Гипертрофическая кардиомиопатия (ГКМП) характеризуется утолщением миокарда левого желудочка и связана с повышенным риском аритмогенной внезапной смерти и прогрессирующей сердечной недостаточности, в том числе у молодых. В ряде случаев диагноз ГКМП по данным эхокардиографии (эхоКГ) и электрокардиографии (ЭКГ) не очевиден, и требуется его дифференцировать от «гипертонического сердца» или фенокопий ГКМП. Кроме того, новые таргетные методы лечения увеличивают потребность в быстром выявлении ГКМП, поэтому разработка дополнительных способов диагностики ГКМП – актуальная задача современной кардиологии.
Авторы недавнего исследования разработали устойчивые модели машинного обучения для выявления ГКМП и ее дифференциальной диагностики от других заболеваний сердца по данным ЭКГ и эхоКГ. Используемый федеративный подход обучал модели на данных четырех медицинских центров (3 в США и 1 в Японии) без необходимости передачи необработанных данных ЭКГ и эхоКГ, обеспечивая конфиденциальность персональных данных пациентов.
Для разработки моделей использовали в совокупности данные 74376 ЭКГ и 8392 эхоКГ от 56129 и 6825 пациентов c ГКМП, соответственно. На первом этапе модели в каждом из учреждении были обучены на внутренних и проверены на внешних данных. Модели, обученные по данным ЭКГ, превосходно различали ГКМП (площадь под кривой, AUC 0.88–0.93) на внутреннем наборе данных, однако некоторые модели не были достаточно устойчивыми при валидации на внешних данных (AUC 0.79–0.82). Затем модели были обучены с использованием федеративного подхода, в результате чего внутрицентровая распознаваемость ГКМП по данным ЭКГ и эхоКГ в моделях стала еще лучше (AUC 0.90–0.96 и 0.90–0.96, соответственно), наряду с повышенной устойчивостью при валидации на внешних когортах. Такие модели также успешно дифференцировали ГКМП от артериальной гипертензии, аортального стеноза и амилоидоза сердца по данным ЭКГ (AUC 0.84, 0.83 и 0.88, соответственно) и данным эхоЭКГ (AUC 0.93, 0.94, 0.85, соответственно). Анализ парных данных ЭКГ-эхоКГ от 11823 пациентов из стороннего учреждения показал более высокую чувствительность распознавания ГКМП с использованием разработанных моделей машинного обучения по сравнению с кардиологами при заданной специфичности, предполагая, что значительное количество случаев ГКМП, которые были бы пропущены кардиологами, могут быть обнаружены с помощью моделей.
Таким образом, модели федеративного обучения могут улучшить высокопроизводительное выявление и дифференциацию ГКМП от других причин гипертрофии за счет автоматического анализа данных ЭКГ и эхоКГ и указать на необходимость дальнейшего клинического анализа.
По материалам:
Goto S, et al. Multinational Federated Learning Approach to Train ECG and Echocardiogram Models for Hypertrophic Cardiomyopathy Detection. Circulation. 2022;CIRCULATIONAHA121058696.
https://www.ahajournals.org/journal/circ
Текст: Баулина Н.М.
