@misc{16599,
  keywords = {Machine learning, Heart, ECG, Elektrokardiogram, Dyp l{\ae}ring, Electrocardiogram, Maskinl{\ae}ring, Athletes, Idrettshjerter},
  author = {Bj{\o}rn-Jostein Singstad},
  title = {Sammenligning av kardiologisk og algoritmebasert EKG-tolkning p{\r a} idrettsut{\o}vere: Kan kunstig intelligens forbedre algoritmene?},
  abstract = {Hjertestans er den vanligste {\r a}rsaken til plutselig d{\o}d blant idrettsut{\o}vere. Dette skyldes ofte arvelige hjertesykdommer som blant annet kan oppdages p{\r a} et elektrokardiogram (EKG). I denne studien ble to problemstillinger unders{\o}kt: (1) Om tolkningsalgoritmene i en klinisk anvendt elektrokardiograf er bedre tilpasset EKG fra den generelle befolkning enn idrettsut{\o}vere? (2) Om moderne metoder, som kunstig intelligens (KI), kunne brukes til {\r a} forbedre dagens kliniske anvendte tolkningsalgoritmer slik at de kan bli bedre kalibrert for idrettsut{\o}vere?For {\r a} unders{\o}ke (1) ble det registrert EKG fra 28 idrettsut{\o}vere ved bruk av en moderne elektrokardiograf. EKGene ble tolket av tolkningsalgoritmen i elektrokardiografen, og sammenlignet med en kardiologs tolkning. Tolkningsalgoritmen klassifiserte 46\% av EKGene som normale, 25\% i grenseomr{\r a}det og 29\% som unormale. Kardiologen fulgte retningslinjene fra International Criteria, og klassifiserte 93\% som normale og 7\% i grenseomr{\r a}det. Resultatene viser at tolkningsalgoritmen feilvurderer noen av omr{\r a}dene i EKGet. Dette ga i noen tilfeller alvorlige feilklassifiseringer, som akutt hjerteinfarkt (STEMI).For {\r a} unders{\o}ke (2) ble et stort {\r a}pent datasett av EKGer fra den generelle befolkning tatt i bruk. Ni ulike modeller ble trent, og validert p{\r a} datasettet, deretter ble fire prediksjoner fra de to beste modellene forklart ved bruk av forklarbar KI. Den beste modellen fikk en PhysioNet/CinC Challenge sk{\r a}r = 0,512{\textpm}0,006 og en F1-sk{\r a}r=0,405{\textpm}0,008 ved 10-ganger kryssvalidering. Modellarkitekturene lar seg forklare ved bruk av forklarbar KI. Forklarbarheten er viktig for modellens kliniske relevans. For videre arbeid med disse problemstillingene trengs tilgang til flere EKG fra idrettsut{\o}vere.},
  year = {2021},
  journal = {The University of Oslo},
  number = {1},
  pages = {139},
  month = {02/2021},
  url = {https://www.duo.uio.no/handle/10852/86019},
  doi = {10.5281/zenodo.4445257},
}