Detección de disfunción sistólica del ventrículo izquierdo de un solo

npj Digital Medicine volumen 6, número de artículo: 124 (2023) Citar este artículo

2352 Accesos

1 Citas

40 altmétrico

Detalles de métricas

La inteligencia artificial (IA) puede detectar la disfunción sistólica del ventrículo izquierdo (DVI) a partir de electrocardiogramas (ECG). Los dispositivos portátiles podrían permitir una detección amplia basada en IA, pero con frecuencia obtienen ECG ruidosos. Presentamos una estrategia novedosa que automatiza la detección de enfermedades cardiovasculares ocultas, como LVSD, adaptada para ECG ruidosos de una sola derivación obtenidos en dispositivos portátiles y portátiles. Utilizamos 385.601 ECG para desarrollar un modelo estándar y adaptado al ruido. Para el modelo adaptado al ruido, los ECG se aumentan durante el entrenamiento con ruido gaussiano aleatorio dentro de cuatro rangos de frecuencia distintos, cada uno de los cuales emula fuentes de ruido del mundo real. Ambos modelos funcionan de manera comparable en ECG estándar con un AUROC de 0,90. El modelo adaptado al ruido funciona significativamente mejor en el mismo conjunto de pruebas aumentado con cuatro grabaciones distintas de ruido del mundo real en múltiples relaciones señal-ruido (SNR), incluido el ruido aislado de un ECG de dispositivo portátil. Los modelos estándar y adaptado al ruido tienen un AUROC de 0,72 y 0,87, respectivamente, cuando se evalúan en ECG aumentados con ruido de un dispositivo de ECG portátil con una SNR de 0,5. Este enfoque representa una estrategia novedosa para el desarrollo de herramientas portátiles adaptadas a partir de repositorios de ECG clínicos.

La disfunción sistólica del ventrículo izquierdo (DVI) se asocia con un aumento de más de 8 veces en el riesgo de insuficiencia cardíaca y con un aumento de casi el doble en el riesgo de morir prematuramente1. El diagnóstico temprano puede mitigar eficazmente este riesgo2,3,4, pero la LVSD frecuentemente se diagnostica solo después de que los pacientes desarrollan una enfermedad sintomática debido a la falta de estrategias de detección efectivas5,6,7. La inteligencia artificial (IA) puede detectar la disfunción sistólica del ventrículo izquierdo (DVI) a partir de electrocardiogramas (ECG), un diagnóstico que tradicionalmente se ha basado en una ecocardiografía integral u otras imágenes cardíacas, que requiere muchos recursos y es un desafío para su uso en estrategias de detección generalizadas8,9. Aunque AI-ECG es una herramienta de detección prometedora para detectar LVSD, los algoritmos se han diseñado en ECG de 12 derivaciones obtenidos clínicamente. Los avances en las tecnologías portátiles y portátiles ahora permiten la adquisición en el punto de atención de señales de ECG de una sola derivación, allanando el camino para herramientas de detección más eficientes y escalables con estas tecnologías AI-ECG10,11. Esta accesibilidad mejorada podría permitir una detección más amplia de LVSD basada en IA, pero la confiabilidad de tales herramientas está limitada por la presencia de ruido en los datos recopilados desde dispositivos portátiles y portátiles12,13. En consecuencia, el rendimiento de los modelos para detectar LVSD a partir de ECG de dispositivos portátiles puede degradarse en el mundo real, con un rendimiento inferior al observado en los derivados originales de un solo cable de los estudios de desarrollo clínico14,15.

En ausencia de grandes conjuntos de datos etiquetados de ECG portátiles, el desarrollo de algoritmos que puedan detectar enfermedades cardíacas estructurales subyacentes en dispositivos portátiles se basa en información de una sola derivación adaptada específicamente de ECG de 12 derivaciones extraídas de bibliotecas de ECG clínicos. Sin embargo, este proceso no tiene en cuenta específicamente los desafíos únicos de adquisición de datos que se encuentran con el ECG portátil, lo que posiblemente contribuya a su rendimiento diagnóstico inconsistente. De hecho, existen varias fuentes de ruido en los datos de dispositivos portátiles, que surgen de factores como un contacto deficiente de los electrodos con la piel, el movimiento y la contracción muscular durante el ECG y la interferencia eléctrica externa16,17,18,19. Este ruido tiene implicaciones prácticas, ya que los modelos demuestran un rendimiento más deficiente cuando se prueban con todos los datos de ECG portátiles disponibles en comparación con subconjuntos seleccionados de alta calidad15. Esta marcada diferencia en el rendimiento basada en el ruido ha limitado los programas de detección basados en dispositivos portátiles, con un estudio de detección de fibrilación auricular basado en dispositivos portátiles que descalificó al 22% de los pacientes debido a una calidad de señal insuficiente12. Tener en cuenta este ruido es un requisito previo para desarrollar modelos ampliamente accesibles que formarán la base de programas de detección eficaces para el LVSD en la comunidad.

En el presente estudio, planteamos la hipótesis de que un enfoque de entrenamiento novedoso y mejorado con ruido puede aumentar el rendimiento de los modelos de ECG de una sola derivación adaptados a dispositivos portátiles para una identificación precisa e independiente del ruido del LVSD. Nuestro método, que se basa en el entrenamiento con datos de ECG de derivación única derivados de ECG clínicos y aumentados con patrones de ruido personalizados desarrollados en rangos de frecuencia clave relevantes para firmas de ruido de ECG específicas, tiene en cuenta explícitamente y generaliza a múltiples patrones de ruido del mundo real, incluidos Ruido aislado de un dispositivo de ECG portátil.

Se realizaron 2.135.846 ECG consecutivos de 12 derivaciones en el Hospital Yale-New Haven (YNHH) entre 2015 y 2021, 440.072 de los cuales tenían ecocardiogramas transtorácicos (ETT) adquiridos dentro de los 15 días posteriores al ECG. Desarrollamos los modelos en 385.601 de los pares ECG-TTE, que representan 116.210 pacientes únicos, que tenían un registro completo de ECG de 12 derivaciones (Fig. S1). Luego se aisló la señal de la derivación I, la derivación estándar obtenida de dispositivos portátiles11, de cada ECG de 12 derivaciones. Todos los registros de ECG de derivación única seleccionados contenían 10 s de señal de derivación I a 500 Hz. Luego, los ECG de derivación única se dividieron a nivel de paciente en conjuntos de datos de entrenamiento, validación y prueba (85%-5%-10%).

