Förmaksflimmer är den vanligaste hjärtarytmin i världen och berörde cirka 59 miljoner människor 2019. Denna oregelbundna hjärtrytm är förknippad med ökad risk för hjärtsvikt, demens och stroke. Det utgör en betydande börda för hälso- och sjukvårdssystemen, vilket gör tidig upptäckt och behandling till ett viktigt mål.
Forskare från Luxembourg Centre for Systems Biomedicine (LCSB) vid Luxemburgs universitet har nyligen utvecklat en djupinlärningsmodell som kan förutsäga övergången från en normal hjärtrytm till förmaksflimmer. Modellen ger tidiga varningar i genomsnitt 30 minuter före insjuknandet, med en träffsäkerhet på cirka 80 procent. Dessa resultat, som publicerats i den vetenskapliga tidskriften Patterns, banar väg för integrering i bärbar teknik, vilket möjliggör tidiga insatser och bättre patientresultat.
Vid förmaksflimmer slår hjärtats övre kammare oregelbundet och är inte synkroniserat med hjärtats kammare. Att återgå till en regelbunden rytm kan kräva intensiva ingrepp, från att chocka hjärtat tillbaka till normal sinusrytm till att avlägsna ett specifikt område som ansvarar för felaktiga signaler.
Om man kunde förutse en episod av förmaksflimmer tillräckligt tidigt skulle patienterna kunna vidta förebyggande åtgärder för att hålla sin hjärtrytm stabil. Dagens metoder, som bygger på analys av hjärtfrekvens och elektrokardiogram (EKG), kan dock bara upptäcka förmaksflimmer precis innan det bryter ut och ger ingen tidig varning.
”I vårt arbete utgår vi däremot från detta tillvägagångssätt och använder en mer prospektiv prediktionsmodell”, förklarar professor Jorge Goncalves, chef för gruppen Systems Control vid LCSB.
”Vi använde hjärtfrekvensdata för att träna en deep learning-modell som kan känna igen olika faser – sinusrytm, pre-atrialt flimmer och förmaksflimmer – och beräkna en ’sannolikhet för fara’ att patienten kommer att få en överhängande episod.” När man närmar sig förmaksflimmer ökar sannolikheten tills den passerar ett visst tröskelvärde, vilket ger en tidig varning.
Ett R-till-R-intervall (RRI) är tidsperioden mellan topparna på två på varandra följande vågor i ett standardelektrokardiogram. Kredit: LCSB / Luxemburgs universitet
Denna modell för artificiell intelligens, kallad WARN (Warning of Atrial fibRillatioN), tränades och testades på 24-timmarsregistreringar från 350 patienter vid Tongji Hospital (Wuhan, Kina) och gav tidiga varningar, i genomsnitt 30 minuter innan förmaksflimmer började, med stor noggrannhet. Jämfört med tidigare arbete med arytmiprediktion är WARN den första metoden som ger en varning långt innan arytmin bryter ut.
”En annan intressant aspekt är att vår modell har en hög prestanda med endast R-till-R-intervaller, i princip bara hjärtfrekvensdata, som kan hämtas från lättanvända och prisvärda pulssignalregistrerare som smartklockor”, säger Marino Gavidia, första författare till publikationen, som arbetade med detta projekt under sin doktorandtid inom gruppen Systems Control och forskarutbildningsenheten CriTiCS (se rutan nedan).
”Dessa enheter kan användas av patienter dagligen, så våra resultat öppnar möjligheter för utveckling av realtidsövervakning och tidiga varningar från bekväma bärbara enheter”, tillägger Dr. Arthur Montanari, en LCSB-forskare som är involverad i projektet.
Dessutom skulle den djupinlärningsmodell som forskarna utvecklat kunna implementeras i smartphones för att bearbeta data från en smartwatch. Den låga beräkningskostnaden gör den idealisk för integrering i bärbar teknik.
Det långsiktiga målet är att patienterna ska kunna övervaka sin hjärtrytm kontinuerligt och få tidiga varningar som kan ge tillräckligt med tid för att ta antiarytmisk medicin eller använda riktade behandlingar för att förhindra uppkomsten av förmaksflimmer. Detta skulle i sin tur minska antalet akuta ingrepp och förbättra patientresultaten.
”Framöver kommer vi att fokusera på att utveckla individanpassade modeller. Den dagliga användningen av en enkel smartwatch ger ständigt ny information om den personliga hjärtdynamiken, vilket gör att vi kontinuerligt kan förfina och omskola vår modell för den patienten för att uppnå förbättrad prestanda med ännu tidigare varningar”, avslutar professor Goncalves. ”I slutändan kan detta tillvägagångssätt till och med leda till nya kliniska prövningar och innovativa terapeutiska insatser.”
Ytterligare information: Marino Gavidia et al, Early warning of atrial fibrillation using deep learning, Patterns (2024). DOI: 10.1016/j.patter.2024.100970
