Niewydolność serca i sztuczna inteligencja: samouczący się algorytm do wykrywania znaków niewidocznych dla EKG
Niewydolność serca i sztuczna inteligencja: specjalny algorytm komputerowy oparty na sztucznej inteligencji (AI) stworzony przez naukowców z Mount Sinai był w stanie nauczyć się identyfikować subtelne zmiany w elektrokardiogramach (znanych również jako EKG lub EKG), aby przewidzieć, czy pacjent cierpi na niewydolność serca
Algorytmy samouczące rozpoznają problemy z niewydolnością serca
„Wykazaliśmy, że algorytmy głębokiego uczenia mogą rozpoznawać problemy z pompowaniem krwi po obu stronach serca na podstawie danych z EKG” – powiedział dr Benjamin S. Glicksberg, adiunkt w dziedzinie genetyki i nauk genomicznych, członek Instytutu Cyfrowego im. Hasso Plattnera. Health at Mount Sinai i starszy autor badania opublikowanego w Journal of the American College of Cardiology: Cardiovascular Imaging.
„Zwykle diagnozowanie tego typu chorób serca wymaga kosztownych i czasochłonnych procedur.
Mamy nadzieję, że ten algorytm umożliwi szybszą diagnozę niewydolności serca.”
Badanie prowadził dr Akhil Vaid, doktor habilitowany, który pracuje zarówno w laboratorium Glicksberg, Girish N. Nadkarni, MD, MPH, CPH, profesor nadzwyczajny medycyny w Icahn School of Medicine w Mount Sinai, szef wydziału Medycyna oparta na danych i cyfrowa (D3M) i starszy autor badania.
Dotykając około 6.2 miliona Amerykanów, niewydolność serca lub zastoinowa niewydolność serca występuje, gdy serce pompuje mniej krwi niż normalnie potrzebuje organizm
Przez lata lekarze w dużym stopniu polegali na technice obrazowania zwanej echokardiogramem, aby ocenić, czy pacjent może cierpieć na niewydolność serca.
Choć pomocne, echokardiogramy mogą być pracochłonnymi procedurami, które są oferowane tylko w wybranych szpitalach.
Jednak ostatnie przełomy w sztucznej inteligencji sugerują, że elektrokardiogramy – powszechnie stosowane elektryczne urządzenie rejestrujące – mogą być w takich przypadkach szybką i łatwo dostępną alternatywą.
Na przykład wiele badań wykazało, że algorytm „głębokiego uczenia się” może wykryć słabość lewej komory serca, która wypycha świeżo natlenioną krew do reszty ciała.
W tym badaniu naukowcy opisali opracowanie algorytmu, który oceniał nie tylko siłę lewej komory, ale także prawej komory, która pobiera odtlenioną krew napływającą z organizmu i pompuje ją do płuc.
„Chociaż jest to atrakcyjne, tradycyjnie stosowanie EKG do diagnozowania niewydolności serca było dla lekarzy wyzwaniem.
Dzieje się tak częściowo dlatego, że nie ma ustalonych kryteriów diagnostycznych dla tych ocen, a niektóre zmiany w odczytach EKG są po prostu zbyt subtelne, aby ludzkie oko mogło je wykryć” – powiedział dr Nadkarni.
„To badanie stanowi ekscytujący krok naprzód w znajdowaniu informacji ukrytych w danych EKG, które mogą prowadzić do lepszych paradygmatów badań przesiewowych i leczenia przy użyciu stosunkowo prostego i szeroko dostępnego testu”.
Zazwyczaj elektrokardiogram obejmuje proces dwuetapowy.
Przewody przewodowe są przyklejane do różnych części klatki piersiowej pacjenta, a w ciągu kilku minut specjalnie zaprojektowana, przenośna maszyna drukuje serię falistych linii lub krzywych, reprezentujących aktywność elektryczną serca.
Maszyny te można znaleźć w większości szpitali i ambulanse w całych Stanach Zjednoczonych i wymagają minimalnego przeszkolenia do działania.
Na potrzeby tego badania naukowcy zaprogramowali komputer do odczytywania elektrokardiogramów pacjentów wraz z danymi uzyskanymi z pisemnych raportów podsumowujących wyniki odpowiednich echokardiogramów pobranych od tych samych pacjentów.