De estos ECG, 56.894 (14,8%) eran de pacientes con SDVI, definido como un registro ETT emparejado de la fracción de eyección del VI (FEVI) inferior al 40%. Además, 40.240 (10,4%) tenían una FEVI entre 40% y 50%, y los 288.467 (74,8%) restantes tenían una FEVI del 50% o superior. Los pacientes tenían una mediana de edad de 68 años (RIC 56, 78) en el momento del registro del ECG y 50.776 (43,7%) de los pacientes eran mujeres. Un total de 75.928 (65,3%) pacientes eran personas blancas no hispanas, 14.000 (12,0%) eran negros no hispanos, 9.349 (8,0%) eran hispanos y 16.843 (14,5%) eran de otros orígenes raciales (Tabla S1). .

El modelo adaptado al ruido se entrenó en un conjunto de desarrollo con ruido aumentado. Se utilizó filtrado de paso alto y bajo para aislar muestras de cinco minutos de ruido gaussiano aleatorio dentro de cuatro rangos de frecuencia diferentes que abarcan ruidos de ECG del mundo real, incluidos 3 a 12 Hz, 12 a 50 Hz, 50 a 100 Hz y 100 a 150 Hz. . El primero de estos cuatro rangos, 3 a 12 Hz, se seleccionó para emular ruidos de artefactos de movimiento debido a temblores20,21, mientras que los rangos de frecuencia de 12 a 50 Hz y 100 a 150 Hz abarcan la activación muscular de frecuencia más baja y más alta. artefactos, respectivamente17,21. Se seleccionó el dominio de 50 a 100 Hz para representar los ruidos de movimiento de los electrodos21. Tanto este dominio como el rango de frecuencia de 100 a 150 Hz, que contiene múltiplos de 50 y 60 Hz, las dos frecuencias principales utilizadas en la adquisición del ECG17, también sirven para emular el ruido de interferencia de la línea eléctrica17,21. Luego, estas muestras de ruido se utilizaron para generar el conjunto de desarrollo con ruido aumentado, en el que los ECG se ruidosizaron selectivamente con secuencias aleatorias de 10 segundos de uno de los cuatro ruidos gaussianos con bandas de frecuencia en una de las cuatro relaciones señal-ruido (SNR). ) cada vez que se cargaba un ECG. El modelo estándar se entrenó en el conjunto de entrenamiento original (descrito en Métodos, Aislamiento de ruido gaussiano con bandas de frecuencia y Métodos, Aumento de ruido).

Ambos modelos fueron entrenados para detectar FEVI por debajo del 40%, un umbral presente en la mayoría de las guías de diagnóstico de insuficiencia cardíaca4, y consistente con trabajos previos8,22. Utilizando la prueba de DeLong para comparar el área bajo las curvas de características operativas del receptor (AUROC) de los modelos estándar y adaptado al ruido para la detección de FEVI < 40%23,24, los modelos estándar y adaptado al ruido, con un AUROC de 0,90 (95% IC 0,89–0,91) y 0,90 (IC 95% 0,88–0,91), respectivamente, se desempeñaron de manera similar en un conjunto de prueba prolongado sin ruido agregado (valor p = 0,60). El área bajo la curva de recuperación de precisión (AUPRC) en este conjunto de prueba retenido fue de 0,46 y 0,48, respectivamente. Con valores de umbral separados seleccionados que alcanzaron una sensibilidad de 0,90 en el conjunto de validación sin ruido añadido para cada modelo, el modelo adaptado al ruido tuvo una especificidad y una sensibilidad de 0,68 y 0,92, respectivamente, y un VPP y VPN de 0,20 y 0,99, respectivamente, en el conjunto de prueba retenido. El modelo estándar tuvo una sensibilidad y especificidad de 0,69 y 0,91, respectivamente, y un VPP y VPN de 0,21 y 0,99, respectivamente. El rendimiento del modelo adaptado al ruido fue comparable al modelo estándar en todos los subgrupos de edad, sexo y raza (Tabla 1).

El rendimiento de cada modelo también se probó en cuatro grabaciones distintas de ruido del mundo real, incluidas tres grabaciones de media hora que contienen movimiento de electrodos, artefactos musculares y ruido errático de referencia obtenidos de la base de datos de pruebas de estrés por ruido del MIT-BIH, disponible públicamente17. Ambos modelos se probaron en versiones separadas del equipo de prueba mantenido aumentado con cada uno de estos 3 ruidos del mundo real en siete relaciones señal-ruido diferentes (descrito en Métodos, Adquisición de grabaciones de ruido de ECG públicas del mundo real y Métodos, aumento de ruido).

Para el modelo adaptado al ruido, el rendimiento del modelo fue comparable en todas las SNR para cada ruido MIT-BIH con AUROC entre 0,86–0,89, 0,87–0,89 y 0,88–0,89 para el movimiento de los electrodos, el artefacto muscular y el ruido errante inicial, respectivamente, para SNR de 0,5 a 2,0. El modelo estándar tuvo un rendimiento más bajo en todas las SNR para cada ruido, con AUROC entre 0,79–0,86, 0,81–0,86 y 0,80–0,86 para el movimiento de los electrodos, el artefacto muscular y el ruido errante inicial, respectivamente (Tabla 2 y Fig. 1).

Área AUROC bajo la curva característica operativa del receptor, electrocardiograma ECG.

Para evaluar ambos modelos también se utilizó el ruido de un dispositivo de ECG portátil del mundo real, aislado mediante una técnica basada en la Transformada Rápida de Fourier en un registro de ECG de una sola derivación de 30 segundos de un dispositivo de ECG portátil KardiaMobile 6 L (Métodos, Extracción de Ruido de un dispositivo portátil ECG). Cada modelo se utilizó para generar predicciones para ECG aumentados por ruido en todas las SNR, con el AUROC del modelo adaptado al ruido oscilando entre 0,87 y 0,89. El rendimiento del modelo estándar fue significativamente menor en cada SNR, oscilando entre 0,72 y 0,83. Esta diferencia fue más pronunciada con una SNR de 0,5, en la que el modelo adaptado al ruido retuvo un AUROC de 0,87 (IC del 95 %: 0,86–0,88) y el modelo estándar tenía un AUROC de 0,72 (IC del 95 %: 0,71–0,74, p- valor < 0,001) (Tabla 2 y Fig. 1).

