Nowe narzędzia w diagnostyce zaburzeń rytmu serca – rejestratory wzbogacone o zastosowanie elementów sztucznej inteligencji (AI)

W diagnostyce zaburzeń rytmu serca zastosowanie długotrwałego monitorowania jest nierzadko konieczne ze względu na napadowy charakter epizodów arytmii, wobec czego wszczepialne rejestratory rytmu serca (ang. Insertable Cardiac Monitors, ICM lub ang. Implantable Loop Recorders, ILR) są narzędziem o coraz częstszym zastosowaniu. Dzięki wykorzystaniu algorytmów opartych na sztucznej inteligencji (ang. Artificial Intelligence, AI), możliwa jest precyzyjniejsza detekcja arytmii. Niezależnie od wysokiej czułości wyzwaniem pozostaje ilość fałszywie pozytywnych rozpoznań.

Medtronic Reveal LINQ II z algorytmem AccuRhythm AI stosuje dwustopniową analizę epizodów arytmii – klasyczne wykrycie w urządzeniu oraz ponowną ocenę przez sieć neuronową w chmurze CareLink. Rozwiązanie to, wytrenowane na ponad milionie zapisów EKG, pozwoliło na redukcję fałszywych alarmów pauzy o 97% oraz AF o 88%, przy zachowaniu czułości na poziomie 99–100%^[3–5]. Retrospektywne zastosowanie algorytmu w starszych modelach LINQ przyniosło ogólną redukcję fałszywych powiadomień o > 85% ^{[5, 6]}.

BioMonitor IV firmy Biotronik jako jedyny dostępny na rynku różnicuje PVC i PAC. Wykorzystuje samoadaptujące się miary zmienności RR do identyfikacji uderzeń ektopowych i porównuje dynamiczne miary amplitudy QRS wykrytych uderzeń ektopowych z uderzeniami otaczającymi, aby odróżnić PVC i PAC od normalnych zdarzeń QRS. Uderzenia ektopowe o amplitudach innych niż normalne zespoły QRS są identyfikowane jako PVC, podczas gdy uderzenia podobne do normalnych uderzeń są oznaczane jako PAC ^[8]. Współpracuje z algorytmami SmartECG dostępnymi w Home Monitoring Service Center. Elementami rozwiązania są sztuczna inteligencja (AI) i zaawansowane algorytmy przetwarzania sygnałów, dzięki którym ograniczono liczbę fałszywie dodatnich alarmów i zoptymalizowano przepływ pracy klinicznej poprzez skupienie się na zdarzeniach wymagających podjęcia działań. Algorytm SmartECG AI dla epizodów AF oparty jest na uczeniu maszynowym, dla których dane wejściowe stanowiły zapisy SECG migotania przedsionków zarejestrowanych przez BIOMONITOR. System ten, poprzez analizę charakterystycznych 146 cech sygnału EKG, osiągnął 86-proc. redukcję fałszywych detekcji przy zachowaniu 98% istotnych klinicznie epizodów^[9–10]. W praktyce klinicznej zaobserwowano zmniejszenie czasu przeglądu transmisji o 42% ^[12].

Boston Scientific LUX-Dx II+ stosuje algorytmy dwustopniowe bez użycia chmury. Weryfikacja AF obejmuje analizę zmienności RR, morfologii QRS oraz obecności szumu. Zmniejszono liczbę fałszywych alarmów AF o 38%, a transmisji wymagających przeglądu – o 26%^[13–15]. Dodatkowo, system umożliwia monitorowanie PVC i zdalne programowanie parametrów ^{[16, 17]}.

Abbott Confirm Rx i Assert-IQ wykorzystują algorytmy SharpSense oraz zewnętrzną platformę AI Willem. Dzięki wieloetapowej analizie (odstępów RR, załamków P, oceny rytmu, redukcji rozpoznawania artefaktów) zredukowano fałszywe alarmy migotania przedsionków i pauz o 98,7%, przy zachowaniu 97,7% rzeczywistych epizodów^[18–20]. Willem AI umożliwia klasyfikację 25 kategorii rytmu z dokładnością 95,4% i skraca czas analizy do 6 sekund^[21].

Wszystkie analizowane systemy osiągają bardzo wysoką czułość (98–100%) i swoistość (95–98%)^[22–27].

