Mobile Gesundheitstechnologie zur Erkennung von Vorhofflimmern führt bei einigen Patienten mit bestimmten Herzerkrankungen zu einer hohen Rate falsch positiver Ergebnisse und zu nicht eindeutigen Ergebnissen , berichten Forscher im Canadian Journal of Cardiology
Elektronische Geräte für Herz-Kreislauf-Erkrankungen können die Erkennung von Vorhofflimmern (AF) verbessern, weisen jedoch Einschränkungen auf , einschließlich einer kurzen Batterielebensdauer und fehlender unmittelbarer Rückmeldung.
Können neue Smartphone-Tools, die einen Elektrokardiogrammstreifen (EKG) aufzeichnen und eine automatisierte Diagnose durchführen können, diese Einschränkungen überwinden und eine zeitnahe Diagnose erleichtern?
Die bisher größte Studie im Canadian Journal of Cardiology kommt zu dem Ergebnis, dass die Verwendung dieser Geräte bei Patienten mit abnormalen EKGs eine Herausforderung darstellt. Forscher sagen, dass bessere Algorithmen und maschinelles Lernen dazu beitragen können, dass diese Tools genauere Diagnosen liefern. „Frühere Studien haben die Genauigkeit der Apple Watch für die Diagnose von Vorhofflimmern bei einer begrenzten Anzahl von Patienten mit ähnlichen klinischen Profilen bestätigt“, erklärte der leitende Forscher Marc Strik, MD, PhD, LIRYC-Institut, Universitätskrankenhaus Bordeaux, Bordeaux, Frankreich.
„Wir haben die Genauigkeit der Apple Watch EKG- App bei der Erkennung von Vorhofflimmern (AF) bei Patienten mit einer Vielzahl gleichzeitig bestehender EKG-Anomalien getestet.“ Die Studie umfasste 734 aufeinanderfolgende Krankenhauspatienten. Bei jedem Patienten wurde ein 12-Kanal-EKG durchgeführt, unmittelbar gefolgt von einer 30-sekündigen Aufzeichnung auf der Apple Watch. Die automatisierten Einzelkanal-EKG-AF-Erkennungen der Smartwatch wurden als „keine Anzeichen von Vorhofflimmern“, „Vorhofflimmern“ oder „nicht eindeutige Messwerte“ klassifiziert . ”
Die Smartwatch-Aufzeichnungen wurden einem Elektrophysiologen übergeben, der eine Blindinterpretation durchführte und jeder Kurve die Diagnose „VHF“ , „Fehlen von VHF“ oder „unklare Diagnose“ zuordnete . Ein zweiter verblindeter Elektrophysiologe interpretierte 100 zufällig ausgewählte Kurven, um festzustellen, inwieweit die Beobachter zustimmten.
Bei etwa jedem fünften Patienten gelang es dem Smartwatch-EKG nicht , eine automatische Diagnose zu stellen. Das Risiko eines falsch positiven Ergebnisses bei der automatischen AF-Erkennung war bei Patienten mit vorzeitigen atrialen und ventrikulären Kontraktionen (PAC/PVC), Sinusknotendysfunktion und atrioventrikulärem Block zweiten oder dritten Grades höher.
Bei Patienten mit Vorhofflimmern (VHF) war das Risiko einer falsch-negativen Aufzeichnung (verpasstes VHF) bei Patienten mit ventrikulären Leitungsstörungen (interventrikuläre Leitungsverzögerung) oder Rhythmen, die durch einen implantierten Herzschrittmacher gesteuert werden, höher.
Herzelektrophysiologen hatten ein hohes Maß an Übereinstimmung hinsichtlich der Unterscheidung zwischen Vorhofflimmern und Nicht-Vorhofflimmern.
Die Smartphone-App identifizierte 78 % der Patienten mit Vorhofflimmern und 81 % ohne Vorhofflimmern korrekt. Elektrophysiologen identifizierten 97 % der Patienten mit Vorhofflimmern und 89 % ohne Vorhofflimmern.
Abbildung : Beispiel für falsch positive Elektrokardiogramme (EKG) (bei einem Patienten ohne Vorhofflimmern konnte kein normales EKG diagnostiziert werden), die durch das Auftreten vorzeitiger Komplexe oder Bradykardie verursacht wurden, und falsch negatives EKG (bei einem Patienten mit Vorhofflimmern konnte kein Vorhofflimmern festgestellt werden). durch breite QRS-Komplexe und ventrikuläre Stimulation (Quelle: Canadian Journal of Cardiology) .
Bei Patienten mit ventrikulären Extrasystolen (EVs) war die Wahrscheinlichkeit falsch positiver AF-Diagnosen im Smartwatch-EKG dreimal höher , und die Identifizierung von Patienten mit Vorhoftachykardie (AT) und Vorhofflattern (AFL) war sehr schlecht .
„Diese Beobachtungen sind nicht überraschend, da die automatisierten Erkennungsalgorithmen von Smartwatches ausschließlich auf der Zyklusvariabilität basieren “, bemerkte Dr. Strik und erklärte, dass ventrikuläre Extrasystolen (VEs) kurze und lange Zyklen verursachen, was die Zyklusvariabilität erhöht. „Idealerweise würde ein Algorithmus besser zwischen ventrikulären Extrasystolen (VE) und Vorhofflimmern unterscheiden. Jeder Algorithmus, der auf die Zyklusvariabilitätsanalyse beschränkt ist, weist eine schlechte Erkennungsgenauigkeit auf. „Ansätze des maschinellen Lernens können die Genauigkeit der AF-Erkennung von Smartwatches bei diesen Patienten erhöhen.“
In einem begleitenden Leitartikel stellten Andrés F. Miranda-Arboleda, MD, und Adrian Baranchuk, MD, Abteilung für Kardiologie, Kingston Health Science Center, Kingston, ON, Kanada, fest, dass dies die erste „ reale“ Studie ist, die sich auf das konzentriert Verwendung der Apple Watch als AF-Diagnosetool. „Dies ist von besonderer Bedeutung, da wir dadurch wissen konnten, dass die Leistung der Apple Watch bei der Diagnose von Vorhofflimmern erheblich vom Vorhandensein zugrunde liegender EKG-Anomalien beeinflusst wird. In mancher Hinsicht sind Smartwatch-Algorithmen zur Erkennung von Vorhofflimmern bei Patienten mit Herz-Kreislauf-Erkrankungen immer noch nicht intelligent genug. Aber das könnte bald der Fall sein“, sagten Dr. Miranda-Arboleda und Dr. Baranchuk. „Angesichts des zunehmenden Einsatzes von Smartwatches in der Medizin ist es wichtig zu wissen, welche Erkrankungen und EKG-Anomalien die AF-Erkennung mithilfe der Smartwatch beeinflussen und verändern können, um die Versorgung unserer Patienten zu optimieren“, sagte Dr. Strik. D. „Die AF-Erkennung mit Smartwatches hat ein großes Potenzial, ist jedoch bei Patienten mit vorbestehender Herzerkrankung schwieriger.“