Se generaron tres grabaciones únicas de ruido múltiple agregando las grabaciones de movimiento del electrodo MIT-BIH, deambulación de la línea base y ruido de artefactos musculares al ruido del dispositivo de ECG portátil con una SNR de 1,0. Estas grabaciones de ruido generadas se utilizaron luego para evaluar el rendimiento de cada modelo en ECG aumentados con múltiples firmas de ruido simultáneamente. Para el modelo adaptado al ruido, el rendimiento del modelo fue comparable en todas las SNR para las combinaciones de ruido del dispositivo de ECG portátil y movimiento de los electrodos, artefacto muscular y ruido errante inicial con AUROC entre 0,86–0,89, 0,87–0,89 y 0,88–0,89, respectivamente. , para SNR de 0,5 a 2,0. El modelo estándar tuvo un rendimiento más bajo en todas las SNR para cada combinación de ruido, con AUROC entre 0,77–0,85, 0,77–0,85 y 0,78–0,86 para el ruido del dispositivo de ECG portátil combinado con el movimiento de los electrodos, el artefacto muscular y el ruido errático inicial, respectivamente (Tabla S3).

Para obtener información mecanicista sobre la variación en el rendimiento de los datos estándar y con ruido aumentado por diferentes modelos, evaluamos visual y cuantitativamente las diferencias en las salidas de integración de los ECG estándar y con ruido para los modelos estándar y adaptados al ruido. Para ello, nos centramos en la salida de la última capa completamente conectada de 320 dimensiones de cada modelo antes de generar predicciones finales. Estas predicciones se recopilaron para cinco versiones diferentes de los mismos 1000 ECG: una con el ECG original y otra para cada uno de los cuatro ruidos del mundo real. La variación en estas predicciones debido a la adición de ruido se visualizó mediante el uso de aproximación y proyección de colectores uniformes (UMAP)25, que construye una representación bidimensional de los vectores de predicción de 320 dimensiones para cada combinación de ruido y modelo. La magnitud del cambio en la proyección UMAP debido al aumento de ruido, que se aproxima al cambio en los vectores de predicción subyacentes, corresponde a la resistencia de cada modelo a un cambio en las probabilidades predichas debido al ruido y artefactos en la señal. Este cambio también se evaluó cuantitativamente utilizando distancias euclidianas escaladas entre vectores de predicción para el mismo ECG con y sin cada tipo de ruido para ambos modelos.

Para el modelo estándar, las predicciones para cada uno de los ECG ruidosos fueron visualmente distintas de las de los ECG estándar, a pesar de ser para el mismo conjunto de 1000 ECG y diferir solo en el ruido agregado. Sin embargo, para el modelo adaptado al ruido, no hubo separación visual en las predicciones del modelo entre los ECG estándar y con ruido, lo que indica que las predicciones del modelo adaptado al ruido son más resistentes que las del modelo estándar (Fig. 2).

Aproximación y proyección del colector uniforme UMAP, electrocardiograma ECG.

Cuantitativamente, las distancias euclidianas escaladas entre las predicciones para las versiones estándar y con ruido de los ECG fueron menores para el modelo adaptado al ruido en los cuatro ruidos. En el ECG con ruido derivado de ECG portátiles, por ejemplo, la distancia euclidiana escalada promedio para el modelo estándar fue de 0,50 (IC del 95 %: 0,49 a 0,51) y para el modelo adaptado al ruido fue de 0,41 (IC del 95 %: 0,40 a 0,42). De manera similar, para la desviación inicial fue de 0,52 (0,51–0,53) y 0,36 (0,36–0,37), respectivamente (Tabla 3).

Desarrollamos una estrategia novedosa que automatiza la detección de firmas ocultas de enfermedades cardiovasculares, como LVSD, adaptada para ECG ruidosos de una sola derivación obtenidos en dispositivos portátiles y portátiles. Utilizando este enfoque, desarrollamos un algoritmo de aprendizaje profundo adaptado al ruido que identifica con precisión la disfunción sistólica del VI a partir de datos de ECG de una sola derivación y fue resistente a artefactos ruidosos significativos, a pesar de no encontrar ruidos específicos en el proceso de desarrollo del modelo. Específicamente, el algoritmo demuestra un excelente rendimiento discriminatorio incluso en ECG que contienen el doble de ruido que señal, características que lo hacen ideal para estrategias de detección basadas en dispositivos portátiles. En particular, el algoritmo fue desarrollado y validado en una población diversa y demuestra un rendimiento constante en todos los subgrupos de edad, sexo y raza. El enfoque adaptado al ruido define un paradigma novedoso sobre cómo construir modelos de detección cardiovascular de ECG de un solo cable, robustos y portátiles a partir de repositorios de ECG clínicos, con un potencial significativo para expandir la detección de trastornos cardíacos estructurales del VI a entornos de bajos recursos con limitaciones. acceso a equipos de calidad hospitalaria.

El entrenamiento de algoritmos de aprendizaje profundo adaptados al ruido representa un campo relativamente nuevo de investigación de IA, centrado en expandir el uso de herramientas de IA a la vida cotidiana teniendo en cuenta el ruido y los artefactos que pueden impedir su uso confiable en este entorno. Se han aplicado modelos entrenados en ECG clínicos a ECG de dispositivos portátiles, pero tradicionalmente han mostrado un rendimiento significativamente menor en ECG de dispositivos portátiles que en conjuntos de pruebas de ECG clínicos portátiles14,15. Además, los modelos que se han generalizado con éxito a ECG de dispositivos portátiles se han basado en algoritmos automatizados para seleccionar subconjuntos de datos de ECG disponibles de alta calidad, con un rendimiento reducido cuando se evalúan en todos los ECG recopilados15,26. Si bien estos algoritmos pueden mejorar el rendimiento, este enfoque tiene limitaciones. Los estudios han demostrado altas tasas de mala calidad de la señal entre los datos registrados por dispositivos portátiles y una variación significativa en la calidad entre los diferentes fabricantes13. La exclusión de grandes porciones de los datos recopilados puede limitar el alcance de los programas de detección a nivel comunitario, que pueden utilizar múltiples dispositivos diferentes para recolectar ECG y es posible que no puedan recolectar múltiples ECG por persona hasta que se haya alcanzado un cierto umbral de calidad. Puede ser necesario un modelo que se generalice a ECG con diferentes tipos y niveles de ruido para su implementación en dichos entornos.

