Analiza sygnału EKG w celu oceny stężenia troponiny i rozpoznawania uszkodzenia mięśnia sercowego

Aktywność fizyczna jest powszechnie uznanym składnikiem zdrowego trybu życia oraz
elementem istotnie zmniejszającym ryzyko wystapienia chorób układu sercowo-naczyniowego.
Długotrwały, intensywny wysiłek wiąże się jednak ze zwiększonym prawdopodobieństwem
poważnych zdarzeń sercowych, które mogą mieć skutki śmiertelne.
Analiza tego zjawiska to jedno z kluczowych zadań projektu NEEDED (ang. the North
Sea Race Endurance Exercise Study). W roku 2014 ponad tysiąc uczestników norweskiego
wyścigu rowerowego Nordsjørittet zostało poddanych gruntownym badaniom, w ramach
których pobierano próbki krwi, mierzono ciśnienie oraz nagrywano sygnały elektrokardiograficzne
(EKG). Ponadto, częsć zawodników udostępniła dane ze swoich zegarków sportowych.
Niniejsza praca dotyczy analizy EKG oraz danych o rytmie serca ze wspomnianych
zegarków. Celem projektu było opracowanie metod pozwalających na oszacowanie poziomu
troponiny sercowej I (biomarkera sercowego) oraz wykrycie choroby niedokrwiennej serca za
pomoc˛a danych z wyżej wymienionych, stosunkowo łatwo dostępnych metod pomiarowych.
Znacząca część pracy została poświęcona metodom pozyskania różnorodnych parametrów
opisujących sygnał EKG w domenie czasu i częstotliwości. Zaproponowano także nowe
wielkości charakteryzujące rytm serca. Zebrane informacje poddano analizie wykorzystującej
uczenie maszynowe. W wykrywaniu uszkodzeń serca zastosowano model drzewa decyzyjnego.
Dla oszacowywania poziomu troponiny zaproponowano dwie metody: model regresyjny oraz
alternatywne rozwiązanie, stworzone na bazie klasyfikacji probabilistycznej.
Wyniki wykazały wysoką swoistość (do 98%) i stosunkowo dobrą czułość wykrywania
choroby niedokrwiennej serca na podstawie EKG i rytmu serca. W kwestii wyznaczania
poziomu troponiny model regresyjny nie przyniósł pożądanych efektów. Ocena skuteczności
alternatywnego rozwiązania wymaga natomiast użycia dodatkowych danych, co jest jednym
z możliwych kierunków dalszej pracy nad projektem.

Physical activity is widely recognised as an essential element of a healthy lifestyle and one
of the primary measures of prevention of cardiovascular disorders. However, prolonged,
strenuous effort is associated with an increased risk of adverse and even fatal cardiac events.
Investigation of this phenomenon is one of the primary purposes of the North Sea Race Endurance
Exercise Study (NEEDED). In 2014, over a thousand participants of Nordsjørittet - a
major cycling competition inNorway -were subjected to thorough examination, including collection
of blood samples, measurements of blood pressure and recording electrocardiograms
(ECG). Additionally, data logged in sports watches of some of the contestants was gathered.
This thesis describes conjoint analysis of ECG and the sports watches data for a subgroup of
the participants. The study had two main objectives: devising methods for estimation of the
level of cardiac troponin I (cardiovascular risk biomarker) and detection of coronary artery
disease based on these relatively easily accessible, noninvasive measurements.
A major part of the project was devoted to definition and extraction of a variety of parameters
characterising the ECG signal in time and frequency domain. New features describing the
heart rate were also proposed. The gathered data was analysed using machine learning
techniques. coronary artery disease detection was realised using a decision tree classification
model. For troponin level assessment, two approaches were proposed: a regression model
and an alternative approach, based on probabilistic classification.
It was demonstrated that the combination of ECG and heart rate can predict coronary artery
disease with high specificity (up to 98%) and relatively good sensitivity. Furthermore, it was
found that prediction of the level of troponin is unlikely to be reliably performed with the
use of regression. Evaluation of the performance of the alternative model requires the use of
additional data, which might be one of directions for future work.