Czy jest możliwa automatyczna interpretacja EKG za pomocą zdjęcia wykonanego smartfonem?
Streszczenie
Wstęp. Obecnie brakuje narzędzi umożliwiających szybką digitalizację i wspierających interpretację papierowych zapisów elektrokardiograficznych (EKG). Powszechność urządzeń typu smartfonu sugeruje ich wykorzystanie w praktyce jako narzędzi wspomagających interpretację zapisów EKG. Celem pracy jest określenie możliwości wykorzystania darmowej aplikacji mobilnej i urządzenia typu smartfonu w ocenie częstotliwości zespołów QRS i osi elektrycznej serca jako podstawy do bardziej zaawansowanych analiz.
Materiał i metody. Do analizy zakwalifikowano 50 zapisów 12-odprowadzeniowego EKG wykonanych z przesuwem
25 mm/s aparatami różnych producentów. Każdy z zapisów oceniło jako diagnostyczny dwóch kardiologów, którzy
ponadto ocenili częstotliwość zespołów QRS, oś elektryczną serca, czas QT, amplitudę i czas trwania zespołów QRS i załamków T. Następnie przeprowadzono automatyczną interpretację zapisów EKG za pomocą aplikacji edukacyjnej eEKG (dostępna bez opłat w sklepach AppStore i Google Play) i telefonu iPhone 5s; zdjęcia krzywych EKG wykonano zgodnie z instrukcją aplikacji. Zestawiono wyniki oceny ekspertów i automatycznej interpretacji. Przyjęto 10-procentową granicę dopuszczalnego błędu dla oceny częstotliwości zespołów QRS przez aplikację.
Wyniki. Łącznie zinterpretowano 600 krzywych EKG pod kątem częstotliwości zespołów QRS i 50 zapisów EKG pod
kątem osi elektrycznej serca. Jako diagnostyczne aplikacja zakwalifikowała 573 (95,5%) proby oceny częstotliwości
zespołów QRS i 26 (52%) prób oceny osi elektrycznej serca. Odsetek zgodnych rozpoznań wynosił 82% w przypadku
częstotliwości zespołów QRS i 96% w przypadku osi elektrycznej serca. Wykazano istotną korelację między czasem QT, amplitudą załamków T i stosunkiem amplitud zespołów QRS i załamków T a efektywnością automatycznej interpretacji krzywej EKG.
Wnioski. Efektywna digitalizacja i automatyczna interpretacja zapisu EKG w zakresie oceny częstotliwości zespołów QRS i osi elektrycznej serca są możliwe za pomocą aplikacji mobilnej i urządzenia typu smartfon.
Słowa kluczowe: interpretacja EKGsmartfonrozpoznawanie obrazu
Referencje
- Urząd Komunikacji Elektronicznej, Raport o stanie rynku telekomunikacyjnego w 2016 roku, Warszawa, czerwiec 2017, https://www.uke.gov.pl/download/gfx/uke/pl/defaultaktualnosci/36/16/1/raport_o_stanie_rynku_telekomunikacyjnego_w_2016_roku_www.pdf (10.03.2018 r.).
- Meyer C, Fernández Gavela J, Harris M. Combining algorithms in automatic detection of QRS complexes in ECG signals. IEEE Trans Inf Technol Biomed. 2006; 10(3): 468–475.
- de Champlain F, Boothroyd LJ, Vadeboncoeur A, et al. Computerized interpretation of the prehospital electrocardiogram: predictive value for ST segment elevation myocardial infarction and impact on on-scene time. CJEM. 2014; 16(2): 94–105.
- Zidelmal Z, Amirou A, Adnane M, et al. QRS detection based on wavelet coefficients. Comput Methods Programs Biomed. 2012; 107(3): 490–496.
- Medscape Report. http://www.medscape.com/features/slideshow/public/technology-in-medicine#page=23 (10.03.2018 r.).
- International Standard ICE 60601-2-51, Medical electrical equipment. Part 2-51: Particular requirements for safety, including essential performance, of recording and analysing single channel and multichannel electrocardiographs. International Electrotechnical Commission, Genewa, 2003.
- de Lange FJ, Moya A, Sutton R, et al. Task Force for the Diagnosis and Management of Syncope, European Society of Cardiology (ESC), European Heart Rhythm Association (EHRA), Heart Failure Association (HFA); Heart Rhythm Society (HRS). Guidelines for the diagnosis and management of syncope (version 2009). Eur Heart J. 2009; 30(21): 2631–2671.
- Hwan Bae M, Hoon Lee J, Heon Yang D, et al. Erroneous computer electrocardiogram interpretation of atrial fibrillation and its clinical consequences. Clin Cardiol. 2012; 35(6): 348–353.
- Grabowski M, Cacko A, Opolski G. Telemedycyna w optymalizacji diagnostyki i leczenia chorych z ostrym zespołem wieńcowym — projekt Kardionet. In: Piotrowicz R, Różyłło W. ed. Telekardiologia, cz. 1.: Wybrane zastosowania kliniczne. TeleInterMed, Warszawa 2014: 39–46.
- Clark E, Sejersten M, Clemmensen P, et al. Effectiveness of electrocardiogram interpretation programs in the ambulance setting. Computers in Cardiology. 2009; 36: 117–120.
- Leutheuser H, Gradl S, Kugler P, et al. Comparison of real-time classification systems for arrhythmia detection on Android-based mobile devices. Conf Proc IEEE Eng Med Biol Soc. 2014; 2014: 2690–2693.
- Haeberlin A, Roten L, Schilling M, et al. Software-based detection of atrial fibrillation in long-term ECGs. Heart Rhythm. 2014; 11(6): 933–938.
- Hillson SD, Connelly DP, Liu Y. The effects of computer-assisted electrocardiographic interpretation on physicians' diagnostic decisions. Med Decis Making. 1995; 15(2): 107–112.
- Bogun F, Anh D, Kalahasty G, et al. Misdiagnosis of atrial fibrillation and its clinical consequences. Am J Med. 2004; 117(9): 636–642.
- Shameer K, Johnson KW, Glicksberg BS, et al. Machine learning in cardiovascular medicine: are we there yet? Heart. 2018 [Epub ahead of print].
- Waldmann V, Bougouin W, Karam N, et al. Paris-SDEC investigators. Characteristics and clinical assessment of unexplained sudden cardiac arrest in the real-world setting: focus on idiopathic ventricular fibrillation. Eur Heart J. 2018 [Epub ahead of print].
- Jeroudi OM, Christakopoulos G, Christopoulos G, et al. Accuracy of remote electrocardiogram interpretation with the use of Google Glass technology. Am J Cardiol. 2015; 115(3): 374–377.
- Schaer R, Salamin F, Jimenez Del Toro OA, et al. Live ECG readings using Google Glass in emergency situations. Conf Proc IEEE Eng Med Biol Soc. 2015; 2015: 315–318.
- Rymuza B, Grodecki K, Kamiński J, et al. Holographic imaging during transcatheter aortic valve implantation procedure in bicuspid aortic valve stenosis. Kardiol Pol. 2017; 75(10): 1056.
