ElectroCardioGuard: Preventing patient misidentification in electrocardiogram databases through neural networks

Abstract

Electrocardiograms (ECGs) are commonly used by cardiologists to detect heart-related pathological conditions. Reliable collections of ECGs are crucial for precise diagnosis. However, in clinical practice, the assignment of captured ECG recordings to incorrect patients can occur inadvertently. In collaboration with a clinical and research facility which recognized this challenge and reached out to us, we present a study that addresses this issue. In this work, we propose a small and efficient neural-network based model for determining whether two ECGs originate from the same patient. Our model demonstrates great generalization capabilities and achieves state-of-the-art performance in gallery-probe patient identification on PTB-XL while utilizing 760x fewer parameters. Furthermore, we present a technique leveraging our model for detection of recording assignment mistakes, showcasing its applicability in a realistic scenario. Finally, we evaluate our model on a newly collected ECG dataset specifically curated for this study, and make it public for the research community.

Elektrokardiogramy (EKG) běžně používají kardiologové k odhalení patologických stavů souvisejících se srdcem. Spolehlivé sběry EKG mají zásadní význam pro přesnou diagnózu. V klinické praxi však může neúmyslně dojít k přiřazení naměřených EKG záznamů nesprávným pacientům. Ve spolupráci s klinickým a výzkumným pracovištěm, které si tento problém uvědomilo a oslovilo nás, předkládáme studii, která se tímto problémem zabývá. V této práci prezentujeme malý a efektivní model založený na neuronových sítích, který se učí zda dva EKG záznamy pocházejí od stejného pacienta. Náš model vykazuje velké zobecňovací schopnosti a a dosahuje nejlepších výsledků v identifikaci pacienta v gallery-probe testu nad PTB-XL při využití 760x méně parametrů.. Dále představujeme techniku využívající náš model pro detekci chyb při přiřazování záznamů a ukazujeme její použitelnost v reálném scénáři. Nakonec vyhodnocujeme náš model na nově shromážděném souboru dat EKG speciálně vytvořeném pro tuto studii a zveřejňujeme jej pro výzkumnou komunitu.