 |
|
| Thesis topic proposal |
| |
Description of the research topic:
Előzmények
A fejlett nyugati országokban, bár a koszorúsér betegség mortalitás életkorral összefüggő kockázata az utóbbi 40-50 évben jelentősen csökkent, a hirtelen szívhalál, -amelynek döntő többsége (75-80%-a) koszorúsér betegekben következik be-, incidenciája ennek ellenére nem változott az utóbbi 20 évben. Ennek valószínűleg az az oka, hogy a krónikus koszorúsér betegség rizikó faktorainak és az acut coronaria syndromának a jobb kezelése, megelőzése révén a koszorúsér betegek tovább élnek, és több súlyos koszorúsér beteg él meg magasabb életkort, ezáltal éppen az a típusú populáció nő, amelyből a hirtelen halál esetek származnak. A hirtelen halál esetek magas incidenciája (az USA-ban 300000-400000/év) aláhúzza a hirtelen halált okozó betegségek, állapotok nagy népegészségügyi jelentőségét (1).
A hirtelen halálhoz vezető szívleállás esetek 70-80%-ának electrophysiológiai (EP) mechanizmusa a kamrai tachyarrhythmiák (kamrafibrilláció, kamrai tachycardia) létrejötte. A kamrafibrilláció (VF) felismerése a felszíni EKG alapján általában nem okoz nehézséget, azonban a monomorf széles QRS tachycardiával (WCT) járó kamrai tachycardia (VT) biztos diagnosztizálása a sürgősségi helyzetben rendelkezésre álló felszíni EKG alapján máig sem teljesen megoldott. A széles QRS-sel (> 120 ms) járó monomorf tachycardiák hátterében az esetek legnagyobb részében (kb. 80-90%-ában) VT áll, a maradék közel 10-20%-ért supraventricularis tachycardia (SVT) funkcionális szárblockkal vagy fixált preexistáló szárblockkal felelős. Mivel a WCT-k mechanizmusában szereplő ritkább okok, mint az anterográd accessorius nyaláb vezetéssel járó preexcitált tachycardiák (PXT), gyógyszerhatás (pl. 1A, 1C, III-as típusú antiarrhythmiás szerek) és ioneltérések (pl. hyperkalaemia), pacemaker ritmus csak a WCT-k elenyésző kisebbségéért (összesen a WCT-k kb. 1-5%-a) felelősek, a WCT-k differenciál diagnózisában a döntő kérdés a VT-k és SVT-k elkülönítése. A jelenleg rendelkezésre álló számos, sokszor bonyolult tradícionális EKG kritérium alkalmazásával a WCT okának pontos tisztázása az esetek kb. 90%-ában lehetséges a felszíni EKG elemzésével. Bár a 90%-os diagnosztikus pontosság jónak tűnik, a gyakorlatban WCT esetén a tévedés az esetek 10%-ában is megengedhetetlen, mert a VT tévesen SVT-ként történő kezelése katasztrófális következményekkel járhat (az SVT kezelésére használatos adenozin súlyos ritmuszavarokat: pitvarfibrillációt, hosszú QT syndromában torsade de pointes típusú VT-t; a verapamil adása pedig a VT leggyakoribb koszorúsér betegséghez társuló formájában súlyos hypotensiót, VT acceleratiót, VF kialakulását eredményezheti). Ezért, amíg az ellenkezője teljes biztonsággal nem bizonyítható, addig minden WCT-t VT-nek kell tekinteni, és eszerint kell kezelni, súlyos haemodinamikai állapot esetén azonnali elektromos cardioversioval, haemodinamikailag jól tolerálható WCT esetén olyan gyógyszerek alkalmazásával, amelyek mind VT, mind SVT mind PXT esetén hatásosak (procainamid, propafenon, cordarone, sotalol). Jelenleg csak EP vizsgálattal lehetséges teljes biztonsággal a WCT kiindulási helyének, mechanizmusának megállapítása, amennyiben a spontán előfordulóval megegyező WCT a vizsgálat alatt indukálható. A WCT kiindulási helyének megállapítása nemcsak a sürgős ellátás, hanem a hosszú távú kezelés, prognózis szempontjából is fontos (pl. szükséges-e