W tej sytuacji pisemne raporty działały jako standardowy zestaw danych, które komputer porównywał z danymi elektrokardiogramu i uczył rozpoznawać słabsze serca.
SPRZĘT EKG? ODWIEDŹ STOISKO ZOLL NA EMERGENCY EXPO
Niewydolność serca: programy do przetwarzania języka naturalnego pomogły komputerowi wyodrębnić dane z pisemnych raportów
W międzyczasie włączono specjalne sieci neuronowe zdolne do wykrywania wzorców na obrazach, aby pomóc algorytmowi nauczyć się rozpoznawać siłę pompowania.
„Chcieliśmy przeforsować stan wiedzy, rozwijając sztuczną inteligencję zdolną do łatwego i niedrogiego zrozumienia całego serca” – powiedział dr Vaid.
Następnie komputer odczytał ponad 700,000 150,000 elektrokardiogramów i raportów echokardiograficznych uzyskanych od 2003 2020 pacjentów z Mount Sinai Health System w latach XNUMX-XNUMX.
Do szkolenia komputera wykorzystano dane z czterech szpitali, natomiast dane z piątego posłużyły do sprawdzenia, jak algorytm będzie działał w innym środowisku eksperymentalnym.
„Potencjalną zaletą tego badania jest to, że obejmowało jedną z największych kolekcji EKG z jednej z najbardziej zróżnicowanych populacji pacjentów na świecie” – powiedział dr Nadkarni.
Wstępne wyniki sugerowały, że algorytm był skuteczny w przewidywaniu, którzy pacjenci będą mieli zdrowe lub bardzo słabe lewe komory.
Tutaj siła została zdefiniowana przez frakcję wyrzutową lewej komory, szacunkową ilość płynu wypompowywaną przez komorę przy każdym uderzeniu, co zaobserwowano na echokardiogramach.
Zdrowe serca mają frakcję wyrzutową równą 50 procent lub większą, podczas gdy słabe serca mają tę samą lub mniejszą niż 40 procent.
Algorytm był dokładny w 94 procentach w przewidywaniu, którzy pacjenci mieli zdrową frakcję wyrzutową i w 87 procentach w przewidywaniu tych, którzy mieli frakcję wyrzutową poniżej 40 procent.
Jednak algorytm nie był tak skuteczny w przewidywaniu, którzy pacjenci mieliby lekko osłabione serca
W tym przypadku program był w 73 procentach dokładny w przewidywaniu pacjentów, których frakcja wyrzutowa wynosiła od 40 do 50 procent.
Dalsze wyniki sugerują, że algorytm nauczył się również wykrywać słabości prawej zastawki na podstawie elektrokardiogramów.
W tym przypadku słabość zdefiniowano za pomocą bardziej opisowych terminów wydobytych z raportów echokardiograficznych.
Tutaj algorytm był w 84 procentach dokładny w przewidywaniu, którzy pacjenci mają słabą prawą zastawkę.
„Nasze wyniki sugerują, że ten algorytm może ostatecznie pomóc lekarzom prawidłowo zdiagnozować niewydolność po obu stronach serca” – powiedział dr Vaid.
Wreszcie dodatkowa analiza sugerowała, że algorytm może być skuteczny w wykrywaniu osłabienia serca u wszystkich pacjentów, niezależnie od rasy i płci.
„Nasze wyniki sugerują, że ten algorytm może być przydatnym narzędziem pomagającym lekarzom w walce z niewydolnością serca cierpiącą na różnych pacjentów” – dodał dr Glicksberg. „Jesteśmy w trakcie starannego projektowania prospektywnych badań, aby przetestować ich skuteczność w bardziej rzeczywistym otoczeniu”.
Badanie to było wspierane przez Narodowe Instytuty Zdrowia (TR001433).
Artykuł
Vaid, A. i wsp., Używanie algorytmów głębokiego uczenia do jednoczesnej identyfikacji dysfunkcji prawej i lewej komory na podstawie elektrokardiogramu, Journal of the American College of Cardiology: Cardiovascular Imaging, 13 października 2021 r., DOI: 10.1016/j.jcmg.2021.08.004 XNUMX.
Czytaj także:
Szmery w sercu: co to jest i kiedy się martwić
Syndrom złamanego serca rośnie: znamy kardiomiopatię takotsubo