Καρδιακή ανεπάρκεια και τεχνητή νοημοσύνη: αλγόριθμος αυτο-εκμάθησης για την ανίχνευση σημείων αόρατων στο ΗΚΓ
Καρδιακή ανεπάρκεια και τεχνητή νοημοσύνη: ένας ειδικός αλγόριθμος υπολογιστών βασισμένος σε τεχνητή νοημοσύνη (AI) που δημιουργήθηκε από ερευνητές του Mount Sinai μπόρεσε να μάθει πώς να εντοπίζει λεπτές αλλαγές στα ηλεκτροκαρδιογραφήματα (γνωστά και ως ΗΚΓ ή ΗΚΓ) για να προβλέψει εάν ένας ασθενής παρουσίαζε καρδιακή ανεπάρκεια
Οι αλγόριθμοι αυτομάθησης αναγνωρίζουν προβλήματα καρδιακής ανεπάρκειας
«Δείξαμε ότι οι αλγόριθμοι βαθιάς εκμάθησης μπορούν να αναγνωρίσουν προβλήματα άντλησης αίματος και στις δύο πλευρές της καρδιάς από δεδομένα κυματομορφής ΗΚΓ», δήλωσε ο Benjamin S. Glicksberg, PhD, Επίκουρος Καθηγητής Γενετικής και Γονιδιωματικής Επιστήμης, μέλος του Ινστιτούτου soηφιακού Hasso Plattner Health at Mount Sinai, και ανώτερος συγγραφέας της μελέτης που δημοσιεύτηκε στο Journal of the American College of Cardiology: Cardiovascular Imaging.
«Συνήθως, η διάγνωση τέτοιων καρδιακών παθήσεων απαιτεί δαπανηρές και χρονοβόρες διαδικασίες.
Ελπίζουμε ότι αυτός ο αλγόριθμος θα επιτρέψει ταχύτερη διάγνωση της καρδιακής ανεπάρκειας ».
Η μελέτη καθοδηγήθηκε από τον Akhil Vaid, MD, έναν μεταδιδακτορικό μελετητή που εργάζεται στο εργαστήριο του Glicksberg, Girish N. Nadkarni, MD, MPH, CPH, Αναπληρωτής Καθηγητής Ιατρικής στην Ιατρική Σχολή Icahn στο Mount Sinai, Chief of the Division of Data-Driven and Digital Medicine (D3M) και ανώτερος συγγραφέας της μελέτης.
Επηρεάζοντας περίπου 6.2 εκατομμύρια Αμερικανούς, καρδιακή ανεπάρκεια ή συμφορητική καρδιακή ανεπάρκεια, συμβαίνει όταν η καρδιά αντλεί λιγότερο αίμα από ό, τι χρειάζεται κανονικά το σώμα
Για χρόνια οι γιατροί βασίζονταν σε μεγάλο βαθμό σε μια τεχνική απεικόνισης που ονομάζεται ηχοκαρδιογράφημα για να εκτιμήσουν εάν ένας ασθενής μπορεί να βιώνει καρδιακή ανεπάρκεια.
Αν και βοηθητικά, τα ηχοκαρδιογραφήματα μπορούν να είναι διαδικασίες έντασης εργασίας που προσφέρονται μόνο σε επιλεγμένα νοσοκομεία.
Ωστόσο, οι πρόσφατες ανακαλύψεις στην τεχνητή νοημοσύνη υποδηλώνουν ότι τα ηλεκτροκαρδιογραφήματα - μια ευρέως χρησιμοποιούμενη ηλεκτρική συσκευή εγγραφής - θα μπορούσαν να είναι μια γρήγορη και άμεσα διαθέσιμη εναλλακτική λύση σε αυτές τις περιπτώσεις.
Για παράδειγμα, πολλές μελέτες έχουν δείξει πώς ένας αλγόριθμος «βαθιάς εκμάθησης» μπορεί να ανιχνεύσει αδυναμία στην αριστερή κοιλία της καρδιάς, η οποία ωθεί φρέσκο οξυγονωμένο αίμα προς το υπόλοιπο σώμα.
Σε αυτή τη μελέτη, οι ερευνητές περιέγραψαν την ανάπτυξη ενός αλγορίθμου που όχι μόνο αξιολόγησε τη δύναμη της αριστερής κοιλίας αλλά και της δεξιάς κοιλίας, η οποία παίρνει αποξυγονωμένο αίμα από το σώμα και το αντλεί στους πνεύμονες.