Wszystkie omawiane ICM wykorzystują AI w celu zwiększenia swoistości wykrywania arytmii i redukcji obciążenia fałszywymi alarmami, zachowując jednocześnie bardzo wysoką czułość (często ~98–100% dla kluczowych arytmii). Nowe algorytmy istotnie podniosły pozytywną wartość predykcyjną – np. PPV detekcji AF wzrosła do ~72–75% w nowszych urządzeniach z AI, podczas gdy we wcześniejszych generacjach wynosiła ~55–65%. Różne firmy zastosowały odmienne strategie implementacji AI. Medtronic postawił na filtrację opartą o sieć neuronową w chmurze, skupioną na wybranych arytmiach (AF, pauzy). Biotronik zaimplementował wszechstronny algorytm uczący się na platformie HM, analizujący wiele cech sygnału dla wszystkich głównych zaburzeń rytmu i odróżniający pobudzenia ektopowe od arytmii właściwej. Boston Scientific zastosował podejście dwustopniowej weryfikacji w urządzeniu, funkcjonalnie zbliżone do AI, z naciskiem na redukcję fałszywych AF oraz optymalizację prezentacji epizodów (łączenie epizodów, monitoring ładunku PVC). Abbott natomiast łączy ulepszone algorytmy urządzenia (SharpSense) z technologiami chmurowymi – zarówno do telemetrii (smartfon + Merlin.net), zdalnego programowania, jak i zaawansowanej analizy rytmu przez zewnętrzną sieć AI (Willem). Wspólne cechy obejmują zbliżone parametry hardware: czas pracy ~3–5 lat, niewielkie wymiary (długość kilku cm, grubość < 5 mm) i zgodność z MRI. Wszystkie systemy wykorzystują chmurę do transmisji danych, jednak tylko najnowsze platformy Boston i Abbott umożliwiają pełne zdalne przeprogramowanie ustawień ICM. Poprawa specyficzności detekcji dzięki AI zmniejszyła tzw. „zmęczenie alertami” personelu klinicznego i zwiększyła efektywność nadzoru rytmu. Mimo odmiennych rozwiązań nowe generacje ICM różnych producentów osiągają zbliżony cel: istotną redukcję fałszywych alarmów (o ~85–98%) przy niemal niezmienionej czułości, co przekłada się na wyższą trafność diagnostyczną i usprawnienie opieki nad pacjentem.

Piśmiennictwo:

