Detection of Long QT Syndrome with Computational Methods

Abstract

Long QT syndrome (LQTS) is a genetic cardiac condition, which can lead to arrhythmias and even a sudden cardiac death if untreated. LQTS can be divided into three different main subtypes (LQT1, LQT2, LQT3) and the prevalence of the condition is around 1:2500 in Finland. LQTS is often recognized from the prolonged corrected QT (QTc) interval of the electrocardiogram (ECG). The condition is diagnosed with Schwartz criteria and confirmed with genetic testing. Along with the QTc analysis, nonlinear heart rate variability (HRV) analysis has also been recently used in the discrimination of LQTS subjects from healthy controls.

In this thesis, LQTS is analyzed using both QTc and HRV analysis. Analysis is performed with different QT correction and HRV methods, including time- and frequency-domain methods and nonlinear methods. The methods are analyzed with two large datasets (healthy controls, congenital LQTS). The discrimination and classification power of the methods are analyzed and the correlation between the methods is examined. In this thesis, the aim is to study if the classification results of LQTS samples are increased if a suitable combination of QTc and HRV methods is used. Furthermore, the aim is to evaluate if HRV analysis should be included, in some extent, to the prevailing diagnostic criteria of LQTS.

Based on the results of this thesis, there are several QTc and HRV methods which can be used to discriminate healthy controls and LQTS subjects. The conventional QTc methods yield excellent results but the healthy QTc interval limit (QTc < 450 ms) in the Schwartz criteria should be reconsidered and studied further. From the HRV methods, especially detrended fluctuation analysis (DFA) yields significant discrimination. As a main result, however, the accuracy, specificity and sensitivity of the classification are the best when a combination of QTc and HRV methods in the classification is used.

The results indicate that from the HRV methods especially DFA supports the diagnosis of LQTS along with the conventionally used QTc analysis. The implementation of DFA to the prevalent Schwartz diagnostic criteria should be considered. Moreover, HRV methods, especially DFA, provide valuable tools in early detection of LQTS and guidance to care if implemented to the increasingly popular smartwatches, smartrings and heart rate monitors.

Pitkä QT -oireyhtymä (eng. long QT syndome) on perinnöllinen sydänsairaus, joka voi aiheuttaa hoitamattomana rytmihäiriöitä ja johtaa jopa äkkikuolemaan. Oireyhtymä voidaan jakaa kolmeen päätyyppiin (LQT1, LQT2 ja LQT3) ja sen esiintyvyys on Suomessa arviolta 1:2500. Pitkä QT -oireyhtymä havaitaan usein elektrokardiogrammin pidentyneestä sykekorjatusta QT-ajasta (QTc-aika). Oireyhtymä diagnosoidaan monipuolisen Schwartzin kriteeristön avulla ja varmistetaan geenitestillä. Myös epälineaarista sykevälivaihteluanalytiikkaa on käytetty oireyhtymän erottamiseen terveestä populaatiosta.

Tässä työssä pitkä QT -oireyhtymää tarkastellaan QT-korjauksen sekä sykevälivaihteluanalytiikan kautta. Työssä tarkastellaan erilaisia sykekorjaavia QT-menetelmiä (QTc-menetelmiä), minkä lisäksi sykevälivaihtelua tutkitaan epälineaarisilla sekä aika- ja taajuustason menetelmillä. Menetelmiä tutkitaan kahdella suurella datasetillä (terve kontrolliryhmä, pitkä QT -oireyhtymä). Menetelmien luokittelutehoa sekä niiden keskinäistä korrelaatiota arvioidaan. Työssä selvitetään, paraneeko oireyhtymän luokittelu QTc- sekä sykevälivaihteluanalytiikkaa yhdistettäessä ja onko sykevälivaihteluanalytiikka potentiaalisesti liitettävissä nykyiseen diagostiikkakriteeristöön.

Työn tulosten perusteella sekä QTc- että sykevälivaihteluanalytiikasta on löydettävissä menetelmiä, joiden avulla erottelua oireyhtymästä kärsivien sekä terveiden henkilöiden välillä voidaan tehdä. Perinteiset QTc-korjausmenetelmät tuottavat hyviä tuloksia luokittelussa, mutta Schwartzin kriteeristöön liitettyjen terveiden QTc-aikojen rajoja (QTc < 450 ms) on syytä tutkia lisää. Sykevälivaihtelumenetelmistä erityisesti trendit poistava fluktuaatioanalyysi tuottaa hyviä luokittelutuloksia. Lopputuloksena on kuitenkin se, että luokittelun herkkyys ja spesifisyys (eng. sensitivity and specificity) sekä tarkkuus (eng. accuracy) tuottavat parhaat tulokset, kun sekä QTc- että sykevälivaihteluanalytiikkaa yhdistetään ja niistä valittujen menetelmien yhteinen luokittelutulos lasketaan.

Tulokset viittaavat siihen, että sykevälivaihtelumenetelmistä erityisesti trendit poistava fluktuaatioanalyysi tuo lisäarvoa pitkä QT -oireyhtymän diagnosoimiseen perinteisesti käytetyn QTc-analytiikan rinnalle. Menetelmän implementointia Schwartzin kriteeristöön tulisi harkita. Lisäksi sykevälivaihteluanalytiikka tarjoaa potentiaalia esidiagnostiikkaan sekä hoitoonohjaukseen, mikäli menetelmät implementoidaan yhä enemmän yleistyviin älykelloihin, -sormuksiin ja sykevöihin.