Debido a la falta de conjuntos de datos de ECG de dispositivos portátiles disponibles públicamente, entrenar modelos que utilicen datos de ECG portátiles directamente es un desafío. Los modelos actuales basados en ECG de 12 derivaciones se limitan a inversiones de los sistemas de salud para incorporar herramientas en repositorios de ECG digitales y, por lo tanto, se limitan a personas que ya buscan atención en esos sistemas. Además de que los ECG clínicamente indicados limitan el alcance de la detección, incluso esta tecnología puede no estar disponible o no ser rentable para hospitales y clínicas más pequeños con acceso limitado a ECG digitales.

Los dispositivos portátiles permiten obtener ECG que son más accesibles y permiten realizar pruebas de detección en toda la comunidad, un siguiente paso importante en la detección temprana de miocardiopatías comunes y raras. En este sentido, nuestro enfoque representa un avance importante desde un punto de vista metodológico y clínico. En primer lugar, aumenta los conjuntos de datos de ECG clínicos de tal manera que permite un modelado confiable de señales de ECG de derivación única, ruidosas y derivadas de dispositivos portátiles. En segundo lugar, demuestra que mediante el aumento de ruido, los modelos de ECG de una sola derivación pueden conservar el rendimiento pronóstico de los modelos de ECG de 12 derivaciones, como se muestra aquí para la tarea de predecir la disfunción sistólica del VI. Además, este enfoque evita la exclusión innecesaria de los datos recopilados, lo que aumenta su generalización entre diferentes plataformas de dispositivos y es particularmente importante para los programas de detección a nivel comunitario, que pueden no ser capaces de recopilar múltiples ECG por persona y cumplir consistentemente con umbrales de alta calidad de señal para cada participante.

Nuestro enfoque también ofrece una estrategia para examinar el proceso mediante el cual los modelos logran un mejor rendimiento. En comparación con el enfoque actual de desarrollo de modelos, nuestro enfoque adaptado al ruido dio como resultado la eliminación selectiva del ruido de la señal, incluso para ruidos que el modelo no había encontrado antes, al tiempo que preservaba la solidez del modelo para discernir etiquetas ocultas complejas. Esta estrategia es particularmente importante para un modelo destinado a su uso en dispositivos portátiles, que capturan ECG en entornos impredecibles con diferentes tipos y magnitudes de ruido.

Este estudio tiene varias limitaciones. En primer lugar, este modelo se desarrolló utilizando ECG de pacientes que tenían tanto un ECG como un ecocardiograma clínicamente indicado. Aunque esta población difiere del uso más amplio previsto en el mundo real de este algoritmo como método de detección de disfunción sistólica del VI entre individuos sin enfermedad clínica, el desempeño consistente entre los subgrupos demográficos sugiere solidez y generalización del desempeño del modelo. Sin embargo, se justifican evaluaciones prospectivas en el entorno de detección previsto. En segundo lugar, el rendimiento del modelo puede variar según la gravedad de la disfunción sistólica del VI. Aunque se seleccionó el umbral de FEVI del 40 % debido a sus implicaciones terapéuticas4, es posible que el rendimiento del modelo entre pacientes con una FEVI cercana a este límite difiera en comparación con aquellos individuos con FEVI significativamente mayor o menor que el 40 %. Esto también podría ser atribuible a una falta de precisión en la medición de la FEVI mediante ecocardiografía, que ha demostrado ser menos precisa en relación con otros métodos, como la resonancia magnética27,28. Finalmente, se utilizaron cuatro tipos distintos de ruido generado aleatoriamente durante el entrenamiento y se utilizaron secuencias seleccionadas al azar de cuatro ruidos del mundo real en múltiples relaciones señal-ruido en la evaluación del rendimiento en el conjunto de prueba. Aunque esto sugiere que el rendimiento del modelo se generaliza bien al ruido invisible, no podemos determinar si mantiene el rendimiento en todos los tipos y magnitudes de ruido posibles en dispositivos portátiles, incluidas las firmas de ruido específicas del dispositivo.

El estudio fue revisado por la Junta de Revisión Institucional de Yale, que aprobó el protocolo del estudio y renunció a la necesidad de consentimiento informado ya que el estudio representa un análisis secundario de datos existentes. Los datos no se pueden compartir públicamente.

El estudio fue diseñado como un análisis retrospectivo de una cohorte de 116.210 pacientes, de 18 años de edad o mayores, que se sometieron a un ECG clínicamente indicado con ecocardiogramas pareados dentro de los 15 días posteriores al ECG índice en el hospital Yale-New Haven Health. Para garantizar la generalización de nuestros modelos, no aplicamos criterios de exclusión, incluidos pacientes de todos los sexos, razas y etnias (Tabla S1).

Los datos de voltaje sin procesar para la derivación I se aislaron de ECG de 12 derivaciones recopilados en el Hospital Yale-New Haven (YNHH) entre 2015 y 2021. Se eligió la derivación I porque representa la derivación estándar obtenida de dispositivos portátiles11. Cada ECG clínico se registró como un registro estándar de 10 segundos y 12 derivaciones con una frecuencia de muestreo de 500 Hz. Estos ECG se registraron predominantemente utilizando máquinas Philips PageWriter y GE MAC. Se utilizaron identificadores de pacientes para vincular los ECG con un ecocardiograma transtorácico adjunto dentro de los 15 días posteriores al ECG. Estos ecocardiogramas fueron evaluados por cardiólogos expertos y se identificó la FEVI definida en su interpretación. Si se realizaron múltiples ecocardiogramas dentro de la ventana de 15 días, se utilizó el más cercano a cada ECG para definir la FEVI para el desarrollo y la evaluación del modelo.

Se utilizó una estrategia de preprocesamiento estándar para aislar la señal de la derivación I de ECG de 12 derivaciones, que incluía filtrado de paso medio y escalado a milivoltios. Luego se aisló la señal de la derivación I de cada ECG y se calculó un filtro mediano de un segundo y se restó de cada ECG de una sola derivación para eliminar la deriva de la línea base. Luego, las amplitudes de cada muestra en cada grabación se dividieron por un factor de 1000 para escalar las grabaciones de voltaje a milivoltios.

