Avanzamento della rilevazione della fibrillazione atriale con machine learning

La Fibrillazione Atriale (AFib) è una condizione cardiaca comune in cui il cuore batte in modo irregolare. Questo può portare a gravi problemi come ictus e insufficienza cardiaca. Chi ha AFib potrebbe sentire il cuore che corre, avere palpitazioni o una pressione bassa. Le caratteristiche principali dell'AFib sono l'assenza di schemi specifici nei battiti cardiaci e segnali elettrici irregolari nelle camere superiori del cuore. Questa irregolarità si verifica a causa di un'attività elettrica anomala.

I segnali elettrici del cuore vengono registrati in un Elettrocardiogramma (ECG), e i dottori cercano due segni principali per individuare l'AFib: l'assenza delle onde P (una parte del ritmo cardiaco normale) e un modello di battito cardiaco irregolare noto come “Irregolarità Irregolare.” L'onda P è molto più piccola dell'onda R, che è il picco della lettura dell'ECG. Nel nostro studio, abbiamo deciso di concentrarci sugli RR-Intervalli, che sono le lunghezze tra i battiti cardiaci, poiché le onde P a volte possono essere perse a causa del rumore nelle registrazioni.

#I Dati: MIT-BIH e 2017 Challenge

Due dataset chiave sono stati utilizzati per lo studio: il MIT-BIH Atrial Fibrillation Database e il 2017 Challenge Database. Il database MIT-BIH include oltre 230 ore di registrazioni ECG da pazienti diagnosticati con AFib, offrendo una fonte dettagliata per comprendere i modelli dell'AFib. D'altra parte, il dataset del 2017 Challenge consiste in registrazioni più brevi da dispositivi portatili, che simulano meglio il funzionamento dei monitor cardiaci per i consumatori, ma presentano le proprie sfide nella classificazione accurata degli eventi di AFib.

I dati MIT-BIH sono generalmente più puliti e lunghi, rendendoli utili per addestrare modelli. Tuttavia, i dati del 2017 Challenge riflettono meglio le prestazioni dei dispositivi reali, poiché sono stati raccolti da dispositivi di monitoraggio portatili.

#La Sfida della Rilevazione della Fibrillazione Atriale

Rilevare l'AFib può essere difficile a causa della sua natura irregolare. Molte volte, le persone potrebbero nemmeno sapere di averlo fino a quando non affrontano seri problemi di salute. Dato che l'AFib aumenta il rischio di ictus del 20% per gli adulti oltre i 45 anni, la rilevazione precoce è cruciale. Il nostro obiettivo era creare un modello di rilevazione semplice e in tempo reale usando dispositivi comuni come smartwatch e fitness tracker.

Questi dispositivi consumer spesso utilizzano Fotoplethismogrammi (PPG), che tracciano i cambiamenti nel flusso sanguigno piuttosto che utilizzare ECG. Tuttavia, per sviluppare il nostro modello, ci siamo affidati ai dati ECG più affidabili per identificare i modelli legati all'AFib.

#Filtraggio e Pulizia dei Dati

Abbiamo iniziato rivedendo lavori precedenti sulla classificazione dell'AFib e poi ci siamo messi a estrarre e pulire i dati da entrambi i dataset. Per il dataset del 2017 Challenge, ci siamo trovati di fronte a un notevole livello di rumore poiché era registrato utilizzando dispositivi portatili, il che ha portato a problemi nella deteizione accurata dei battiti cardiaci.

Per rendere i dati utilizzabili, abbiamo applicato varie tecniche di elaborazione dei segnali. Abbiamo usato filtri per rimuovere il rumore e abbiamo impostato soglie per identificare e rimuovere i valori anomali, assicurandoci che i dati fossero il più puliti possibile per l'analisi.

Una volta risolto il problema del rumore e rimossi i valori anomali, ci siamo concentrati sullo studio degli RR-Intervalli. Abbiamo classificato ciascun RR-Intervallo come corto, normale o lungo in base a criteri definiti. Questa classificazione era essenziale per sviluppare matrici di transizione che ci hanno aiutato ad analizzare come i modelli di battito cambiavano nel tempo.

#Esplorando i Modelli di Ritmo Cardiaco

Esaminando gli RR-Intervalli dai dataset puliti, abbiamo cominciato a vedere dei modelli. È diventato evidente che i ritmi dell'AFib mostrano un modello di transizione unico rispetto ai ritmi normali. I dati hanno mostrato che, durante gli episodi di AFib, il cuore potrebbe passare più frequentemente tra intervalli corti e normali rispetto ai modelli di ritmo cardiaco regolare.

L'analisi delle matrici di transizione ha illustrato come questi intervalli variassero tra diversi soggetti. Era importante notare che le persone con alta varianza nei loro RR-Intervalli spesso sperimentavano più episodi di AFib.

#Costruire il Modello

Con i nostri dati raffinati, ci siamo messi alla ricerca del miglior modello per prevedere l'AFib. Sono stati testati diversi modelli di machine learning, tra cui la Regressione Logistica, le Macchine a Vettori di Supporto (SVM) e le Foreste Casuali. Il modello SVM, in particolare con un kernel radiale, ha dato i migliori risultati, specialmente per quanto riguarda la sensibilità – un fattore critico quando si tratta di rilevare una condizione seria come l'AFib.

Addestrando i nostri modelli sul dataset MIT-BIH più affidabile e poi testandoli sul dataset del 2017 Challenge, siamo stati in grado di valutare quanto bene il modello potesse generalizzare a nuovi dati. Abbiamo scoperto che il modello SVM distingueva efficacemente tra ritmi AFib e non-AFib, ma le prestazioni calavano quando includevamo più tipi di classificazione dal dataset del 2017 Challenge.

#Intuizioni dai Risultati

I risultati hanno indicato che le proporzioni di transizione degli RR-Intervalli potrebbero prevedere efficacemente l'AFib, anche se ci sono state sfide nell'applicare queste intuizioni a dataset variabili. Quando il modello è stato addestrato solo per rilevare AFib contro non-AFib, abbiamo ottenuto risultati molto migliori, suggerendo che le caratteristiche basate sugli RR-Intervalli fossero davvero promettenti per classificare l'AFib.

La nostra analisi esplorativa ha mostrato che i dati MIT-BIH consentivano una chiara separazione tra AFib e ritmi cardiaci normali. Tuttavia, passando ai dati del 2017 Challenge, questa separazione era meno netta, indicando che la complessità della classificazione del ritmo cardiaco aumenta in ambienti meno controllati.

#Direzioni Future

In base ai nostri risultati, c'è un chiaro bisogno di ulteriori lavori nelle applicazioni in tempo reale, in particolare con i dati PPG, per creare un modello di rilevazione dell'AFib affidabile. La nostra ricerca ha evidenziato l'efficacia delle caratteristiche degli RR-Intervalli per la classificazione dell'AFib, ma ha anche sottolineato le limitazioni nella classificazione di tutti i ritmi cardiaci.

Procedendo, i prossimi passi consistono nello studiare come applicare i nostri risultati ai dati PPG e sviluppare modelli in grado di gestire rumore e variabilità. L'obiettivo è creare un modello efficace in tempo reale per monitorare la salute del cuore e potenzialmente salvare vite individuando l'AFib precocemente.

Migliorando i metodi di rilevazione e assicurandoci un monitoraggio accurato utilizzando dispositivi quotidiani, possiamo contribuire a migliori risultati di salute per chi è a rischio di sviluppare Fibrillazione Atriale.