基于人工智能識別心電圖的一種低鉀血癥快速輔助診斷模型

朱彩華 張伊楚 王晨曦 葛尚華 婁偉明 鄧立彬， 陳琦

低鉀血癥是臨床上最常見的電解質紊亂之一，是指血清鉀濃度低于3.5 mmol/L[1]。低鉀血癥可致心肌細胞的興奮性和自律性增高，傳導性減慢，從而導致心律失常，嚴重者可出現(xiàn)室性心動過速、心室顫動及心源性猝死等惡性心律失常[2－5]。目前診斷低鉀血癥最準確的方法是靜脈血清鉀測定，但臨床上急查血鉀通常需要等待1～2 h，采血不僅有創(chuàng)，且隨著采血次數(shù)的增多，患者依從性也會下降。這些因素在一定程度上限制了低鉀血癥快速診斷的效率，從而可能增加低血鉀所致的相關并發(fā)癥風險。

當鉀水平＜2.7 mmol/L時，心電圖(ECG)可發(fā)生T 波低平或倒置、ST 段壓低、Q-T 間期延長和U波的改變等一系列變化[6－11]。說明ECG 有助于快速識別低鉀血癥，然而，大多數(shù)低鉀血癥患者臨床癥狀及人工ECG 識別缺乏特異性，Wrenn等[12]研究結果表明人工分析ECG 識別低鉀血癥的敏感性及準確率非常低。

人工智能(artificial intelligence，AI)泛指模擬人類智慧的方法、技術及應用的一門技術學科，其應用目前已逐漸地從傳統(tǒng)領域滲透到醫(yī)學等專業(yè)領域。Galloway等[13]研究發(fā)現(xiàn)AI可通過ECG 篩選高鉀血癥。迄今為止，沒有應用AI識別ECG 篩選低鉀血癥的相關研究報道。因此，筆者試圖創(chuàng)建AI識別ECG 的模型，從而實現(xiàn)快速無創(chuàng)篩選低鉀血癥。

1 資料與方法

1.1 研究人群

選取2017年9月至2019年5月在南昌大學第二附屬醫(yī)院所有的就診患者共474 633 名，其中標準12 導ECG 277 000 份，血清鉀378 680份。同時，收集患者住院號、采集與ECG 相對應時間的前后3 h(ECG±3 h)血清鉀的標本、血清肌酐、N 末端腦鈉肽氨基酸前體(pr o-BNP)、血清鈣、血清鎂、血清鈉、急診肌鈣蛋白I(超敏肌鈣蛋白)、游離甲狀腺激素(FT4、FT3)等。該研究經南昌大學第二附屬醫(yī)院倫理委員會審批同意，其研究流程見圖1。

1.2 納入及排除標準

納入標準：選取2017年9月至2019年5月在南昌大學第二附屬醫(yī)院所有的就診患者的ECG。排除標準：①死亡ECG(各導聯(lián)未見順序發(fā)生的PQRS-T 波群的ECG)；②采集ECG 與血清鉀標本期間給予了補鉀或利尿治療的血液標本。

1.3 混雜因素

混雜因素ECG 的定義：指診斷為心房顫動(AF)、完全性左束支傳導阻滯(CLBBB)、完全性右束支傳導阻滯(CRBBB)及起搏的ECG(包括心房起搏和心室起搏)。

圖1 研究方法流程圖

1.4 數(shù)據與深度學習

1.4.1 數(shù)據匹配 根據患者住院號及采集ECG 與血清鉀標本的時間差為±3 h(如ECG 對應的血清鉀值＞1，則取時間相隔最近者)的原則進行匹配，獲得有效的ECG-血鉀對數(shù)據集。

1.4.2 深度學習模型(DL M) 本研究的DL M 是在anaconda平臺上用Python語言和tensorflow 神經網絡框架構建的。該框架具有11層的卷積神經網絡(CNN)，前10層是卷積層和全連接層，最后1層是完全連接soft max層。神經網絡能從同時采集的任意數(shù)量的ECG 導聯(lián)中接收5 s時長的ECG 信號，并生成一個參數(shù)，輸出0或1(如圖2，3)。并計算出敏感性、特異性及接受者操作特性(ROC)曲線下的面積(AUC)值等統(tǒng)計學指標。

1.5 人工識圖診斷低鉀血癥

將驗證集中的排除混雜因素ECG(n＝1 748)進行診斷歸類，記錄并統(tǒng)計人工診斷低鉀血癥或提示低鉀血癥的數(shù)量，并將其與相對應的生化檢測血鉀水平進行對照，以計算其人工分析ECG 識別低鉀的敏感性、特異性及準確率。

1.6 統(tǒng)計分析

應用3.4.2版本的R 軟件及卡方檢驗分析。除AUC以外，均取可信區(qū)間(CI)為95%來評估診斷性能。AUC的可信區(qū)間是通過應用R(R Foundation)中 的p ROC 軟 件 包 對Del ong 方 法 做Sun 和Su優(yōu)化來確定的[16]。雙側P＜0.05表示有統(tǒng)計學意義。

圖2 神經網絡心電圖分類的原理圖

2 結果

2.1 數(shù)據篩選流程

排除混雜因素ECG 后，獲得9 161 對份數(shù)據集，80%(n＝7 413)作為訓練數(shù)據集，20%(n＝1 748)作為驗證數(shù)據集；交叉驗證后，評估模型通過識別ECG 篩選低鉀血癥的性能。

2.2 數(shù)據的基線特征

排除混雜因素12導聯(lián)模型如表1，2所示，訓練集共7 413份ECG，驗證集有1 748份ECG，研究中筆者發(fā)現(xiàn)，N 末端pr o-BNP＞300 pg/ml或血清鎂＜0.75 mmol/L的患者可能更易患低鉀血癥。血清鉀值＞1所對應的ECG 更有可能是低鉀ECG。

