Detekce ischemie myokardu s využitím analýzy animálních ortogonálních záznamů

Abstract

Ischemická choroba srdeční (ICHS) je jedním z nejrozšířenějších onemocnění kardiovaskulárního systému způsobována nedostatečným přísunem kyslíku do srdečního svalu myokardu například v důsledku aterosklerózy věnčitých tepen. ICHS zahrnuje mimo jiné také infarkt myokardu, a proto je důležitá její přesná a včasná detekce. Z tohoto důvodu je v této práci řešena detekce ICHS z vektorkardiografických (VKG) záznamů animálního původu. K tomuto účelu byly analyzovány VKG záznamy izolovaného srdce králíka novozélandského, které byly rozděleny do dvou datasetů o různém počtu fyziologických a ischemických záznamů. Jeden dataset byl ve výsledku vyvážený a druhý nevyvážený. Práce se zabývá návrhem nové metodiky detekce ICHS s využitím animálních ortogonálních záznamů, ze kterých bylo extrahováno 19 VKG příznak a pomocí analýzy relevantnosti byl tento počet zredukován na finálních 6 nejvíce relevantních příznaků. Tyto extrahované příznaky sloužily jako vstupní dataset do metod strojového učení. Takto bylo analyzováno celkem 8 metod strojového učení s experimentálně nastavenými hyperparametry. Na základě experimentálních výsledků této analýzy bylo zjištěno, že jakožto nejpřesnější metoda na první dataset vyšla metoda Lineární Diskriminantní Analýzy (LDA) s přesností 73,08 % a F1 skóre 69,57 %. Pro druhý dataset se nejlepší metodou stala Support Vector Machine (SVM) metoda s přesností 85,11 % a F1 skóre 90,91 %. Pro dataset redukovaných příznaků vyšla jako nejvhodnější metoda Adaptivní Logistická Regrese (ALR), která dosáhla přesnosti 81,56 % a F1 skóre 88,79 %. Navzdory tomu, že se králičí fyziologie výrazně liší od té lidské, zejména v cévním zásobení srdce, které je u králíků více propojené a ICHS proto není tak výrazná jako u lidí, dosáhly navržené metody vysoké úspěšnosti detekce. To ukazuje, že by použité metody mohly být relevantní pro využití v klinické praxi.

Ischemic heart disease (IHD) is one of the most common cardiovascular conditions caused by insufficient oxygen supply to the myocardial muscle often due to coronary artery atherosclerosis. IHD includes myocardial infarction, making its accurate and timely detection crucial. This study focuses on detecting IHD from animal-derived vectorcardiographic (VCG) recordings. VCG data were analyzed and divided into two datasets with different numbers of physiological and ischemic records. One dataset was balanced, while the other was imbalanced. A novel detection methodology was developed using animal orthogonal leads, from which 19 VCG features were extracted. Feature relevance analysis reduced this number to the six most relevant features. These features served as input for machine learning models. A total of eight machine learning methods were tested with experimentally set hyperparameters. Results showed that the most accurate method for the first dataset was Linear Discriminant Analysis (LDA) with 73.08% accuracy and an F1 score of 69.57%. For the second dataset, the best-performing method was Support Vector Machine (SVM) with 85.11% accuracy and an F1 score of 90.91%. For the reduced feature dataset, Adaptive Logistic Regression (ALR) performed best, achieving 81.56% accuracy and an F1 score of 88.79%. Despite the fact that rabbit physiology differs significantly from human physiology, especially in the coronary circulation, which is more interconnected in rabbits and therefore makes ischemic heart disease less apparent than in humans, the proposed methods achieved a high detection success rate. This suggests that the applied methods could be relevant for use in clinical practice.