«Αν και ελκυστικό, παραδοσιακά ήταν δύσκολο για τους γιατρούς να χρησιμοποιούν ΗΚΓ για τη διάγνωση καρδιακής ανεπάρκειας.
Αυτό οφείλεται εν μέρει επειδή δεν υπάρχουν καθιερωμένα διαγνωστικά κριτήρια για αυτές τις εκτιμήσεις και επειδή ορισμένες αλλαγές στις αναγνώσεις του ΗΚΓ είναι απλά πολύ λεπτές για να ανιχνευθούν από το ανθρώπινο μάτι », δήλωσε ο Δρ Nadkarni.
"Αυτή η μελέτη αντιπροσωπεύει ένα συναρπαστικό βήμα προς τα εμπρός για την εύρεση πληροφοριών που κρύβονται στα δεδομένα του ΗΚΓ που μπορούν να οδηγήσουν σε καλύτερα παραδείγματα ελέγχου και θεραπείας χρησιμοποιώντας ένα σχετικά απλό και ευρέως διαθέσιμο τεστ."
Τυπικά, ένα ηλεκτροκαρδιογράφημα περιλαμβάνει μια διαδικασία δύο βημάτων.
Τα καλώδια είναι κολλημένα σε διάφορα σημεία του στήθους του ασθενούς και μέσα σε λίγα λεπτά, ένα ειδικά σχεδιασμένο, φορητό μηχάνημα εκτυπώνει μια σειρά εύθραυστες γραμμές ή κυματομορφές, που αντιπροσωπεύουν την ηλεκτρική δραστηριότητα της καρδιάς.
Αυτά τα μηχανήματα μπορούν να βρεθούν στα περισσότερα νοσοκομεία και ασθενοφόρα σε όλες τις Ηνωμένες Πολιτείες και απαιτούν ελάχιστη εκπαίδευση για να λειτουργήσουν.
Για τη μελέτη αυτή, οι ερευνητές προγραμματίζουν έναν υπολογιστή για να διαβάζει ηλεκτροκαρδιογράφημα ασθενών μαζί με δεδομένα που εξάγονται από γραπτές αναφορές που συνοψίζουν τα αποτελέσματα των αντίστοιχων ηχοκαρδιογραφημάτων που ελήφθησαν από τους ίδιους ασθενείς.
Σε αυτήν την κατάσταση, οι γραπτές αναφορές λειτούργησαν ως ένα τυπικό σύνολο δεδομένων για τον υπολογιστή για σύγκριση με τα δεδομένα του ηλεκτροκαρδιογραφήματος και για να μάθουν πώς να εντοπίζουν ασθενέστερες καρδιές.
ΕΞΟΠΛΙΣΜΟΣ ΗΚΓ; ΕΠΙΣΚΕΦΘΕΙΤΕ ΤΟ ZOOL BOOTH ΣΤΟ EXPOGENCE EXPO
Καρδιακή ανεπάρκεια: τα προγράμματα επεξεργασίας φυσικής γλώσσας βοήθησαν τον υπολογιστή να εξαγάγει δεδομένα από τις γραπτές αναφορές
Εν τω μεταξύ, ενσωματώθηκαν ειδικά νευρωνικά δίκτυα ικανά να ανακαλύψουν μοτίβα σε εικόνες για να βοηθήσουν τον αλγόριθμο να μάθει να αναγνωρίζει τις αντοχές άντλησης.
"Θέλαμε να προωθήσουμε την τελευταία λέξη της τεχνολογίας αναπτύσσοντας τεχνητή νοημοσύνη ικανή να κατανοήσει ολόκληρη την καρδιά εύκολα και φθηνά", δήλωσε ο Δρ Vaid.
Στη συνέχεια, ο υπολογιστής διάβασε περισσότερα από 700,000 ηλεκτροκαρδιογραφήματα και εκθέσεις ηχοκαρδιογραφήματος που ελήφθησαν από 150,000 ασθενείς του Mount Sinai Health System από το 2003 έως το 2020.
Τα δεδομένα από τέσσερα νοσοκομεία χρησιμοποιήθηκαν για την εκπαίδευση του υπολογιστή, ενώ τα δεδομένα από ένα πέμπτο χρησιμοποιήθηκαν για να ελέγξουν πώς θα λειτουργούσε ο αλγόριθμος σε διαφορετικό πειραματικό περιβάλλον.
"Ένα πιθανό πλεονέκτημα αυτής της μελέτης είναι ότι αφορούσε μια από τις μεγαλύτερες συλλογές ΗΚΓ από έναν από τους πιο διαφορετικούς πληθυσμούς ασθενών στον κόσμο", δήλωσε ο Δρ Nadkarni.
