[논문 리뷰] Deep neural networks can predict mortality from 12-lead electrocardiogram voltage data

Sushravya Raghunath, Alvaro Ulloa외 13명|arXiv (Cornell University)|2019. 04. 15.

ECG Monitoring and Analysis참고 문헌 45인용 수 50

한 줄 요약

12-lead resting ECG voltage-time traces에서 1년간 모든 원인으로 인한 사망률을 예측하는 심층 신경망이 높은 AUC를 달성하며, 의사가 정상으로 라벨링한 ECG에서도 성능이 좋습니다.

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.

연구 동기 및 목표

• 향후 사망 위험 예측을 위해 ECG 전압-시간 트레이스를 활용하는 것을 동기 부여한다.
• 휴식 시 12리드 ECG로부터 1년간 모든 원인으로 인한 사망을 예측할 수 있는 심층학습 모델의 가능성을 평가한다.
• 크고 장기간의 실제 데이터셋에서 모델 성능을 평가한다.
• 의사에 의해 정상으로 해석된 ECG에서도 예후 신호가 존재하는지 조사한다.

제안 방법

• 34년에 걸쳐 수집된 1,775,926개의 resting 12-lead ECG에서 심층 신경망을 학습한다.
• 1년 사망률에 대한 AUC를 사용하여 예측 성능을 평가한다.
• 의사에 의해 정상으로 라벨링된 ECG 하위집합에서 성능을 평가한다.
• 예측된 그룹을 장기 사망률과 연관시키기 위해 Cox 비례 위험 모델 분석을 사용한다(위험비).
• 모델이 인식한 패턴을 인간 해석과 비교하기 위해 세 명의 심장내과 의사를 대상으로 눈가림(blinded) 설문조사를 수행한다.

실험 결과

연구 질문

• RQ1 12-lead resting ECG voltage-time traces에서 1년간 사망률을 예측하는 심층 신경망이 가능할까?
• RQ2 의사에 의해 정상으로 판단된 ECG에서도 예측 성능이 유지될까?
• RQ3 추적 기간 동안 모델이 예측한 사망률과 장기 결과 간의 연관성은 어떠한가(위험비)?
• RQ4 의료진이 시각적으로 모델이 학습한 패턴을 인지할 수 있는가?

주요 결과

• 교차 검증 데이터에서 1년 사망률 예측에 대한 평균 AUC는 0.85다.
• 정상 ECG 하위집합(n=297,548)에서 AUC는 0.84로 여전히 높다.
• 30년 추적에서 1년 내 사망 대 생존에 대한 Cox 모델 위험비는 6.6(p<0.005)다.
• 의사들이 쌍으로 제시된 예시를 본 후에도 대체로 모델 패턴은 시각적으로 명확하지 않았다.
• 정상으로 라벨링되었어도 휴식 12리드 ECG 해석에 심층학습은 중요한 예후 정보를 더한다.