| Για περισσότερα από 90 χρόνια η ηλεκτρική δραστηριότητα της καρδιάς αποτυπωνόταν στο ηλεκτροκαρδιογραφικό (ΗΚΓ) χαρτί. Το γεγονός αυτό εξασφάλιζε ευκολία και ομοιογένεια στην απεικόνιση της ηλεκτρικής δραστηριότητας της καρδιάς, αλλά δεν διασφάλιζε την ακρίβεια και την αναπαραγωγιμότητα των ΗΚΓκων μετρήσεων. Για το λόγο αυτό και προτάθηκε, αρχικά, η ψηφιοποίηση των ηλεκτροκαρδιογραφημάτων αυτών και αργότερα η απευθείας ψηφιακή καταγραφή τους. Σε συγκριτική μελέτη ανάμεσα στους τρεις αυτούς τρόπους απεικόνισης της ηλεκτρικής δραστηριότητας της καρδιάς για τη μελέτη των χαρακτηριστικών του επάρματος P στο 12-απαγωγών ηλεκτροκαρδιογράφημα, αποδείχθηκε ότι η ακρίβεια των μετρήσεων διασφαλίζεται μόνο από τα ψηφιακά λαμβανόμενα ηλεκτροκαρδιογραφήματα.1 Η ψηφιοποίηση των ηλεκτροκαρδιογραφημάτων που είχαν αρχικά αποτυπωθεί σε ΗΚΓκο χαρτί μπορούσε να αποδίδει, με σχετική ακρίβεια, τους συνήθεις δείκτες της αναπόλωσης του κοιλιακού μυοκαρδίου (π.χ. διάρκεια του διαστήματος QT, μέγεθος και επιφάνεια του κύματος T), αλλά δεν μπορούσε να δώσει πληροφορίες για τις μη-διπολικές συνιστώσες στην αναπόλωση του κοιλιακού μυοκαρδίου.2 Επιπλέον, η διαδικασία της ψηφιοποίησης των ηλεκτροκαρδιογραφημάτων που είχαν αρχικά αποτυπωθεί σε ΗΚΓκο χαρτί μπορούσε η ίδια να συμβάλλει στην ανακρίβεια των λαμβανόμενων μετρήσεων.3
• Η εκτύπωση, η σάρωση και η ψηφιοποίηση των ηλεκτροκαρδιογραφημάτων μπορούν να εισάγουν μεταβολές στο ΗΚΓκο σήμα με αποτέλεσμα τον περιορισμό στην αξιοπιστία των μετρήσεων κάποιων ευαίσθητων παραμέτρων. Η συνολική διαφοροποίηση ανάμεσα στο ψηφιακό και το ψηφιοποιημένο ηλεκτροκαρδιογράφημα μπορεί να αποδοθεί στη μεταβλητότητα κατά την εφαρμογή των τεσσάρων σταδίων της ψηφιοποίησης, δηλαδή, (1) στην εκτύπωση του ηλεκτροκαρδιογραφήματος, (2) στη σάρωση της ΗΚΓκης εκτύπωσης, (3) στη μετατροπή της σαρωθείσας εικόνας σε μορφή XML που θα χρησιμοποιηθεί στις μετρήσεις, και (4) στη μεταβλητότητα μεταξύ των ερευνητών που πραγματοποιούν τις μετρήσεις.
• Δεύτερον, οι ΗΚΓκες απαγωγές συχνά καταγράφονται σε δύο ομάδες σε διαφορετικές σελίδες χαρτιού: η πρώτη ομάδα περιλαμβάνει τις απαγωγές των άκρων (I, II, III, aVR, aVL, και aVF) και η δεύτερη ομάδα τις προκάρδιες απαγωγές (V1–V6). Το γεγονός αυτό εισάγει διαφορές στη χρονική αντιστοίχιση ανάμεσα στις δύο ομάδες των ΗΚΓκων απαγωγών.
• Τρίτον, παλαιότεροι ηλεκτροκαρδιογράφοι κατέγραφαν τις δύο ομάδες απαγωγών ξεχωριστά, με λίγα δευτερόλεπτα καθυστέρηση η δεύτερη από την πρώτη, με αποτέλεσμα την πλήρη χρονική αναντιστοιχία ανάμεσα στις δύο ομάδες των ΗΚΓκων απαγωγών.
