Application of machine learning and computational methods in the prediction of cardiovascular remodeling

Abstract

Machine learning (ML) is a growing field poised to change the way we practice cardiovascular medicine, providing new tools for interpreting data and making decisions. Cardiac digital images or biosignals defy traditional statistical methods and require the deployment of ML. In this work we show that ML classifiers trained using anthropometric features and ECG-derived features, can: (a) detect abnormal left ventricular geometry, even before the onset of left ventricular hypertrophy; (b) detect hypertension using 12-lead-ECG-derived features; and (c) detect hypertension in populations without cardiovascular disease from single-lead-ECGs. The latter classifiers can be useful in raising awareness in people with undiagnosed hypertension. We then present a computational method to simulate the dynamics of action potential propagation using the three-variable Fenton-Karma model and account for both normal and damaged cells through spatially inhomogeneous voltage diffusion coefficient.

Η μηχανική μάθηση (ΜΜ) είναι ένας γοργά αναπτυσσόμενος τομέας που πιθανόν να αλλάξει τον τρόπο με τον οποίο ασκούμε την καρδιολογική ιατρική, προσφέροντας νέα εργαλεία για την ερμηνεία των δεδομένων και τη λήψη αποφάσεων. Οι ψηφιακές εικόνες και τα βιοσήματα της καρδιάς δεν μπορουν να αναλυθούν με τις παραδοσιακές στατιστικές μεθόδους και χρειάζονται εφαρμογές της ΜΜ. Σε αυτήν την εργασία δείχνουμε ότι οι ταξινομητές ΜΜ που εκπαιδεύονται χρησιμοποιώντας ανθρωπομετρικά χαρακτηριστικά και χαρακτηριστικά που προέρχονται από το ηλεκτροκαρδιογράφημα (ΗΚΓ), μπορούν: (α) να ανιχνεύσουν την ανώμαλη γεωμετρίατης αριστερής κοιλίας, ακόμη και πριν την εμφάνιση υπερτροφίας της αριστερής κοιλίας, (β) να ανιχνεύσουν την υπέρταση σε πληθυσμούς χωρίς καρδιαγγειακή νόσο, χρησιμοποιώντας χαρακτηριστικά που προέρχονται από το ΗΚΓ 12 απαγωγών, και (γ) να ανιχνεύσουν την υπέρταση σε πληθυσμούς χωρίς καρδιαγγειακή νόσο, από το ΗΚΓ της μίας απαγωγής. Στην τελευταία περίπτωση, οι ταξινομητές θα μπορούσαν να είναι χρήσιμοι για την ευαισθητοποίηση ατόμων με αδιάγνωστη υπέρταση. Στη συνέχεια, παρουσιάζουμε μια υπολογιστική μέθοδο για την προσομοίωση της διάδοσης του δυναμικού ενέργειας χρησιμοποιώντας το μοντέλο Fenton- Karma σε καρδιακά κύτταρα με χωρικά ανισότροπο συντελεστή διάχυσης.