深層学習／心電図：携帯型心電図記録について行われた、ディープニューラルネットワークを用いる心臓専門医レベルでの不整脈の検出と分類

PC接続型心電計（ECG）記録の解釈は、ECGの臨床ワークフローで重要な役割を担っている。広く利用可能なデジタルECGデータと深層学習のアルゴリズムは、自動化ECG解析の正確度やスケーラビリティーを大幅に改善する好機をもたらす。しかし、さまざまな診断クラスにわたるECG解析のためのエンドツーエンド深層学習手法の包括的な評価は、これまで報告されていない。我々は今回、ディープニューラルネットワーク（DNN）を開発し、単極誘導携帯型ECGモニタリング装置を使用している患者5万3549人からの9万1232の単極誘導ECGを用いて、心拍リズムを12のクラスに分類した。開業している認定心臓専門医から構成される委員会の合意により注釈付けられた独立した試験データセットに対してこのDNNを検証したところ、受信者動作特性曲線（ROC）下面積の値として平均で0.97が達成された。DNNの平均F₁スコア（陽性適中率と感度の調和平均）は0.837で、これは心臓専門医の0.780を上回った。DNNの特異度を心臓専門医によって達成される平均的特異度に固定すると、DNNの感度は全てのクラスの心拍リズムに対して心臓専門医の平均感度を上回った。これらの知見は、エンドツーエンド深層学習手法が単極誘導ECGからの広範囲にわたる明確な不整脈を、心臓専門医と同程度の高い診断能で分類できることを実証している。この手法の分類能力が臨床現場でも確認されれば、PC接続型ECGの解釈の誤診率は低下すると考えられ、また、間違いなくトリアージを行う、つまり最も緊急性の高い病状を最優先とすることにより、専門医が行うECG解釈の効率を改善できる可能性がある。