienten/-innen gültig sind. Die vorgestellten Methoden bergen die Möglichkeit, die Diagnosestellungen zu beschleunigen und mit hoher Wahrscheinlichkeit den Therapieerfolg der Patienten zu verbessern.

The electrocardiogram (ECG) is the standard measurement device of the electrical heart activity. It is highly available and allows for a quick, inexpensive, and non-invasive monitoring. This is especially important for the diagnosis of cardiovascular disease (CVD) which is one of the major concerns for the health care system in Europe. CVD causes costs of C210 billion and is responsible for 3.9 million deaths (45% of all deaths) a year. Apart from risk factors, chronic kidney disease (CKD) and structural changes in the heart tissue are underlying pathologies causing CVD. ... mehrBoth diseases can lead to life-threatening arrhythmia. This is why the following two pathologies connected to CVD are focused on in this thesis: Electrolyte imbalances in CKD patients and ectopic foci in the ventricles autonomously triggering an excitation. In both cases, the overall goal is to develop methods with the help of simulated signals supporting diagnosis.
In the first project, ECG simulations are used to optimize a signal processing workflow for an ECG-based estimation of blood potassium concentration ([K+]b) and blood calcium concentration ([Ca2+]b). The findings from the simulation studies are incorporated into two [K+]b estimation methods which are evaluated on patient data. Mean absolute estimation errors were 0.37 mmol/l for a patient-specific approach and 0.48 mmol/l for a global approach with patient-specific adjustment. Advantages compared to existing approaches are extensively discussed. All algorithms being important for a signal processing workflow are published under an open source license.
The second project aims at estimating the location of ectopic foci with the surface ECG without knowing the individual geometry of the patient. 1,766,406 simulated ECG signals (body surface potential maps (BSPMs)) are utilized to train two convolutional neural networks (CNNs): The first estimates start and end of the depolarization, the second uses the depolarization part in the BSPM to localize the excitation origin. This CNN is designed to be able to show multiple solutions in the case of several possible excitation origins. The smallest median localization errors were 1.54 mm on the test set for the simulated and 37 mm for the patient data. Hence, the combination of the two CNNs yields a reliable method for the localization of ectopic foci on simulated and on patient data, although patient signals were not used during training.
The results from the two projects demonstrate how simulated data can be used to develop and improve adequate ECG signal processing methods and how diagnosis can be supported. Furthermore, the potential of the combination of simulations and CNNs for overcoming the problem of unavailable clinical datasets as well as for finding estimation models being valid for different patients is demonstrated. The proposed methods can be used to accelerate diagnosis and is therefore likely to improve the outcome of the patients.