Neues Modell erkennt Arrhythmien mit über 96 % Genauigkeit

Kardiologen nutzen klinische Entscheidungshilfesysteme (CDSS), um Arrhythmien aus EKGs zu erkennen und zu klassifizieren. Die Aufgabe ist jedoch schwierig, weil Arrhythmien unterschiedliche Längen haben und ihr Auftreten unvorhersehbar ist.

Forscher haben ein neues Framework vorgestellt, das lokale und globale Merkmale extrahiert und diese mithilfe von Attention‑Mechanismen fusioniert. Dadurch kann das System Arrhythmien innerhalb einer begrenzten Eingabelänge erkennen und klassifizieren.

In Tests mit der MIT‑BIH‑Arrhythmie‑Datenbank (MITDB) und der MIT‑BIH‑Atrial‑Fibrillation‑Datenbank (AFDB) erzielte das Modell F1‑Scores von 96,45 % bzw. 97,57 % bei der 10‑Klassen‑Erkennung und 82,05 % bzw. 98,31 % bei der 4‑Klassen‑Erkennung. Die Ergebnisse übertrafen die Benchmark‑Modelle signifikant.

Um die Generalisierbarkeit zu prüfen, wurde ein MITDB‑trainiertes Modell auf AFDB und ein Modell, das mit der MIT‑BIH‑malignen ventrikulären Arrhythmie‑Datenbank trainiert wurde, auf MITDB getestet. In beiden Fällen blieb die Leistung über dem Stand‑der‑Kunst.

Das neue Modell kombiniert lokale und globale Informationen effektiv und liefert damit eine hochpräzise, interpretierbare Lösung für die Arrhythmie‑Erkennung – ein wichtiger Schritt zur Verbesserung der klinischen Entscheidungsfindung.