Tele-electrocardiography and bigdata: The CODE (Clinical Outcomes in Digital Electrocardiography) study.

การตรวจคลื่นไฟฟ้าหัวใจทางไกลและข้อมูลขนาดใหญ่: การศึกษา CODE (ผลลัพธ์ทางคลินิกในการตรวจคลื่นไฟฟ้าหัวใจแบบดิจิทัล)

Clicks: 480
ID: 46644
2019
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #1 of 6 articles by views in journal of electrocardiology

Most read Least read

Bar heights use a square-root scale.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
Digital electrocardiographs are now widely available and a large number of digital electrocardiograms (ECGs) have been recorded and stored. The present study describes the development and clinical applications of a large database of such digital ECGs, namely the CODE (Clinical Outcomes in Digital Electrocardiology) study. ECGs obtained by the Telehealth Network of Minas Gerais, Brazil, from 2010 to 17, were organized in a structured database. A hierarchical free-text machine learning algorithm recognized specific ECG diagnoses from cardiologist reports. The Glasgow ECG Analysis Program provided Minnesota Codes and automatic diagnostic statements. The presence of a specific ECG abnormality was considered when both automatic and medical diagnosis were concordant; cases of discordance were decided using heuristisc rules and manual review. The ECG database was linked to the national mortality information system using probabilistic linkage methods. From 2,470,424 ECGs, 1,773,689 patients were identified. After excluding the ECGs with technical problems and patients <16 years-old, 1,558,415 patients were studied. High performance measures were obtained using an end-to-end deep neural network trained to detect 6 types of ECG abnormalities, with F1 scores >80% and specificity >99% in an independent test dataset. We also evaluated the risk of mortality associated with the presence of atrial fibrillation (AF), which showed that AF was a strong predictor of cardiovascular mortality and mortality for all causes, with increased risk in women. In conclusion, a large database that comprises all ECGs performed by a large telehealth network can be useful for further developments in the field of digital electrocardiography, clinical cardiology and cardiovascular epidemiology.
ปัจจุบันเครื่องตรวจคลื่นไฟฟ้าหัวใจแบบดิจิทัลมีการใช้งานอย่างแพร่หลาย และมีการบันทึกรวมถึงจัดเก็บข้อมูลคลื่นไฟฟ้าหัวใจ (ECG) แบบดิจิทัลเป็นจำนวนมาก การศึกษานี้อธิบายถึงการพัฒนาและการประยุกต์ใช้ทางคลินิกของฐานข้อมูลขนาดใหญ่ของคลื่นไฟฟ้าหัวใจดิจิทัลดังกล่าว ภายใต้ชื่อการศึกษา CODE (Clinical Outcomes in Digital Electrocardiology) โดยข้อมูลคลื่นไฟฟ้าหัวใจที่รวบรวมจากเครือข่ายการแพทย์ทางไกลแห่งรัฐมีนัสเชไรส์ ประเทศบราซิล ระหว่างปี ค.ศ. 2010 ถึง 2017 ได้รับการจัดระเบียบให้อยู่ในรูปแบบฐานข้อมูลที่มีโครงสร้าง มีการใช้อัลกอริทึมการเรียนรู้ของเครื่องสำหรับข้อความอิสระเชิงลำดับชั้น (hierarchical free-text machine learning algorithm) ในการจำแนกการวินิจฉัยคลื่นไฟฟ้าหัวใจที่จำเพาะจากรายงานผลของแพทย์โรคหัวใจ โปรแกรมการวิเคราะห์คลื่นไฟฟ้าหัวใจกลาสโกว์ (Glasgow ECG Analysis Program) ทำหน้าที่สร้างรหัสมินนิโซตา (Minnesota Codes) และข้อความวินิจฉัยอัตโนมัติ การระบุความผิดปกติของคลื่นไฟฟ้าหัวใจที่จำเพาะจะพิจารณาเมื่อผลการวินิจฉัยอัตโนมัติและผลการวินิจฉัยทางการแพทย์มีความสอดคล้องกัน สำหรับกรณีที่ผลไม่สอดคล้องกันจะได้รับการตัดสินโดยใช้กฎฮิวริสติก (heuristic rules) และการทบทวนโดยผู้เชี่ยวชาญ นอกจากนี้ ฐานข้อมูลคลื่นไฟฟ้าหัวใจยังได้รับการเชื่อมโยงกับระบบข้อมูลการเสียชีวิตระดับชาติโดยใช้วิธีการเชื่อมโยงข้อมูลแบบความน่าจะเป็น จากข้อมูลคลื่นไฟฟ้าหัวใจทั้งหมด 2,470,424 รายการ ระบุตัวตนผู้ป่วยได้ 1,773,689 ราย และภายหลังการคัดออกคลื่นไฟฟ้าหัวใจที่มีปัญหาทางเทคนิคและผู้ป่วยที่มีอายุต่ำกว่า 16 ปี มีผู้ป่วยที่ถูกนำมาศึกษาทั้งสิ้น 1,558,415 ราย โครงข่ายประสาทเทียมเชิงลึกแบบเอนด์ทูเอนด์ (end-to-end deep neural network) ที่ได้รับการฝึกเพื่อตรวจจับความผิดปกติของคลื่นไฟฟ้าหัวใจ 6 ชนิด แสดงประสิทธิภาพในระดับสูง โดยมีคะแนน F1 มากกว่าร้อยละ 80 และความจำเพาะมากกว่าร้อยละ 99 ในชุดข้อมูลทดสอบอิสระ นอกจากนี้ ผู้วิจัยยังได้ประเมินความเสี่ยงต่อการเสียชีวิตที่สัมพันธ์กับภาวะหัวใจห้องบนสั่นพลิ้ว (AF) ซึ่งแสดงให้เห็นว่า AF เป็นตัวพยากรณ์ที่สำคัญของการเสียชีวิตจากโรคหัวใจและหลอดเลือด รวมถึงการเสียชีวิตจากทุกสาเหตุ โดยพบความเสี่ยงที่เพิ่มขึ้นในเพศหญิง สรุปได้ว่า ฐานข้อมูลขนาดใหญ่ที่รวบรวมคลื่นไฟฟ้าหัวใจทั้งหมดจากเครือข่ายการแพทย์ทางไกลขนาดใหญ่มีประโยชน์ต่อการพัฒนาในอนาคต ทั้งในสาขาคลื่นไฟฟ้าหัวใจดิจิทัล วิทยาโรคหัวใจทางคลินิก และระบาดวิทยาของโรคหัวใจและหลอดเลือด
Reference Key
ribeiro2019teleelectrocardiographyjournal Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Ribeiro, Antonio Luiz P;Paixão, Gabriela M M;Gomes, Paulo R;Ribeiro, Manoel Horta;Ribeiro, Antônio H;Canazart, Jéssica A;Oliveira, Derick M;Ferreira, Milton P;Lima, Emilly M;Moraes, Jermana Lopes de;Castro, Nathalia;Ribeiro, Leonardo B;Macfarlane, Peter W;
Journal journal of electrocardiology
Year 2019
DOI
S0022-0736(19)30498-4
URL
Keywords
artificial intelligence telehealth electrocardiography big-data

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.