筆者針對排除混雜因素12 導ECG 建造了模型，其驗證集中篩選低鉀血癥的AUC 值為0.796(95%CI，0.766～0.815)，取臨界值為0.536時，敏感為71.4%，特異性為77.1%，陰性預測值為75.1%，陽性預測值為73.5%。

圖3 模型在其驗證集中識別低鉀血癥ROC曲線及混淆矩陣

2.3 模型的ROC曲線和混淆矩陣

為了更客觀得評價模型的效能，筆者做了排除混雜因素12導模型的ROC曲線及混淆矩陣圖，如圖3所示，低鉀模型的AUC值為0.796，準確性為74.4%。

2.4 DL M 在混雜因素ECG 中識別低鉀血癥

為進一步驗證DL M 在混雜因素ECG 中識別低鉀血癥的性能，筆者應用未被混雜因素ECG 訓練過的排除混雜因素ECG 12導聯(lián)模型從混雜因素心電圖中篩選低鉀血癥。隨機抽取混雜因素AF心電圖111份、CRBBB 心 電 圖56 份、CLBBB 心 電 圖6份及起搏ECG 3份作為驗證數(shù)據集。驗證結果如表3顯示，該模型在AF 心電圖中識別低鉀血癥的敏感性和特異性分別為74.2%和72.0%，準確率為72.7%；在CRBBB心電圖中的敏感性和特異性分別為55.0%和56.0%，準確率為55.3%；在CLBBB心電圖中的敏感性和特異性分別為0和25.0%，準確率為16.7%；在起搏ECG 中的敏感性和特異性分別為100%和100%，準確率為100%。

表1 排除混雜因素ECG 12導聯(lián)模型的訓練數(shù)據集的基線特征

表2 排除混雜因素ECG 12導聯(lián)模型的驗證數(shù)據集的基線特征

表3 DL M 在混雜因素ECG 中識別低鉀血癥的結果

2.5 AI比人工識別低鉀ECG 的準確性更高

筆者應用驗證集中1 748 份排除混雜因素的ECG，根據ECG 的診斷，結果如圖4表明：人工僅識別出180張低鉀ECG、116張非低鉀ECG，準確度為16.9%、敏感性為21.9%，陽性預測值為60.8%。而在排除混雜因素ECG 模型中，識別低鉀血癥的AUC為0.796，準確率、敏感性、特異性、陰性預測值、陽性預測值分別74.4%、71.4%、77.1%、75.1%及73.5%。

圖4 人工判讀低鉀血癥的混淆矩陣

3 討論

隨著AI在醫(yī)學領域取得突破性進展，診療智能化已成為重要發(fā)展趨勢，在過去10年，深度學習(DL)應用于心血管領域的研究越來越多，并在心臟收縮功能障礙、高鉀判讀等方面取得良好的效果[14]。DL可模仿人腦的工作模式，使用多層神經網絡對數(shù)據集進行訓練并形成自動預測，與傳統(tǒng)的統(tǒng)計學方法相比，DL M 具有更好的自我驅動性和更高的準確度，在分析圖像等復雜數(shù)據時表現(xiàn)良好，主要用于圖像識別。但是DL M 不提供算法透明性：我們無法精確地理解算法的啟發(fā)式算法如何到達其最終目的地[15]。

在這項研究中，筆者發(fā)現(xiàn)利用ECG 訓練11層CNN，提取圖像特征，建立預測低鉀血癥的DL M 模型，具有令人滿意的篩選能力，12導ECG 的低鉀模型中準確度明顯高于ECG 專家。此外，筆者還發(fā)現(xiàn)，N 末端pro-BNP＞300 pg/ml或血清鎂＜0.75 mmol/L的患者可能更易患低鉀血癥，心力衰竭患者和低鎂血癥患者是否比非心力衰竭和非低鎂的患者更易發(fā)生低鉀，有待進一步研究分析。需要注意的是，血清中鈣、鎂、肌鈣蛋白、肌酐以及游離甲狀腺素等指標的濃度變化，均可導致ECG 發(fā)生改變，而這些改變可能會影響或掩蓋低鉀ECG 特征。

盡管在醫(yī)院通過靜脈血測定獲得血清鉀濃度已經比較快捷，但在院外(比如社區(qū)診所)，因低鉀血癥患者通常沒有特征性的癥狀，低鉀血癥的診斷仍面臨很大的困難。使用ECG 無創(chuàng)篩查患者低鉀血癥的實現(xiàn)，將為早發(fā)現(xiàn)這種危及患者生命的疾病提供強有力的幫助。當然，AI作為低鉀血癥的初步篩選工具，不管其評估結果是否為真陽性，均是一個定性的預警性診斷方法，生化檢測仍是低鉀血癥明確診斷的金標準。在DL M 中效果最佳的排除混雜因素ECG12導聯(lián)模型，其假陽性率也高達22.9%，而特異性僅有77.1%，但通過ECG 測試得出的鉀水平可能比血液化驗更能反應出患者心律失常的風險。因ECG 取決于心臟組織對血鉀水平的反應，所以基于ECG 的測試比基于化學的血液測試更具生理性[16]，此外，基于ECG 的測試不易受到溫度、污染或與加工血液相關的其他潛在干擾因素的影響。一項研究發(fā)現(xiàn)，有30.2%的正常血鉀血癥患者有假性高鉀血癥血液檢查結果[17]。或許通過對同一患者的多個血鉀-ECG 對進行學習訓練，建立個體化DL M，可提其高特異性。