Systematic Analysis of Simulated Atrial Electrograms to Distinguish Scar from Slow Conduction
Inleiding: Het plannen van cardiale ablatie vereist een nauwkeurige identificatie van niet-geleidend weefsel. Huidige methoden, zoals fasekaarten en voltagekaarten, overschatten vaak de omvang van niet-geleidende gebieden en geven slechts een vereenvoudigde weergave van de onderliggende elektrogram (EGM)-signalen. Bovendien kunnen huidige markers structurele remodellering niet betrouwbaar onderscheiden van functionele trage geleiding. Deze thesis onderzoekt of bijkomende, uit EGM afgeleide kenmerken gebruikt kunnen worden om verschillen in de elektrische geleidingssnelheid doorheen hartweefsel te onderscheiden.
Methoden: Simulaties werden uitgevoerd voor vijf verschillende weefselconfiguraties met toenemende complexiteit en afnemende symmetrie. Alle simulaties werden in 2D uitgevoerd met een enkele stimulus en bevatten een centraal obstakel omringd door een raster van EGM-elektroden. Uit elk EGM-signaal werden 11 kenmerken geëxtraheerd, gebaseerd op grootheden die eerder in de literatuur beschreven zijn of vaak gebruikt worden in ECG-analyse. Vervolgens werd PCA toegepast om de lineaire combinaties van kenmerken te identificeren die de grootste variantie in de data verklaren. De belangrijkste principal components werden daarna gebruikt in gesuperviseerde machine learning-benaderingen om de geleidingssnelheid en de afstand tot aangetast weefsel te voorspellen.
Resultaten: De eerste principal component verklaarde 65–70% van de variantie over alle simulatietypes en werd gedomineerd door kenmerken gerelateerd aan signaalsterkte, waaronder de maximale amplitude en de totale signaaloppervlakte. De tweede tot en met de vierde principal components verklaarden samen ongeveer 25% van de variantie en bevatten voornamelijk kenmerken gerelateerd aan piekstructuur, timing en signaalasymmetrie. De waarden van deze principale componenten, in het bijzonder de eerste component, verschilden systematisch tussen simulaties met verschillende geleidingssnelheden. Een logistische regressie classificeerde tussen het wel of niet in aangetast weefsel liggen met een balanced accuracy van 89,3%. Een random forest regressor kon de gemiddelde geleiding voorspellen met een absolute gemiddelde fout (MAE) van 1,2%.
Conclusie: Uit EGM-afgeleide kenmerken, naast fase en maximale spanning, ontstaat onderscheidende informatie over de geleidingseigenschappen van hartweefsel. De laagdimensionale structuur geïdentificeerd door PCA generaliseert over weefselconfiguraties met toenemende complexiteit, en de resulterende kenmerkrepresentaties ondersteunen zowel de classificatie van de afstand van de elektrode tot aangetast weefsel als de voorspelling van de lokale geleidingssnelheid. Deze bevindingen suggereren dat multidimensionale EGM-kenmerkanalyse een geschikter kader biedt om littekenweefsel te onderscheiden van functionele trage-geleidingsgebieden dan geïsoleerde signaalmerkers alleen.
Meer lezen