Se aisló ruido gaussiano aleatorio dentro de cuatro rangos de frecuencia distintos para entrenar el modelo adaptado al ruido. Se aplicaron filtros de paso alto y paso bajo a cinco minutos de ruido gaussiano aleatorio para aislar el ruido dentro de cada uno de los rangos de frecuencia, que incluían 3 a 12 Hz, 12 a 50 Hz, 50 a 100 Hz y 100 a 150 Hz. Cada rango de frecuencia se seleccionó específicamente para modelar un elemento de ruidos de ECG del mundo real. 3–12 Hz modela los ruidos de artefactos de movimiento atribuibles a los temblores, que ocurren dentro de este rango de frecuencia20,21. El dominio de 50 a 100 Hz refleja un ruido constante de contacto de los electrodos21, mientras que los rangos de 12 a 50 Hz y 100 a 150 Hz contienen los ruidos musculares de frecuencia más baja y más alta, respectivamente17,21. Además, los rangos de 50–100 y 100–150 Hz contienen cada uno múltiplos de 50 y 60 Hz, las dos frecuencias principales utilizadas en la adquisición del ECG17, que constituyen el ruido de interferencia de la línea eléctrica17,21 (Fig. 3).

Electrocardiograma ECG, Hz hercios, s segundos.

Para probar los modelos se utilizaron cuatro registros de ruido del mundo real, no incluidos durante el entrenamiento de ninguno de los modelos. Estos incluyeron tres grabaciones de ruido de media hora de la base de datos de pruebas de estrés acústico del MIT-BIH. Los ruidos del conjunto de datos del MIT-BIH, cada uno obtenido a una frecuencia de muestreo de 360 Hz, representan tres tipos de ruidos que se encuentran con frecuencia en los ECG: ruido de derivación inicial, un ruido de baja frecuencia producido por el movimiento del cable o del sujeto17, artefacto muscular, causado por contracciones musculares21 y artefacto por movimiento de los electrodos, que es causado por el movimiento irregular de los electrodos durante los registros del ECG17,21. Cada uno de estos registros se obtuvo utilizando un registrador de ECG estándar de 12 derivaciones colocando los electrodos en las extremidades del paciente de manera que las señales de ECG de los pacientes no fueran visibles en los registros (Fig. 4)17.

Electrocardiograma ECG, s segundos.

También se aisló el ruido del mundo real a partir de un registro de ECG de una sola derivación de 30 segundos y 300 Hz obtenido utilizando un dispositivo de ECG portátil KardiaMobile de 6 L. El ruido se extrajo de la grabación aplicando una versión modificada del enfoque basado en la transformada de Fourier utilizado anteriormente para eliminar el ruido de los ECG29. Primero, se aplicó una transformada rápida de Fourier (FFT) a un registro de ECG de 30 segundos y el resultado se representó en el dominio de la frecuencia. Luego, se seleccionó manualmente un umbral para separar las frecuencias de alta y baja amplitud, que contenían señal y ruido, respectivamente. Finalmente, en lugar de calcular la FFT inversa en las frecuencias con amplitudes mayores que este umbral, se aplicó una FFT inversa a todas las frecuencias con amplitudes por debajo del umbral seleccionado, produciendo el ruido (Fig. 5).

Electrocardiograma ECG, s segundos, FFT Transformada Rápida de Fourier, Hz hercios.

Mientras se entrenaba el modelo adaptado al ruido, cada ECG se incluyó dos veces en el conjunto de datos de entrenamiento, y uno de los cuatro rangos de frecuencia para el ruido generado se seleccionó aleatoriamente cada vez que se cargó un ECG. Luego se seleccionó aleatoriamente una secuencia de 10 segundos de los cinco minutos completos de la grabación de ruido seleccionada. Luego, esta secuencia de ruido se agregó al ECG estándar con una relación señal-ruido (SNR) seleccionada aleatoriamente de un conjunto de SNR, que incluía 0,50, 0,75, 1,00 y 1,2530.

Durante la evaluación del modelo, las versiones con ruido del conjunto de prueba se generaron siguiendo el mismo procedimiento que con el conjunto de entrenamiento con ruido con varias modificaciones clave. Primero, el ruido agregado a los ECG en el conjunto de prueba se obtuvo de las grabaciones de ruido de la línea de base, del movimiento de los electrodos o de los artefactos musculares del conjunto de datos del MIT-BIH o de la muestra de ruido de 30 s del dispositivo de ECG portátil KardiaMobile 6 L. En segundo lugar, se aumentaron las muestras de los ruidos del MIT-BIH y del ruido del ECG portátil desde sus frecuencias de muestreo originales, 360 Hz y 300 Hz, respectivamente, a una frecuencia de muestreo de 500 Hz para que coincida con la de los ECG de los dispositivos clínicos. En tercer lugar, la secuencia específica de 10 segundos de ruido agregada a cada ECG en el conjunto de prueba se seleccionó aleatoriamente una vez y se definió para cada ECG, asegurando que cada vez que se probara cualquier modelo en cualquier SNR para cualquier ruido específico, siempre se cargara cada ECG individual. con la misma secuencia de ruido seleccionada aleatoriamente. El rendimiento del modelo se evaluó por separado para los ECG aumentados con cada tipo de ruido en un conjunto más grande de SNR, incluidas todas las SNR utilizadas en el entrenamiento y SNR de 1,50, 1,75 y 2,00. Se generaron tres grabaciones adicionales de ruido múltiple combinando por separado un segmento de 10 segundos de ruido de ECG portátil seleccionado al azar con segmentos de 10 segundos seleccionados al azar de cada una de las tres grabaciones de ruido del MIT-BIH en una proporción de 1:1. Estas grabaciones de ruidos múltiples se utilizaron luego para evaluar el rendimiento de ambos modelos en ECG aumentados con múltiples firmas de ruido simultáneas con el mismo conjunto más grande de SNR.

Cada ECG incluido en el conjunto de datos tenía un valor de FEVI correspondiente de un ecocardiograma emparejado dentro de los 15 días posteriores al ECG. El punto de corte para la FEVI baja se estableció como FEVI < 40%, un umbral presente en la mayoría de las guías de diagnóstico de insuficiencia cardíaca4 y consistente con trabajos previos en este espacio8,22.