Επομένως, η ψηφιοποίηση των ηλεκτροκαρδιογραφημάτων μπορεί να συνεπάγεται κάποια τεχνικά προβλήματα, ορισμένα από τα οποία δεν έχουν επαρκώς αντιμετωπιστεί μέχρι σήμερα. Ωστόσο, παρά τα προβλήματά της, η ψηφιοποίηση των ηλεκτροκαρδιογραφημάτων τα οποία έχουν αρχικά αποτυπωθεί σε ΗΚΓκο χαρτί, δικαιολογείται προκειμένου να διασωθούν και να αποθηκευτούν σε βάσεις ψηφιακών δεδομένων μεγάλος αριθμός κλινικά σημαντικών ηλεκτροκαρδιογραφημάτων τα οποία θα μπορούσαν να αξιοποιηθούν για μετρήσεις στο μέλλον. Υπάρχουν αξιόπιστα εργαλεία, όπως το ECGScan, που θα μπορούσαν να χρησιμεύσουν στην ψηφιοποίηση των ηλεκτροκαρδιογραφημάτων και την απόδοση του διορθωμένου διαστήματος QT με μεγάλη ακρίβεια.4 Επιπλέον, και άλλα εργαλεία ψηφιοποίησης έχουν δώσει πολύ καλά, ανάλογα αποτελέσματα.5,6 Η διαθεσιμότητα εργαλείων όπως το ECGScan δεν πρέπει, ωστόσο, να μας ενθαρρύνει στον σχεδιασμό προοπτικών μελετών που να βασίζονται στο ΗΚΓκο χαρτί. Αντιθέτως, είναι ξεκάθαρο ότι κάποιες πληροφορίες χάνονται από το ΗΚΓκο σήμα με τη διαδικασία της εκτύπωσης, οι οποίες δεν μπορούν να αποκατασταθούν ακόμα και με 100% ακριβή επανασύσταση στην ψηφιοποιημένη μορφή.
Οι αλγόριθμοι μηχανικής εκμάθησης και τεχνητής νοημοσύνης έχουν, σήμερα, «εισβάλλει» στο χώρο της ηλεκτροκαρδιογραφίας με στόχο, αρχικά, την ψηφιοποίηση των ΗΚΓκων σημάτων και, ακολούθως, την ανίχνευση και αυτόματη διάγνωση των αρρυθμιών.7-9 Η διαθεσιμότητα και δυνητική αξία των αλγόριθμων της τεχνητής νοημοσύνης, ιδιαίτερα των «εν-τω-βάθει» νευρωνικών δικτύων (CNNs), στην ηλεκτροκαρδιογραφία είναι τεκμηριωμένη.Η εφαρμογή των CNNs σε μεγάλο αριθμό ψηφιακών ηλεκτροκαρδιογραφημάτων που προέρχονται από μεγάλες βάσεις δεδομένων, μπορεί να εξασφαλίσει διαγνωστική ανάλυση των ηλεκτροκαρδιογραφημάτων με απόλυτη ακρίβεια. Νευρωνικά δίκτυα έχουν αξιοποιηθεί στην ανίχνευση ασυμπτωματικής δυσλειτουργίας της αριστερής κοιλίας, σιωπηρής κολπικής μαρμαρυγής, υπερτροφικής μυοκαρδιοπάθειας και στον προσδιορισμό της ηλικίας, του φύλου και της φυλής κάθε ατόμου με βάση μόνο το ηλεκτροκαρδιογράφημα. Η δυνατότητά τους να ανιχνεύουν άλλες καρδιακές παθήσεις, όπως είναι η στένωση της αορτικής βαλβίδας και η αμυλοείδωση της καρδιάς βρίσκεται υπό διερεύνηση. Η εφαρμογή των CNNs μπορεί να γίνει τόσο στο σύνηθες ηλεκτροκαρδιογράφημα 12-απαγωγών όσο και σε δεδομένα που λαμβάνονται από μονο- ή πολύ-κάναλες φορητές συσκευές. Δεν υπάρχουν ακόμη επαρκή δεδομένα σχετικά με την εφαρμογή των CNNs στην έκβαση των ασθενών, αλλά και με τις δυσκολίες και τους περιορισμούς κατά τη χρήση τους σε πραγματικούς πληθυσμούς ασθενών.
ΣΥΜΠΕΡΑΣΜΑΤΑ
- Η σημασία του ηλεκτροκαρδιογραφήματος ως διαγνωστικού εργαλείου, ως μέσου για την παρακολούθηση της ανταπόκρισης στη θεραπεία και ως μέτρου για τις δράσεις των φαρμάκων είναι απόλυτα τεκμηριωμένη.
- Στη σύγχρονη εποχή, η καταγραφή, αποθήκευση και μετάδοση των ηλεκτροκαρδιογραφημάτων γίνεται με ψηφιακά ή άλλα (ΗΚΓκο χαρτί) μέσα.
- Οι αναλύσεις των ηλεκτροκαρδιογραφημάτων επιτρέπουν τη διακρίβωση φυσιολογικών και παθολογικών καταστάσεων, όπως καθορίζονται από μεγέθη, διαστήματα και μορφολογίες που μπορούν να μετρηθούν.
