Analysis of Electrocardiograms Using Artificial Neural Networks

Abstract: Popular Abstract in Swedish Hjärtsjukdom är idag en vanlig åkomma i de flesta industriländer. En stor arsenal av utrednings- och diagnosinstrument finns tillgängliga. Ett av de mest använda och lättillgängliga är undersökning med elektrokardiogram (EKG). De flesta EKG-apparater är idag datoriserade och innehåller program för tolkning av EKG-kurvorna. Programmens tolkning är ofta bra, bättre än den mindre erfarne läkarens tolkning, men det finns utrymme för förbättringar. Antalet EKG-undersökningar årligen runt om i världen uppskattas till ca 300 miljoner, varför även små förbättringar kan få stor betydelse. Syftet med studierna i denna avhandling var att förbättra datorbaserad tolkning av EKG med hjälp av artificiella neurala nätverk. Artificiella neurala nätverk efterliknar, om än mycket förenklat, biologiska neurala nätverk. I ett biologiskt neuralt nätverk utgörs de grundläggande elementen av neuron, som står i förbindelse med många andra neuron. De artificiella neuronen utgörs av matematiska enheter, som i ett nätverk har förbindelse med varandra. Ett artificiellt neuralt nätverk lär sig att lösa en uppgift, genom att "träna" på en samling exempel. Det lär sig då att "känna igen" olika mönster. EKG:n med exempel på olika diagnoser, t.ex. normala EKG och EKG från patienter med hjärtinfarkt, kan ges till ett nätverk. Nätverket kan då genom träning på dessa lära sig att klassificera de två diagnoserna rätt. Avhandlingen består av fem delarbeten. I två av dessa analyserades EKG med avseende på att hitta felkopplingar d.v.s. om två eller flera elektroder förväxlats i samband med EKG-registreringen. Detta fel förekommer vid 2% av alla EKG-registreringar och det upptäcks oftast inte, vare sig av den som utför registreringen eller av tolkningsprogrammet i EKG-apparaten. Även läkaren missar ofta att ett EKG är felkopplat och gör istället en feltolkning. Detta kan leda till att patienten får en felaktig diagnos vilket ibland medför en olämplig eller utebliven behandling. Neurala nätverk tränades att hitta de vanligast förekommande typerna av felkopplingar och klarade denna uppgift betydligt bättre än två olika EKG-tolkningsprogram. I två av delarbetena analyserades neurala nätverks förmåga att diagnosticera utläkta hjärtinfarkter i EKG. Nätverken jämfördes med ett vanligt tolkningsprogram samt med en erfaren EKG-expert. Nätverken var bättre än tolkningsprogrammet och även något bättre än experten. EKG-expert och nätverk var dock överens om tolkningen av de flesta EKG. I det femte delarbetet studerades ett nätverks förmåga att diagnosticera akut hjärtinfarkt i EKG. Ett material med över 11 000 EKG som registrerats på patienter på en akutmottagning användes för att träna ett neuralt nätverk. Mer än 1100 av dessa EKG var registrerade på patienter med akut hjärtinfarkt. Efter träningen var nätverket bättre än såväl ett tolkningsprogram som en erfaren kardiolog på att diagnosticera akut hjärtinfarkt i EKG. Sammanfattningsvis visar studierna att artificiella neurala nätverk kan användas för att förbättra tolkning av EKG.