Luego, todos los pacientes únicos representados en el conjunto de ECG se subdividieron aleatoriamente a nivel de paciente en conjuntos de entrenamiento, validación y pruebas realizadas (85 %, 5 %, 10 %). Construimos y probamos múltiples modelos de redes neuronales convolucionales (CNN) con diferentes números y tamaños de capas convolucionales y parámetros totales del modelo. Seleccionamos la arquitectura que produce el área más alta bajo la curva característica del operador del receptor (AUROC) en el conjunto de validación con la menor cantidad de parámetros para el modelo estándar. Esta arquitectura constaba de una capa de entrada (5000, 1, 1), correspondiente a un ECG de derivación I de 10 s, 500 Hz, seguida de siete capas convolucionales bidimensionales, cada una de las cuales iba seguida de una capa de normalización por lotes31, ReLU. capa de activación y una capa de agrupación máxima bidimensional. Luego, la salida de la séptima capa convolucional se tomó como entrada en una red completamente conectada que consta de dos capas densas, cada una de las cuales fue seguida por una capa de normalización por lotes, una capa de activación ReLU y una capa de abandono con una tasa de abandono de 0,532. La capa de salida era una capa densa con una clase y una función de activación sigmoidea. Se calcularon ponderaciones del modelo para la función de pérdida de modo que el aprendizaje no se viera afectado por la menor frecuencia de FEVI <40 % en comparación con la incidencia de FEVI ≥ 40 % utilizando el esquema de reponderación de clase de número efectivo de muestras33 (Fig. S2).

Ambos modelos se entrenaron en el marco Keras en TensorFlow 2.9.1 y Python 3.9 utilizando el optimizador Adam. Primero, los modelos se entrenaron a una tasa de aprendizaje de 0,001 por época. Luego, la tasa de aprendizaje se redujo a 0,0001 y el entrenamiento continuó hasta que el rendimiento en el conjunto de validación no mejoró durante tres épocas consecutivas. Para cada modelo se seleccionó la época con mayor rendimiento en el conjunto de validación.

Para visualizar la variación entre las predicciones para los datos estándar y con ruido aumentado para cada modelo, primero modificamos los modelos estándar y adaptado al ruido eliminando sus capas de salida finales para que ambos modelos produjeran la salida vectorial de 320 dimensiones de la versión final del modelo. capa conectada. Luego seleccionamos aleatoriamente un subconjunto de 1000 ECG del conjunto de pruebas retenido. Para cada uno de los dos modelos, generamos los vectores de predicción de 320 dimensiones cinco veces para cada uno de los 1000 ECG: una vez sin ruido y otra aumentada a una SNR de 0,5 para cada uno de los cuatro ruidos utilizados para las pruebas. Luego visualizamos la variación en las predicciones por separado para los modelos estándar y adaptado al ruido utilizando la aproximación y proyección múltiple uniforme (UMAP), que construye una representación bidimensional de los vectores de predicción de 320 dimensiones25. La variación en las predicciones se evaluó numéricamente mediante el cálculo por pares de las distancias euclidianas entre los vectores de predicción de 320 dimensiones para los datos estándar y ruidosos para cada uno de los cuatro ruidos. Estas distancias euclidianas luego se escalaron por modelo y por ruido dividiéndolas por el rango total de distancias euclidianas por pares para cada modelo y combinación de ruido. Luego se calculó la distancia euclidiana escalada promedio y un intervalo de confianza del 95% para cada modelo y combinación de ruido.

Las estadísticas resumidas se presentan como recuentos (porcentajes) y mediana (rango intercuartil, IQR), para variables categóricas y continuas, respectivamente. El rendimiento del modelo se evaluó en el conjunto de pruebas con y sin ruidos añadidos del mundo real. Utilizamos el área bajo características de operación receptora (AUROC) para medir la discriminación del modelo. También evaluamos el área bajo la curva de recuperación de precisión (AUPRC), la sensibilidad, la especificidad, el valor predictivo positivo (VPP), el valor predictivo negativo (VPN) y el odds ratio de diagnóstico, y elegimos valores umbral basados en puntos de corte que alcanzaron una sensibilidad de 0,90 en la validación. datos. Utilizamos una prueba de DeLong para comparar los AUROC de los modelos estándar y adaptado al ruido para cada ruido en cada relación señal-ruido23. Los intervalos de confianza del 95% para AUROC se calcularon utilizando el algoritmo de DeLong23,24. Se utilizó una prueba t pareada para calcular la probabilidad de superposición de las distancias euclidianas escaladas entre las proyecciones de la última capa de los modelos estándar y adaptado al ruido. Todos los análisis se realizaron con Python 3.9 y el nivel de significancia se estableció en un alfa de 0,05.

El conjunto de datos no puede ponerse a disposición del público porque son registros médicos electrónicos. Compartir estos datos externamente sin el consentimiento adecuado podría comprometer la privacidad del paciente y violaría la aprobación de la Junta de Revisión Institucional para el estudio.

El código del estudio está disponible a través de los autores previa solicitud.

Wang, TJ y cols. Historia natural de la disfunción sistólica del ventrículo izquierdo asintomática en la comunidad. Circulación 108, 977–982 (2003).

Artículo PubMed Google Scholar

Srivastava, PK y cols. Hospitalización por insuficiencia cardíaca y patrones de prescripción dirigidos por guías entre pacientes con insuficiencia cardíaca y fracción de eyección reducida. JACC Heart Fail 9, 28–38 (2021).

Artículo PubMed Google Scholar

Wolfe, NK, Mitchell, JD y Brown, DL La reducción independiente de la mortalidad asociada con el tratamiento médico dirigido por las directrices en pacientes con enfermedad de las arterias coronarias e insuficiencia cardíaca con fracción de eyección reducida. EUR. Resultados de Heart J. Qual Care Clin. 7, 416–421 (2021).

Artículo PubMed Google Scholar

Heidenreich, PA y cols. Guía de 2022 de la AHA/ACC/HFSA para el tratamiento de la insuficiencia cardíaca: un informe del Comité Conjunto de Guías de Práctica Clínica del Colegio Estadounidense de Cardiología y la Asociación Estadounidense del Corazón. Circulación 145, e895 – e1032 (2022).

PubMed Google Académico

Wang, TJ, Levy, D., Benjamin, EJ y Vasan, RS La epidemiología de la disfunción sistólica del ventrículo izquierdo "asintomática": implicaciones para la detección. Ana. Interno. Medicina. 138, 907–916 (2003).

Artículo PubMed Google Scholar

Vasan, RS y cols. Péptidos natriuréticos plasmáticos para la detección comunitaria de hipertrofia ventricular izquierda y disfunción sistólica: el estudio del corazón de Framingham. JAMA 288, 1252-1259 (2002).

Artículo CAS PubMed Google Scholar

McDonagh, TA y McDonald, K. Detección de disfunción ventricular izquierda asintomática utilizando péptido natriurético tipo B. Congestionar. Fallo cardíaco 14, 5–8 (2008).

Artículo CAS PubMed Google Scholar

Attia, ZI et al. Detección de disfunción contráctil cardíaca mediante un electrocardiograma habilitado con inteligencia artificial. Nat. Medicina. 25, 70–74 (2019).

