Multi-modal Approach for Classifying ECG-based Ventricular Tachycardia Detections

Abstract

Cardiac arrhythmia alarms detected by electrocardiogram analysis help nurses to identify a critical state of a patient. However, even over 90% of the arrhythmia alarms can be clinically insignificant or false positive alarms. That disrupts patient rest, prolongs staff response times, and can lead further to desensitization of clinical staff, which is a phenomenon called alarm fatigue.

This thesis presents a multi-modal approach for classifying the electrocardiogram-based arrhythmia alarms. This approach aims to improve the focus on clinically critical alarms. Alarms are classified based on the hemodynamic impact on the patient caused by the arrhythmia. The hemodynamic impact can be evaluated from parameters describing the mechanical response of the heart or blood flow. In this approach, a photoplethysmogram, optically measured signal of blood volume variation, and arterial blood pressure were used for the blood flow analysis. The focus was on ventricular tachycardia arrhythmia alarms. The algorithm was mainly developed and tested with datasets of 60 and 24 ventricular tachycardia alarm events, including photoplethysmogram signal and in most cases also arterial blood pressure signal. The hemodynamic impact of the arrhythmia was evaluated by analyzing those signals one pulse at a time, to detect possible changes in perfusion. A perfusion shortage index was developed for evaluating the severity of the perfusion changes, during arrhythmia, to classify the alarms. There were statistically significant differences between the maximum perfusion shortage index values of different annotation groups at the 0.05 significance level. Additionally, there was no significant difference between the maximum perfusion shortage index values from photoplethysmogram and arterial blood pressure signal. The algorithm managed to classify the ventricular tachycardia alarms based on their hemodynamic impact. Focus on clinically significant alarms can be improved by this approach.

Elektrokardiogrammin perusteella havaitut hälytykset sydämen rytmihäiriöistä auttavat sairaanhoitajia havaitsemaan potilaan kriittisen tilan. Kuitenkin jopa 90 % hälytyksistä voi olla kliinisesti merkityksettömiä, tai jopa vääriä hälytyksiä. Jatkuvat turhat hälytykset häiritsevät potilaiden palautumista sekä pidentävät sairaanhoitajienreagointiaikoja. Pahimmillaan ne voivat johtaa sairaanhoitajien aistien turtumiseen, niin kutsuttuun hälytysturtumukseen. Tässä diplomityössä esitellään moniparametrinen algoritmi elektrokardiogrammin perusteella havaittujen rytmihäiriöiden luokitteluun. Sen tarkoituksena on parantaa kliinisesti kriittisten hälytysten havaittavuutta. Hälytykset luokitellaan rytmihäiriön hemodynaamisen vaikutuksen perusteella. Hemodynaamista vaikutusta voidaan arvioida parametreista, jotka kuvastavat sydämen mekaanista toimintaa tai veren virtausta. Tässä toteutuksessa veren virtausta analysoitiin valtimoverenpainesignaalista sekä fotopletysmografia signaalista, jossa mitataan optisesti veritilavuuden vaihtelua. Työssä keskityttiin kammiotakykardiahälytyksiin. Algoritmi kehitettiin ja testattiin pääosin aineistolla, joka jaettiin 60:een kehitys ja 24 testinäytteeseen. Näytteet sisälsivät elektrokardiogrammin perusteella havaitun kammiotakykardian, fotopletysmografiasignaalin, sekä useimmat näytteet myös valtimoverenpainesignaalin. Rytmihäiriön hemodyynamista vaikutusta arvioitiin analysoimalla kyseisiä signaaleja pulssi kerrallaan, jotta havaittaisiin mahdolliset perfuusiomuutokset. Työssä kehitettiin perfuusiovajeindeksi, jolla arviodaan rytmihäiriön aikaisten perfuusiomuutosten vakavuutta. Hälytykset luokiteltiin sen perusteella. Statistisesti merkittäviä eroavaisuuksia havaittiin perfuusiovajeindeksin maksimiarvoissa eri annotaatioryhmien välillä, 0.05 merkitsevyystasolla. Merkittäviä eroavaisuuksia ei havaittu fotopletysmografia- ja valtimoverenpainesignaaleista analysoitujen arvojen välillä.

Algoritmi onnistui luokittelemaan kammiotakykardiahälytykset niiden vakavuudenperusteella. Kliinisesti merkittävimpien hälytysten havaittavuutta voidaan tätenparantaa tällä toteutuksella.