1. Cho, H.J., et al., Accuracy of implantable loop recorders for detecting atrial tachyarrhythmias after atrial fibrillation catheter ablation. International Journal of Arrhythmia, 2020. 21(1): p. 6.
2. Solbiati, M., et al., The diagnostic yield of implantable loop recorders in unexplained syncope: A systematic review and meta-analysis. International Journal of Cardiology, 2017. 231: p. 170-176.
3. Cheng, Y.-J., et al., B-PO04-036 INNOVATIVE ARTIFICIAL INTELLIGENCE APPLICATION REDUCES FALSE PAUSE ALERTS WHILE MAINTAINING PERFECT TRUE PAUSE ALERT SENSITIVITY FOR INSERTABLE CARDIAC MONITORS. Heart Rhythm, 2021. 18(8): p. S293-S294.
4. Radtke, A.P., et al., PO-03-046 ACCELERATING IMPROVEMENTS TO ARRYTHMIA CLASSIFIERS WITH AI-CURATED DATASETS. Heart Rhythm, 2023. 20(5): p. S484.
5. Singh, J., et al., Abstract 18672: Impact of Enhanced Artificial Intelligence on Clinic Burden From False Alerts of Insertable Cardiac Monitors. Circulation, 2023. 148(Suppl_1): p. A18672-A18672.
6. Seiler, A., et al., Clinic Time Required for Remote and In-Person Management of Patients With Cardiac Devices: Time and Motion Workflow Evaluation. JMIR Cardio, 2021. 5(2): p. e27720.
7. Mittal, S., et al., AI Filter Improves Positive Predictive Value of Atrial Fibrillation Detection by an Implantable Loop Recorder. JACC Clin Electrophysiol, 2021. 7(8): p. 965-975.
8. Marmerstein, J., et al., Evaluation of a novel PVC and PAC detection algorithm in an implantable cardiac monitor for longitudinal risk monitoring. Heart Rhythm O2, 2023. 4(9): p. 592-596.
9. Kapur, S., et al., AI/machine learning AF algorithm improves clinical workflow in ICM, in 16th Asia Pacific Heart Rhythm Society Scientific Session in conjunction with CardioRhythm 2023. 2023, Journal of Arrhythmia: Hong Kong. p. 13-268.
10. Dukes, J., et al., Novel PVC detection algorithm in an implantable cardiac monitor for longitudinal risk monitoring. European Heart Journal, 2023. 44(Supplement_2).
11. Iwai, S., et al., Novel automated overread strategy significantly improves clinical workflow in ICM remote monitoring, in 16th Asia Pacific Heart Rhythm Society Scientific Session in conjunction with CardioRhythm 2023. 2023: Hong Kong. p. 13-268.
12. Bisignani, G., et al., Implantable cardiac monitors: artificial intelligence and signal processing reduce remote ECG review workload and preserve arrhythmia detection sensitivity. Front Cardiovasc Med, 2024. 11: p. 1343424.
13. Kamsani, S.H., et al., PO-01-021 ACCURACY OF IMPLANTABLE LOOP RECORDERS: A MULTI-CENTRE, MULTI-DEVICE COMPARISON OF FALSE POSITIVE ALERT BURDEN IN REMOTE TRANSMISSIONS. Heart Rhythm, 2024. 21(5): p. S187.
14. Richards, M., et al., PO-662-03 NOVEL ALGORITHM FOR IMPROVED AF DETECTION IN INSERTABLE CARDIAC MONITORS. Heart Rhythm, 2022. 19(5): p. S289-S290.
15. Rajan, A., et al., PO-647-08 IMPROVING CLINIC WORKFLOW AND DIAGNOSIS FOR THE LUX-DX INSERTABLE CARDIAC MONITOR. Heart Rhythm, 2022. 19(5): p. S235.
16. Nair, D., et al., B-PO04-035 NOVEL PVC BURDEN ALGORITHM FOR INSERTABLE CARDIAC MONITORS DETECTS ALL PVC SEQUENCES. Heart Rhythm, 2021. 18: p. S293.
17. Burke, M.C., et al., PO-05-085 ENHANCED PAUSE ALGORITHM FOR INSERTABLE CARDIAC MONITOR REDUCES CLINICAL REVIEW BURDEN. Heart Rhythm, 2023. 20(5): p. S723.
18. Gala, A.B.E., et al., „Real-world” performance of the Confirm Rx SharpSense AF detection algorithm: UK Confirm Rx study. J Arrhythm, 2024. 40(5): p. 1093-1101.
19. Gopinathannair, R., et al., Effectiveness of SharpSense™ algorithms in reducing bradycardia and pause detection: real-world performance in Confirm Rx™ insertable cardiac monitor. J Interv Card Electrophysiol, 2022. 63(3): p. 661-668.
20. Gopinathannair, R., et al., Novel algorithms improve arrhythmia detection accuracy in insertable cardiac monitors. J Cardiovasc Electrophysiol, 2023. 34(9): p. 1961-1968.
21. Quartieri, F., et al., Artificial intelligence cloud platform improves arrhythmia detection from insertable cardiac monitors to 25 cardiac rhythm patterns through multi-label classification. J Electrocardiol, 2023. 81: p. 4-12.
22. Hindricks, G., et al., Performance of a new leadless implantable cardiac monitor in detecting and quantifying atrial fibrillation: Results of the XPECT trial. Circ Arrhythm Electrophysiol, 2010. 3(2): p. 141-7.
23. Sanders, P., et al., Performance of a new atrial fibrillation detection algorithm in a miniaturized insertable cardiac monitor: Results from the Reveal LINQ Usability Study. Heart Rhythm, 2016. 13(7): p. 1425-30.
24. Nölker, G., et al., Performance of an Implantable Cardiac Monitor to Detect Atrial Fibrillation: Results of the DETECT AF Study. J Cardiovasc Electrophysiol, 2016. 27(12): p. 1403-1410.
25. Piorkowski, C., et al., Clinical evaluation of a small implantable cardiac monitor with a long sensing vector. Pacing Clin Electrophysiol, 2019. 42(7): p. 1038-1046.
26. Assaf, A., et al., Accuracy of atrial fibrillation detection by an insertable cardiac monitor in patients undergoing catheter ablation: Results of the BioVAD study. Ann Noninvasive Electrocardiol, 2022. 27(3): p. e12960.
27. Ip, J., et al., Accuracy of arrhythmia detection in implantable cardiac monitors: A prospective randomized clinical trial comparing Reveal LINQ and Confirm Rx. Pacing Clin Electrophysiol, 2020. 43(11): p. 1344-1350.