Artículo CAS PubMed Google Scholar

Galasko, GIW, Barnes, SC, Collinson, P., Lahiri, A. & Senior, R. ¿Cuál es la estrategia más rentable para detectar la disfunción sistólica del ventrículo izquierdo: péptidos natriuréticos, electrocardiograma, ecocardiografía manual, tradicional? ¿Ecocardiografía o su combinación? EUR. Corazón J. 27, 193–200 (2006).

Artículo PubMed Google Scholar

Kamga, P., Mostafa, R. y Zafar, S. El uso de dispositivos de ECG portátiles en el entorno clínico: una revisión. actual. Emergente. Hosp. Medicina. Representante 10, 67–72 (2022).

Artículo PubMed PubMed Central Google Scholar

Duarte, R. et al. ECG de derivación I para detectar fibrilación auricular en pacientes que asisten a atención primaria con pulso irregular mediante pruebas de un solo punto: una revisión sistemática y una evaluación económica. MÁS UNO 14, e0226671 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Dörr, M. et al. El ensayo WATCH AF: SmartWATCH para la detección de fibrilación auricular. Clínica JACC. Electrofisiol. 5, 199–208 (2019).

Artículo PubMed Google Scholar

Mannhart, D. y col. Validación clínica de cinco dispositivos inteligentes portátiles directos al consumidor para detectar la fibrilación auricular: estudio portátil de BASEL. Clínica JACC. Electrofisiol. 9, 232–242 (2023).

Artículo PubMed Google Scholar

Bachtiger, P. y col. Detección en el lugar de atención de insuficiencia cardíaca con fracción de eyección reducida utilizando inteligencia artificial durante un examen con estetoscopio habilitado para ECG en Londres, Reino Unido: un estudio prospectivo, observacional y multicéntrico. Dígito de lanceta. Salud 4, e117–e125 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Attia, ZI et al. Detección automatizada de fracción de eyección baja a partir de un electrocardiograma de una derivación: aplicación de un algoritmo de IA a un estetoscopio digital habilitado para electrocardiograma. EUR. Corazón J. Dígito. Salud https://doi.org/10.1093/ehjdh/ztac030 (2022).

Satija, U., Ramkumar, B. y Manikandan, MS Una revisión de las técnicas de procesamiento de señales para la evaluación de la calidad de la señal de electrocardiograma. IEEE Rev. Biomed. Ing. 11, 36–52 (2018).

Artículo PubMed Google Scholar

Moody, GB, Muldrow, W. y Mark, R. Una prueba de esfuerzo por ruido para detectores de arritmia. Computadora. Cardiol. 11, 381–384 (1984).

Google Académico

Satija, U., Ramkumar, B. y Manikandan, MS Un nuevo método automatizado de clasificación de latidos de ECG con reconocimiento de la calidad de la señal para entornos de diagnóstico de ECG no supervisados. IEEE Sens. J. 19, 277–286 (2019).

Artículo de Google Scholar

Satija, U., Ramkumar, B. y Manikandan, MS Un método sencillo para la detección y clasificación de ruidos de ECG para dispositivos portátiles de monitorización de ECG. en 2015, Segunda Conferencia Internacional sobre Procesamiento de Señales y Redes Integradas (SPIN) 164–169 (2015).

Charles, PD, Esper, GJ, Davis, TL, Maciunas, RJ y Robertson, D. Clasificación del temblor y actualización del tratamiento. Soy. Familia. Médico 59, 1565-1572 (1999).

CAS PubMed Google Académico

Friesen, GM y cols. Una comparación de la sensibilidad al ruido de nueve algoritmos de detección de QRS. Traducción IEEE. Biomédica. Ing. 37, 85–98 (1990).

Artículo CAS PubMed Google Scholar

Sangha, V. y col. Detección de disfunción sistólica del ventrículo izquierdo a partir de imágenes electrocardiográficas. Preimpresión en https://www.medrxiv.org/content/10.1101/2022.06.04.22276000v2 (2022).

DeLong, ER, DeLong, DM y Clarke-Pearson, DL Comparación de las áreas bajo dos o más curvas características operativas del receptor correlacionadas: un enfoque no paramétrico. Biometría 44, 837–845 (1988).

Artículo CAS PubMed Google Scholar

Sun, X. & Xu, W. Implementación rápida del algoritmo de DeLong para comparar las áreas bajo curvas características operativas del receptor correlacionadas. Proceso de señal IEEE. Letón. 21, 1389-1393 (2014).

Artículo de Google Scholar

McInnes, L., Healy, J. & Melville, J. UMAP: aproximación y proyección de colectores uniformes para reducción de dimensiones. https://arxiv.org/abs/1802.03426 (2018).

Attia, ZI et al. Evaluación prospectiva de la detección de disfunción ventricular izquierda mediante relojes inteligentes. Nat. Medicina. 28, 2497–2503 (2022).

Artículo CAS PubMed PubMed Central Google Scholar

Pellikka, PA y cols. Variabilidad en la fracción de eyección medida por ecocardiografía, tomografía computarizada por emisión de fotón único y resonancia magnética cardíaca en pacientes con enfermedad de la arteria coronaria y disfunción del ventrículo izquierdo. Red JAMA. Abierto 1, e181456 (2018).

Artículo PubMed PubMed Central Google Scholar

Jenkins, C. y col. Medición del volumen del ventrículo izquierdo con ecocardiografía: una comparación de la opacificación del ventrículo izquierdo, la ecocardiografía tridimensional o ambas con la resonancia magnética. EUR. Corazón J. 30, 98-106 (2009).

Artículo PubMed Google Scholar

Kumar, A., Ranganatham, R., Komaragiri, R. & Kumar, M. Algoritmo eficiente de detección de complejos QRS basado en la transformada rápida de Fourier. Biomédica. Ing. Letón. 9, 145-151 (2019).

Artículo PubMed Google Scholar

Johnson, D. Relación señal-ruido. Scholarpedia J. 1, 2088 (2006).

Artículo de Google Scholar

Ioffe, S. & Szegedy, C. Normalización de lotes: acelerar el entrenamiento profundo de la red reduciendo el cambio de covariables interno. en Actas de la 32ª Conferencia Internacional sobre Aprendizaje Automático (eds. Bach, F. & Blei, D.) Vol. 37, 448–456 (PMLR, 07–09, julio de 2015).

