Multiscale Cohort Modeling of Atrial Electrophysiology : Risk Stratification for Atrial Fibrillation through Machine Learning on Electrocardiograms

Patienten mit Vorhofflimmern sind einem fünffach erhöhten Risiko für einen ischämischen Schlaganfall ausgesetzt. Eine frühzeitige Erkennung und Diagnose der Arrhythmie würde ein rechtzeitiges Eingreifen ermöglichen, um möglicherweise auftretende Begleiterkrankungen zu verhindern. Eine Vergrößerung des linken Vorhofs sowie fibrotisches Vorhofgewebe sind Risikomarker für Vorhofflimmern, da sie die notwendigen Voraussetzungen für die Aufrechterhaltung der chaotischen elektrischen Depolarisation im Vorhof erfüllen. Mithilfe von Techniken des maschinellen Lernens könnten Fibrose und eine Vergrößerung des linken Vorhofs basierend auf P Wellen des 12-Kanal Elektrokardiogramms im Sinusrhythmus automatisiert identifiziert werden. ... mehrDies könnte die Basis für eine nicht-invasive Risikostrat- ifizierung neu auftretender Vorhofflimmerepisoden bilden, um anfällige Patienten für ein präventives Screening auszuwählen.
Zu diesem Zweck wurde untersucht, ob simulierte Vorhof-Elektrokardiogrammdaten, die dem klinischen Trainingssatz eines maschinellen Lernmodells hinzugefügt wurden, zu einer verbesserten Klassifizierung der oben genannten Krankheiten bei klinischen Daten beitra- gen könnten. Zwei virtuelle Kohorten, die durch anatomische und funktionelle Variabilität gekennzeichnet sind, wurden generiert und dienten als Grundlage für die Simulation großer P Wellen-Datensätze mit genau bestimmbaren Annotationen der zugrunde liegenden Patholo- gie. Auf diese Weise erfüllen die simulierten Daten die notwendigen Voraussetzungen für die Entwicklung eines Algorithmus für maschinelles Lernen, was sie von klinischen Daten unterscheidet, die normalerweise nicht in großer Zahl und in gleichmäßig verteilten Klassen vorliegen und deren Annotationen möglicherweise durch unzureichende Expertenannotierung beeinträchtigt sind.
Für die Schätzung des Volumenanteils von linksatrialem fibrotischen Gewebe wurde ein merkmalsbasiertes neuronales Netz entwickelt. Im Vergleich zum Training des Modells mit nur klinischen Daten, führte das Training mit einem hybriden Datensatz zu einer Reduzierung des Fehlers von durchschnittlich 17,5 % fibrotischem Volumen auf 16,5 %, ausgewertet auf einem rein klinischen Testsatz. Ein Long Short-Term Memory Netzwerk, das für die Unterscheidung zwischen gesunden und P Wellen von vergrößerten linken Vorhöfen entwickelt wurde, lieferte eine Genauigkeit von 0,95 wenn es auf einem hybriden Datensatz trainiert wurde, von 0,91 wenn es nur auf klinischen Daten trainiert wurde, die alle mit 100 % Sicherheit annotiert wurden, und von 0,83 wenn es auf einem klinischen Datensatz trainiert wurde, der alle Signale unabhängig von der Sicherheit der Expertenannotation enthielt.
In Anbetracht der Ergebnisse dieser Arbeit können Elektrokardiogrammdaten, die aus elektrophysiologischer Modellierung und Simulationen an virtuellen Patientenkohorten resul- tieren und relevante Variabilitätsaspekte abdecken, die mit realen Beobachtungen übereinstim- men, eine wertvolle Datenquelle zur Verbesserung der automatisierten Risikostratifizierung von Vorhofflimmern sein. Auf diese Weise kann den Nachteilen klinischer Datensätze für die Entwicklung von Modellen des maschinellen Lernens entgegengewirkt werden. Dies trägt letztendlich zu einer frühzeitigen Erkennung der Arrhythmie bei, was eine rechtzeitige Auswahl geeigneter Behandlungsstrategien ermöglicht und somit das Schlaganfallrisiko der betroffenen Patienten verringert.

Patients affected by atrial fibrillation are exposed to a fivefold increased risk of ischemic stroke. An early detection and diagnosis of the arrhythmia would therefore set the course for timely intervention to prevent potentially occurring comorbidities. A dilation of the left atrium as well as the presence of fibrotically infiltrated atrial tissue are risk factors for atrial fibrillation as they provide the necessary substrate for the maintenance of electrical reentrant activity. Identifying fibrotic atrial cardiomyopathy and left atrial enlargement based on machine learning techniques applied to P waves representing the atrial activity in the 12-lead electrocardiogram in sinus rhythm could thus be an important means for a non-invasive and remote risk stratification of new-onset atrial fibrillation episodes and the selection of appropriate subjects for in-depth screening.
... mehr
For this purpose, it was investigated if simulated atrial electrocardiogram data added to a clinical training dataset of a machine learning model could contribute to an improved classification of the above mentioned diseases. Two virtual cohorts characterized by both anatomical and functional variability were compiled and served as a basis for generating large-scale and unbiased datasets of P waves with exactly known ground truth labels of the underlying pathology. In this way, the simulated data fulfilled the essential requirements for the development of a machine learning algorithm what sets them apart from clinical data usually not available in large numbers in evenly distributed classes and labels possibly affected by inadequate expert annotations.
A shallow feature-based feedforward neural network was set up to perform the regression task of predicting the tissue volume fraction of left atrial fibrosis. Compared to training the model only on clinical data, training on a hybrid dataset led to a reduction of the absolute estimation error from 17.5 % fibrotic volume on average to 16.5 % evaluated on a clinical test set. A long short-term memory network tailored at performing the binary classification task between P waves of healthy subjects and left atrial enlargement patients yielded an accuracy on a clinical test set of 0.95 when trained on a hybrid dataset, of 0.91 when trained on clinical data only comprising samples with 100 % label certainties and of 0.83 when trained on clinical data including all samples independent on their label certainties.
The results of the studies presented in this thesis demonstrate that electrocardiogram data resulting from electrophysiological modeling and simulations on virtual patient cohorts, covering relevant variability aspects complying with real-world observations, can be a valuable data resource for improving automated atrial fibrillation risk stratification. In this regard, the drawbacks of clinical datasets for developing machine learning models can be compensated for. This ultimately leads to an enhanced early detection of the arrhythmia, which allows for choosing appropriate treatment strategies in due time and thus, reduces the risk of stroke in affected patients.