cardioverter-defibrillátor implantáció, ha acut ischaemia által kiváltott VT, akkor revascularisatio, vagy ha SVT, akkor csak gyógyszeres kezelés?). A kezeléssel, prognózissal kapcsolatos kérdésekre az EP vizsgálat (és az esetleges coronarographia) az esetek többségében választ ad, ha a WCT a vizsgálat alatt indukálható. De az esetek egy részében a ritmuszavar EP vizsgálattal nem indukálható, másrészt sokkal előnyösebb lenne, ha már a WCT jelentkezésekor azonnal a felszíni EKG elemzéssel tudnánk a fenti kérdésekre választ kapni. Ezért két új kritérium létrehozásával egy új, négy kritériumot tartalmazó egyszerűsített négylépcsős, lépcsőnkénti döntésekre épülő algoritmust fejlesztettünk ki, amelyet összevetettünk a WCT-k differenciál diagnózisára javasolt viszonylag egyszerű, hasonlóan négy lépcsős Brugada algoritmussal, és azt találtuk, hogy az új algoritmusunk szignifikánsan (p=0,006) jobb volt a helyes diagnózis felállításában mint a Brugada algoritmus (90,3% vs. 84,8%) és kb. ugyanolyan jónak bizonyult mint az összes bonyolult tradícionális kritérium alkalmazása együttvéve. Az új algoritmusunkat a két új kritérium megtartásával tovább egyszerűsítettük úgy, hogy teljesen elhagytuk a bonyolult morfológiai kritériumokat, és a kritériumokat csak az aVR elvezetésben vizsgáltuk. Az így nyert lényegesen egyszerűbb, gyorsabban alkalmazható algoritmus diagnosztikus pontossága megegyezett a korábbi algoritmusunkéval és szignifikánsan jobb volt a Brugada algoritmusénál (91,5% vs. 90,7% vs 85,5%, p=0,002) (20).
A számítógépes szakértői rendszereket már régóta használják az EKG általános elemzésére és speciálisan a ritmuszavarok diagnosztikájára is. Szemben a szakértői rendszerekkel, amelyek az adott terület szakértőinek tapasztalata, tudása alapján előre meghatározott szabályok szerint végzik az EKG elemzést, ezektől nem tudnak eltérni, ezért teljesítményük attól függ, hogy mennyire jók a működésüket előíró szabályok, a mesterséges neuron hálózatok az emberi agyhoz hasonlóan példák, tapasztalatok alapján taníthatók, és ezek alapján ők maguk állítják fel a szabályokat a tanítási folyamat közben, ezért kiválóan alkalmasak bizonyos minták, összefüggések felismerésére. Azonban a neuronhálózatok hátránya a szakértői rendszerekkel szemben, hogy a módszerek, amelyekkel a neuronhálózat a tanítás után az adott következtetésekre jut, ismeretlenek maradnak. Az EKG általános elemzésére a neuron hálózatok eddig nem váltak be, de egyes speciális EKG diagnosztikai feladatokra kiválóan alkalmazhatók, sokszor jobb eredménnyel mint a szakértői rendszerek, de talán a legígéretesebb lehetőség a kétféle rendszer kombinálásában rejlik. Az arrhythmiák vonatkozásában például neuron hálózatokat kiváló eredménnyel alkalmaztak a pitvarfibrilláció diagnosztizálására, az accessorius nyalábok felszíni EKG alapján történő non-invazív lokalizálására. A WCT-k differenciál diagnózisában eddig alig történt próbálkozás a neuron hálózatok alkalmazására, a Brugada algoritmus kritériumainak finomítására, javítására próbáltak alkalmazni neuron hálózatokat, az eredmények azt sugallták, hogy a neuron hálózatok alkalmazásával az algoritmus tovább javítható lehet. Próbálkozások történtek ígéretes eredményekkel az implantálható cardioverter-defibrillátorok (ICD) arrhythmia detectáló képességének javítására is neuron hálózatokkal, és szakértő rendszer valamint neuron hálózat kombinált alkalmazásával a téves shockok számának csökkentése céljából.