Hinton, GE, Srivastava, N., Krizhevsky, A., Sutskever, I. y Salakhutdinov, RR Mejora de las redes neuronales evitando la coadaptación de detectores de características. https://arxiv.org/abs/1207.0580 (2012).

Cui, Y., Jia, M., Lin, T.-Y., Song, Y. & Belongie, S. Pérdida de clase equilibrada basada en el número efectivo de muestras. https://arxiv.org/abs/1901.05555 (2019).

Descargar referencias

Este estudio fue apoyado por fondos de investigación otorgados al Dr. Khera por la Facultad de Medicina de Yale y una subvención del Instituto Nacional del Corazón, los Pulmones y la Sangre de los Institutos Nacionales de Salud (bajo el premio K23HL153775) y la Fundación Benéfica Doris Duke (bajo el premio, 2022060). Los financiadores no tuvieron ningún papel en el diseño y realización del estudio; recopilación, gestión, análisis e interpretación de los datos; preparación, revisión o aprobación del manuscrito; y decisión de enviar el manuscrito para su publicación.

Departamento de Ciencias de la Computación, Universidad de Yale, New Haven, CT, EE. UU.

Akshay Khunte y Veer Sangha

Sección de Medicina Cardiovascular, Departamento de Medicina Interna, Facultad de Medicina de Yale, New Haven, CT, EE. UU.

Evangelos K. Oikonomou, Lovedeep S. Dhingra, Arya Aminorroaya, Harlan M. Krumholz y Rohan Khera

Departamento de Ingeniería y Ciencias de la Computación, Universidad Texas A&M, College Station, TX, EE. UU.

Bobak J. Mortazavi

Centro de Investigación y Evaluación de Resultados, Yale-New Haven Hospital, New Haven, CT, EE. UU.

Bobak J. Mortazavi, Andreas Coppi, Harlan M. Krumholz y Rohan Khera

Departamento de Medicina Interna, Facultad de Medicina de Yale, New Haven, CT, EE. UU.

Andreas Coppi

Sección de Informática Biomédica y Ciencia de Datos, Facultad de Medicina de Yale, New Haven, CT, EE. UU.

Cynthia A. Brandt y Rohan Khera

VA Connecticut Healthcare System, West Haven, CT, EE. UU.

Cynthia Brandt

Departamento de Política y Gestión de la Salud, Escuela de Salud Pública de Yale, New Haven, CT, EE. UU.

Harlan Krumholz

Sección de Informática en Salud, Departamento de Bioestadística, Escuela de Salud Pública de Yale, New Haven, CT, EE. UU.

Rohan Khera

También puedes buscar este autor en PubMed Google Scholar.

RK concibió el estudio y accedió a los datos. AK y RK desarrollaron el modelo. AK, VS y RK continuaron con el análisis estadístico. AK y EKO redactaron el manuscrito. Todos los autores brindaron comentarios sobre el diseño del estudio e hicieron contribuciones críticas a la redacción del manuscrito. RK supervisó el estudio, obtuvo financiación y es garante.

Correspondencia a Rohan Khera.

AK, VS y RK son los coinventores de la solicitud de patente provisional de EE. UU. nº 63/428.569, “Artículos y métodos para la detección de enfermedades cardiovasculares ocultas a partir de datos de señales electrocardiográficas portátiles mediante aprendizaje profundo”. VS y RK son los coinventores de la solicitud de patente pendiente de EE. UU. nº 63/346.610, “Artículos y métodos para la detección independiente del formato de enfermedades cardiovasculares ocultas a partir de imágenes electrocardiográficas impresas mediante aprendizaje profundo”. EKO y RK son los coinventores de la solicitud de patente provisional de EE. UU. n.° 63/177,117 (no relacionada con el trabajo actual) y son cofundadores de Evidence2Health, una plataforma de salud de precisión para atención basada en evidencia. BJM informó haber recibido subvenciones del Instituto Nacional de Imágenes Biomédicas y Bioingeniería, el Instituto Nacional del Corazón, los Pulmones y la Sangre, la Administración de Alimentos y Medicamentos de EE. UU. y la Agencia de Proyectos de Investigación Avanzada del Departamento de Defensa de EE. UU. fuera del trabajo presentado; Además, BJM tiene una patente pendiente sobre modelos predictivos que utilizan registros médicos electrónicos (US20180315507A1). HMK trabaja bajo contrato con los Centros de Servicios de Medicare y Medicaid para respaldar programas de medición de calidad, recibió una subvención de investigación de Johnson & Johnson, a través de la Universidad de Yale, para respaldar el intercambio de datos de ensayos clínicos; recibió un acuerdo de investigación, a través de la Universidad de Yale, del Centro de Información de Salud de Shenzhen para trabajar en el avance de la prevención inteligente de enfermedades y la promoción de la salud; colabora con el Centro Nacional de Enfermedades Cardiovasculares de Beijing; recibe pago de Arnold & Porter Law Firm por el trabajo relacionado con el litigio de clopidogrel de Sanofi, de Martin Baughman Law Firm por el trabajo relacionado con el litigio del filtro Cook Celect IVC, y de Siegfried and Jensen Law Firm por el trabajo relacionado con el litigio de Vioxx; preside un consejo asesor científico cardíaco de UnitedHealth; fue miembro de la Junta de Ciencias de la Vida y la Salud de IBM Watson; es miembro del Consejo Asesor de Element Science, del Consejo Asesor de Facebook y del Consejo Asesor de Médicos de Aetna; y es cofundador de Hugo Health, una plataforma de información de salud personal, y cofundador de Refactor Health, una empresa de gestión de datos de atención médica aumentada por IA. RK es editor asociado de JAMA y recibió el apoyo del Instituto Nacional del Corazón, los Pulmones y la Sangre de los Institutos Nacionales de Salud (con el premio K23HL153775) y la Doris Duke Charitable Foundation (con el premio 2022060). También recibe apoyo para la investigación, a través de Yale, de Bristol-Myers Squibb y Novo Nordisk.

Nota del editor Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Khunte, A., Sangha, V., Oikonomou, EK et al. Detección de disfunción sistólica del ventrículo izquierdo a partir de electrocardiografía de derivación única adaptada para dispositivos portátiles y vestibles. npj Dígito. Medicina. 6, 124 (2023). https://doi.org/10.1038/s41746-023-00869-w

Descargar cita

Recibido: 06 de enero de 2023

Aceptado: 26 de junio de 2023

Publicado: 11 de julio de 2023

DOI: https://doi.org/10.1038/s41746-023-00869-w

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Noticias