[論文レビュー] Deep neural networks can predict mortality from 12-lead electrocardiogram voltage data

Sushravya Raghunath, Alvaro Ulloa+13 more|arXiv (Cornell University)|Apr 15, 2019

ECG Monitoring and Analysis参考文献 45被引用数 50

ひとこと要約

深層ニューラルネットワークは、12誘導安静時ECGの電圧-時間トレースから1年全死因死亡を予測し、医師によって正常とラベル付けされたECGでも高いAUCを達成します。

ABSTRACT

The electrocardiogram (ECG) is a widely-used medical test, typically consisting of 12 voltage versus time traces collected from surface recordings over the heart. Here we hypothesize that a deep neural network can predict an important future clinical event (one-year all-cause mortality) from ECG voltage-time traces. We show good performance for predicting one-year mortality with an average AUC of 0.85 from a model cross-validated on 1,775,926 12-lead resting ECGs, that were collected over a 34-year period in a large regional health system. Even within the large subset of ECGs interpreted as 'normal' by a physician (n=297,548), the model performance to predict one-year mortality remained high (AUC=0.84), and Cox Proportional Hazard model revealed a hazard ratio of 6.6 (p<0.005) for the two predicted groups (dead vs alive one year after ECG) over a 30-year follow-up period. A blinded survey of three cardiologists suggested that the patterns captured by the model were generally not visually apparent to cardiologists even after being shown 240 paired examples of labeled true positives (dead) and true negatives (alive). In summary, deep learning can add significant prognostic information to the interpretation of 12-lead resting ECGs, even in cases that are interpreted as 'normal' by physicians.

研究の動機と目的

• ECGの電圧-時間トレースを用いて将来の死亡リスクを予測する動機付け。
• 深層学習モデルが安静時12誘導ECGsから1年全死因死亡を予測できるかを評価する。
• 長期間にわたる大規模な実世界データセットでモデル性能を評価する。
• 医師によって正常と解釈されたECGsでも予後信号が存在するかを検討する。

提案手法

• 34年間にわたって収集された1,775,926件の安静時12誘導ECGに対して深層ニューラルネットワークを訓練する。
• One-year mortality の予測性能をAUCで評価する。
• 医師により正常とラベル付けされたECGのサブセット内での性能を評価する。
• 予測群と長期死亡率を関連づけるCox Proportional Hazards分析を用いる（ハザード比）。
• 3人の心臓専門医を対象としたブラインド調査を実施し、モデルが認識したパターンを人間の解釈と比較する。

実験結果

リサーチクエスチョン

• RQ1 12誘導安静時ECGの電圧-時間トレースから深層ニューラルネットワークは1年死亡率を予測できるか。
• RQ2 医師により正常と判定されたECG内でも予測性能は持続するか。
• RQ3 フォローアップにおけるモデル予測死亡と長期転帰（ハザード比）との関連はどうなるか。
• RQ4 モデルが学習したパターンは臨床医に視覚的に明らかか。

主な発見

• クロスバリデーションデータ上で1年死亡率予測の平均AUCは0.85。
• 正常ECGサブセット（n=297,548）ではAUCは0.84と高いまま。
• 30年間の追跡で、dead vs alive at one yearに対するCoxモデルのハザード比は6.6（p<0.005）。
• ペアで提示した例を見た後、心臓専門医には一般的にモデルのパターンは視覚的には明らかでなかった。
• 深層学習は、安静時12誘導ECGの解釈に重要な予後情報を追加し、正常とラベル付けされた場合でも有用である。