Célkitűzés
Vizsgálatunk célja az, hogy szakértői rendszer és neuron hálózat kombinált felszíni EKG elemzésre történő alkalmazásával tovább javítsuk az eddig alkalmazott EKG kritériumok diagnosztikus pontosságát a WCT differenciál diagnózisában, közelítve a diagnosztikus pontosságot a kívánatos 100%-os értékhez.
Vizsgálati protokoll
1. A vizsgálat első fázisában a WCT-k összes lehetséges aetiológiáját (SVT+funkcionális aberráció, SVT+preexistáló szárblock, VT, PXT) a nagyon ritka okok kivételével reprezentáló kb. 500 digitalizált (1 minta/ms frekvenciával) WCT-EKG felhasználását tervezzük a neuronhálózatok betanítására. A SE Ér és Szívsebészeti Klinika Cardiovascularis Centrum valamint az Indiana Egyetem, Krannert Institute of Cardiology EP Laboratóriumában végzett EP vizsgálatok során rögzített WCT-EKG-kat használjuk, amelyeknél az EP diagnózis minden esetben ismert. 1.a.) A rögzített adatok interpolálása, a mintavételi sebesség 406 minta/sec-ra történő csökkentése után szakértői rendszerrel QRS detektálást végzünk, amelynek során először a maximális amplitudó értékek meghatározásával a QRS-ek közelítő lokalizálását végezzük el, majd az adatok 1. derivátumának maximumát véve a QRS-ek reextractiójára kerül sor a maximum körül, úgy, hogy a maximumot 110 adatpontnak megfelelő 275 ms-os ablak veszi körül. Az adatokat egy 3 rétegű, hiba visszacsatolással működő neuronhálózatba tápláljuk be, amelynek első rétege 110 input neuront tartalmaz (a QRS minden rögzített adatpontjának megfelelően 1 neuront). A három lehetséges diagnózisnak (VT, SVT, PXT) megfelelően 3 output neuront alkalmazunk. Így a QRS-ek részletes morfológiai analízisének elvégzésével tanítjuk be a neuron hálózatot a helyes diagnózis felállítására. 1.b.) Az 1.a. alpontban leírt QRS lokalizáció, reextractio után a 275 ms-os ablak ráhelyezésével kapott környezetben megkeressük a maximumhoz képest kisebb szélső értékeket, amelyek a QRS kisebb csúcsait, hullámait reprezentálják, és ezek segítségével extrahált QRS tulajdonságokat [a QRS pozitív és negatív hullámainak amplitudója, az alattuk levő terület, a QRS szélessége, a QRS tengelyállás a frontális síkban, a QRS első 30 ms-ában és az utolsó 30 ms-ában mérhető feszültségváltozások (V/t) aránya, amely utóbbi megfelel új klinikai algoritmusunk egyik új kritériumának] képezünk. Az extrahált tulajdonságokat neuronhálózatba tápláljuk, amelyek a tanítás során megtanulják, hogy milyen diagnózishoz milyen extrahált tulajdonságok tartoznak.
2. Végül kb. 200-300 betanításra nem használt, a WCT-k összes gyakoribb aetiológiáját reprezentáló test WCT-EKG felhasználásával megismételjük az 1.a.) és 1.b.) pontban leírtakat, és megvizsgáljuk, hogy a tradícionális EKG kritériumokkal illetve az új klinikai algoritmusunkkal végzett manuális EKG elemzéssel összehasonlítva a szakértői rendszer és neuron hálózat kombinációjával végzett QRS morfológia és extrahált QRS tulajdonságok elemzése milyen diagnosztikus pontosság, specificitás, sensitivitás, prediktív értékek elérésére képes. Ezenkívül vizsgáljuk azt is, hogy a WCT lehetséges mechanizmusai mely extrahált QRS tulajdonságokban különböznek egymástól szignifikánsan, és így mely extrahált QRS tulajdonságok bizonyulnak leghasznosabbnak a WCT differenciál diagnózisában.
Number of students who can be accepted: 1
Deadline for application: 2019-12-31 |
|
|
|
|
Login
