ECG-gebaseerde risicostratificatie voor plotselinge hartsterfte.

Plotse hartdood is een van de voornaamste doodsoorzaken wereldwijd, die jaarlijks verantwoordelijk is voor ongeveer 4.5 miljoen sterfgevallen. Aangezien plotse hartdood relatief vaak voorkomt bij jongere mensen, is de socio-economische impact ervan veel groter dan bij andere grote gezondheidsproblemen zoals cerebrovasculaire ziekten. Het is daarom erg belangrijk om op een accurate manier te bepalen welke patiënten risico lopen op het ontwikkelen van gevaarlijke hartritmestoornissen, zodat optimale behandelings- en preventiestrategieën kunnen opgestart worden. Het voorspellen van plotse hartdood is echter geen eenvoudig probleem, en het bepalen van betrouwbare indicatoren is reeds verschillende decennia een zeer actief onderzoeksgebied. Dit onderzoek spitst zich daarom toe op het ontwikkelen van algoritmen om potentiële risicofactoren voor plotse hartdood uit het ECG signaal te extraheren. We maken hierbij gebruik van een combinatie van tensor methoden en machine learning (machinaal leren). 

Tensoren zijn multilineaire veralgemeningen van vectoren en matrices, die gebruikt kunnen worden om alle kanalen van het ECG signaal gelijktijdig te analyseren. Aangezien de verschillende ruimtelijke kanalen een globaal zicht op het hart geven in drie dimensies, ligt het voor de hand om deze gedeelde informatie ten volle uit te buiten door de informatie uit de verschillende kanalen te combineren. Het eerste deel van deze thesis stelt vier tensor-gebaseerde methoden voor om verschillende ECG karakteristieken te detecteren en te analyseren. We tonen aan dat door het aanpassen van de tensorontbinding, we rekening kunnen houden met specifieke signaaleigenschappen zoals veranderingen in hartritme of toenames van het ruisniveau. Dit zorgt ervoor dat de ontwikkelde methoden optimaal gebruikt kunnen worden in levensechte scenario's, wat aangetoond wordt door goede resultaten op diverse klinische datasets. 

Het tweede deel van dit onderzoek is gefocust op QRS fragmentatie (fQRS), een veelbelovende risicofactor voor plotse hartdood. Detectie van fQRS maakt voornamelijk gebruik van visuele inspectie, waarvan aangetoond is dat de resultaten afhankelijk zijn van de ervaring van de beoordelaar. We ontwikkelden daarom een methode om QRS fragmentatie te detecteren en te kwantificeren, gebruik makend van machine learning technieken. Kwantificatie van fQRS is een nieuwe manier om deze biomerker te onderzoeken, en we demonstreren dat deze nieuwe fQRS score nauw aansluit bij de zekerheid over de aanwezigheid van fQRS. Aangezien de voorgestelde fQRS score op een objectieve manier bepaald wordt, zijn de verkrijgde resultaten makkelijk repliceerbaar in andere datasets, en kan op deze manier het klinische nut van deze parameter vergroot worden.

Tenslotte wordt in het laatste deel van dit onderzoek onderzocht in welke mate geavanceerde machine learning methoden toegevoegde waarde kunnen bieden om de overleving van patienten te modelleren. Hierbij tonen we aan dat de ontwikkelde fragmentatie score in combinatie met geavanceerde overlevingsmodellen beter in staat zijn om de overlevingstijd van een patiëntengroep te voorspellen dan standaard gebruikte statistische modellen.