Τα αρχικά αποτελέσματα έδειξαν ότι ο αλγόριθμος ήταν αποτελεσματικός στην πρόβλεψη των ασθενών που θα είχαν υγιείς ή πολύ αδύναμες αριστερές κοιλίες.
Εδώ η δύναμη ορίστηκε από το κλάσμα εξώθησης της αριστερής κοιλίας, μια εκτίμηση του πόσο υγρό αντλεί η κοιλία με κάθε παλμό, όπως παρατηρείται στα ηχοκαρδιογραφήματα.
Οι υγιείς καρδιές έχουν κλάσμα εξώθησης 50 τοις εκατό ή μεγαλύτερο, ενώ οι αδύναμες καρδιές έχουν αντίστοιχο ή κάτω από 40 τοις εκατό.
Ο αλγόριθμος ήταν 94 τοις εκατό ακριβής στην πρόβλεψη ποιοι ασθενείς είχαν ένα υγιές κλάσμα εξώθησης και 87 τοις εκατό ακριβής στην πρόβλεψη εκείνων που είχαν ένα κλάσμα εξώθησης κάτω από το 40 τοις εκατό.
Ωστόσο, ο αλγόριθμος δεν ήταν τόσο αποτελεσματικός στην πρόβλεψη των ασθενών που θα είχαν ελαφρώς εξασθενημένη καρδιά
Σε αυτή την περίπτωση, το πρόγραμμα ήταν 73 τοις εκατό ακριβές στην πρόβλεψη των ασθενών που είχαν κλάσμα εξώθησης μεταξύ 40 και 50 τοις εκατό.
Περαιτέρω αποτελέσματα έδειξαν ότι ο αλγόριθμος έμαθε επίσης να ανιχνεύει αδυναμίες δεξιάς βαλβίδας από τα ηλεκτροκαρδιογραφήματα.
Σε αυτή την περίπτωση, η αδυναμία ορίστηκε από περιγραφικότερους όρους που εξήχθησαν από τις αναφορές του ηχοκαρδιογραφήματος.
Εδώ ο αλγόριθμος ήταν 84 τοις εκατό ακριβής στην πρόβλεψη ποιοι ασθενείς είχαν αδύναμες σωστές βαλβίδες.
"Τα αποτελέσματά μας πρότειναν ότι αυτός ο αλγόριθμος μπορεί τελικά να βοηθήσει τους γιατρούς να διαγνώσουν σωστά την αποτυχία εκατέρωθεν της καρδιάς", δήλωσε ο Δρ Vaid.
Τέλος, πρόσθετη ανάλυση πρότεινε ότι ο αλγόριθμος μπορεί να είναι αποτελεσματικός στην ανίχνευση καρδιακής αδυναμίας σε όλους τους ασθενείς, ανεξαρτήτως φυλής και φύλου.
"Τα αποτελέσματά μας υποδηλώνουν ότι αυτός ο αλγόριθμος θα μπορούσε να είναι ένα χρήσιμο εργαλείο για να βοηθήσει τους κλινικούς γιατρούς να καταπολεμήσουν την καρδιακή ανεπάρκεια που υπέστη μια ποικιλία ασθενών", πρόσθεσε ο Δρ Glicksberg. «Βρισκόμαστε στη διαδικασία σχεδιασμού προσεκτικά μελλοντικών δοκιμών για να δοκιμάσουμε την αποτελεσματικότητά του σε ένα πιο πραγματικό περιβάλλον».
Αυτή η μελέτη υποστηρίχθηκε από τα Εθνικά Ινστιτούτα Υγείας (TR001433).
Άρθρο
Vaid, A., et al., Χρησιμοποιώντας αλγόριθμους βαθιάς εκμάθησης για ταυτόχρονο εντοπισμό δυσλειτουργίας δεξιάς και αριστερής κοιλίας από το ηλεκτροκαρδιογράφημα, Journal of the American College of Cardiology: Cardiovascular Imaging, 13 Οκτωβρίου 2021, DOI: 10.1016/j.jcmg.2021.08.004 .XNUMX.
Διαβάστε επίσης:
Φλεγμονές της Καρδιάς: Μυοκαρδίτιδα, Λοιμώδης Ενδοκαρδίτιδα και Περικαρδίτιδα
Μουρμούρες καρδιάς: Τι είναι και πότε πρέπει να ανησυχείτε
Το σύνδρομο Broken Heart βρίσκεται σε άνοδο: Γνωρίζουμε την καρδιομυοπάθεια Takotsubo