- Οι πρόοδοι στην ψηφιακή εποχή επιτρέπουν την επεξεργασία μεγάλου όγκου δεδομένων. Ωστόσο, παραμένουν πάρα πολλά ηλεκτροκαρδιογραφήματα που έχουν αποτυπωθεί σε ΗΚΓκο χαρτί, τα οποία δημιουργήθηκαν πριν την έλευση της ψηφιακής εποχής.
- Σε αυτά πρέπει να προσθέσουμε τα ηλεκτροκαρδιογραφήματα που έχουν γίνει στα πλαίσια προ-αθλητικού ελέγχου αλλά και αυτά που έχουν καταγραφεί σε χώρες με περιορισμένες ψηφιακές δυνατότητες.
- Από πολλούς ερευνητές έχει προταθεί η δημιουργία μίας ισχυρής μεθόδου για τη μετατροπή του τεράστιου αριθμού των ηλεκτροκαρδιογραφημάτων που έχουν αποτυπωθεί σε ΗΚΓκο χαρτί σε ψηφιακή μορφή. Με τον τρόπο αυτό θα μπορούσε να διευρυνθεί η κατανόηση της ηλεκτροφυσιολογίας της καρδιάς, ο μηχανισμός των αρρυθμιών και η συσχέτισή τους με τις κλινικές νόσους.
- Πολλοί αλγόριθμοι έχουν προταθεί για την επίτευξη της μετατροπής αυτής, με δυσκολίες από τις οποίες άλλες έχουν ξεπεραστεί και άλλες όχι.
- Η ενίσχυση της Ηλεκτροκαρδιογραφίας με τη χρήση αλγόριθμων τεχνητής νοημοσύνης εξελίσσεται συνεχώς και αναμένεται να γίνει η προτιμώμενη μέθοδος για την αξιόπιστη και λεπτομερή επεξεργασία των ηλεκτροκαρδιογραφημάτων.
Βιβλιογραφία:
- Dilaveris P, Batchvarov V, Gialafos J, Malik M. Comparison of different methods for manual P wave duration measurement in 12-lead electrocardiograms. Pacing Clin Electrophysiol. 1999 Oct;22(10):1532-8.
- Karsikas M, Huikuri H, Perkiömäki JS, Lehtola L, Seppänen T. Influence of paper electrocardiogram digitizing on T wave and QRS complex morphology parameters. Ann Noninvasive Electrocardiol. 2007 Oct;12(4):282-90.
- Hingorani P, Karnad DR, Panicker GK, Deshmukh S, Kothari S, Narula D. Differences between QT and RR intervals in digital and digitized paper electrocardiograms: contribution of the printer, scanner, and digitization process. J Electrocardiol. 2008 Sep-Oct;41(5):370-5.
- Badilini F, Erdem T, Zareba W, Moss AJ. ECGScan: a method for conversion of paper electrocardiographic printouts to digital electrocardiographic files. J Electrocardiol. 2005 Oct;38(4):310-8.
- Ravichandran L, Harless C, Shah AJ, Wick CA, Mcclellan JH, Tridandapani S. Novel Tool for Complete Digitization of Paper Electrocardiography Data. IEEE J Transl Eng Health Med. 2013;1:1800107.
- Baydoun M, Safatly L, Abou Hassan OK, Ghaziri H, El Hajj A, Isma’eel H. High Precision Digitization of Paper-Based ECG Records: A Step Toward Machine Learning. IEEE J Transl Eng Health Med. 2019 Nov 7;7:1900808.
- Li Y, Qu Q, Wang M, Yu L, Wang J, Shen L, He K. Deep learning for digitizing highly noisy paper-based ECG records. Comput Biol Med. 2020 Dec;127:104077.
- Chang KC, Hsieh PH, Wu MY, Wang YC, Chen JY, Tsai FJ, Shih ESC, Hwang MJ, Huang TC. Usefulness of Machine Learning-Based Detection and Classification of Cardiac Arrhythmias With 12-Lead Electrocardiograms. Can J Cardiol. 2021 Jan;37(1):94-104.
- Ribeiro AH, Ribeiro MH, Paixão GMM, Oliveira DM, Gomes PR, Canazart JA, Ferreira MPS, Andersson CR, Macfarlane PW, Meira W Jr, Schön TB, Ribeiro ALP. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nat Commun. 2020 Apr 9;11(1):1760.
- Siontis KC, Noseworthy PA, Attia ZI, Friedman PA. Artificial intelligence -enhanced electrocardiography in cardiovascular disease management. Nat Rev Cardiol. 2021 Jul;18(7):465-478.
|