Αλγόριθμος Αυτομάθης Μάθησης Μπορεί Να Προβλέψει την Αποτυχία της Καρδιάς

Ένας νέος αλγόριθμος τεχνητής νοημοσύνης (AI) που μπορεί να αναγνωρίσει λεπτές αλλαγές σε ηλεκτροκαρδιογραφήματα (ECGs) μπορεί να προβλέψει όταν ένα άτομο αντιμετωπίζει αποτυχία της καρδιάς. Ο αλγόριθμος αναπτύχθηκε στο Νοσοκομείο Mount Sinai και η έρευνα δημοσιεύθηκε στο Περιοδικό του Αμερικανικού Κολλεγίου Καρδιολογίας: Εικόνα Καρδιακής Ανάπτυξης.

Ο Benjamin S. Glicksberg, PhD, είναι Επίκουρος Καθηγητής Γενετικής και Γενωμικής Επιστήμης, μέλος του Ινστιτούτου Ψηφιακής Υγείας Hasso Plattner στο Mount Sinai και старший συγγραφέας της μελέτης.

“Είδαμε ότι οι αλγόριθμοι βαθιάς μάθησης μπορούν να αναγνωρίσουν προβλήματα παλμού αίματος και στις δύο πλευρές της καρδιάς από δεδομένα ηλεκτροκαρδιογραφήματος,” είπε ο Glicksberg. “Κανονικά, η διάγνωση αυτών των τύπων καρδιακών παθήσεων απαιτεί ακριβές και χρονοβόρο διαδικασίες. Ελπίζουμε ότι αυτός ο αλγόριθμος θα επιτρέψει ταχύτερη διάγνωση της αποτυχίας της καρδιάς.”

Νέες Ευκαιρίες με την Τεχνητή Νοημοσύνη

Οι γιατροί παραδοσιακά χρησιμοποιούν μια ηχοκαρδιογράφημα, μια τεχνική απεικόνισης, για να αξιολογήσουν εάν ένας ασθενής αντιμετωπίζει αποτυχία της καρδιάς. Ωστόσο, αυτές οι διαδικασίες είναι χρονοβόρες και προσφέρονται μόνο σε ορισμένα νοσοκομεία.

Η τεχνητή νοημοσύνη δημιουργεί νέες ευκαιρίες σε αυτό το τομέα, με έρευνες που δείχνουν ότι τα ηλεκτροκαρδιογραφήματα θα μπορούσαν να αποτελέσουν μια αποτελεσματική εναλλακτική λύση. Πρόσφατες έρευνες έχουν δείξει ότι ένας αλγόριθμος βαθιάς μάθησης μπορεί να ανιχνεύσει αδύναμη αριστερή κοιλία. Η νέα έρευνα στο Mount Sinai περιγράφει την ανάπτυξη ενός αλγορίθμου που αξιολογεί τη δύναμη της αριστερής κοιλίας, καθώς και της δεξιάς.

Ο Girish N. Nadkarni, MD, MPH, CPH, είναι Αναπληρωτής Καθηγητής Ιατρικής στη Σχολή Ιατρικής Icahn στο Mount Sinai, Διευθυντής του Τμήματος Δεδομένων και Ψηφιακής Ιατρικής (D4M) και старший συγγραφέας της έρευνας.

“Αν και είναι ελκυστικό, παραδοσιακά ήταν δύσκολο για τους γιατρούς να χρησιμοποιήσουν τα ηλεκτροκαρδιογραφήματα για τη διάγνωση της αποτυχίας της καρδιάς. Αυτό οφείλεται εν μέρει στο ότι δεν υπάρχει καθορισμένα διαγνωστικά κριτήρια για αυτές τις αξιολογήσεις και επειδή ορισμένες αλλαγές στις αναγνώσεις του ηλεκτροκαρδιογραφήματος είναι απλώς πολύ λεπτές για το ανθρώπινο μάτι να τις ανιχνεύσει,” είπε ο Dr. Nadkarni. “Αυτή η μελέτη αντιπροσωπεύει ένα συναρπαστικό βήμα προς τα εμπρός στην ανακάλυψη πληροφοριών που κρύβονται μέσα στα δεδομένα του ηλεκτροκαρδιογραφήματος, τα οποία μπορούν να οδηγήσουν σε καλύτερη διάγνωση και θεραπευτικά παραδείγματα με τη χρήση eines σχετικά απλού και ευρέως διαθέσιμου τεστ.”

Προγραμματισμός και Δοκιμή της Μηχανής

Οι ερευνητές προγραμμάτισαν einen υπολογιστή για να διαβάσει τα ηλεκτροκαρδιογραφήματα των ασθενών και τα δεδομένα που εξαγόταν από γραπτές αναφορές, με τα τελευταία να λειτουργούν ως ένα τυποποιημένο σύνολο δεδομένων για τον υπολογιστή να τα συγκρίνει με τα δεδομένα του ηλεκτροκαρδιογραφήματος. Αυτό του επέτρεψε να αναγνωρίσει πιο αδύναμες καρδιές.

Με προγράμματα επεξεργασίας φυσικής γλώσσας (NLP), ο υπολογιστής μπορούσε να εξαγάγει αυτά τα δεδομένα από τα γραπτά λόγια. Ταυτόχρονα, τα νευρωνικά δίκτυα μπορούσαν να ανακαλύψουν μοτίβα σε εικόνες, τα οποία στη συνέχεια θα μπορούσαν να ενσωματωθούν στον αλγόριθμο για να τον βοηθήσουν να αναγνωρίσει τη δύναμη παλμού.

“Θέλαμε να προωθήσουμε την κατάσταση της τέχνης αναπτύσσοντας μια τεχνητή νοημοσύνη ικανή να κατανοήσει ολόκληρη την καρδιά με ευκολία και οικονομικά,” είπε ο Dr. Vaid.

Η μηχανή ανέλυσε 700.000 ηλεκτροκαρδιογραφήματα και αναφορές ηχοκαρδιογραφήματος, τα οποία προέρχονταν από τέσσερα διαφορετικά νοσοκομεία. Ένα πέμπτο νοσοκομείο χρησιμοποιήθηκε για να δοκιμαστεί πώς ο αλγόριθμος θα εκτελεστούν σε διαφορετικό πειραματικό περιβάλλον.

“Ένα πιθανό πλεονέκτημα αυτής της μελέτης είναι ότι αφορούσε μια από τις μεγαλύτερες συλλογές ηλεκτροκαρδιογραφημάτων από ένα από τα πιο διαφορετικά πληθυσμούς ασθενών στον κόσμο,” είπε ο Dr. Nadkarni.

Ο αλγόριθμος απέδειξε μια αποτελεσματική ικανότητα να προβλέψει ποιους ασθενείς θα είχαν υγιείς ή αδύναμες αριστερές κοιλίες και ήταν 94% ακριβής στην πρόβλεψη των ασθενών που είχαν μια υγιή αναλογία εξώθησης, η οποία είναι το ποσό υγρού που η κοιλία παλμώνει με κάθε παλμό. Ο αλγόριθμος ήταν επίσης 87% ακριβής στην πρόβλεψη εκείνων που είχαν μια αναλογία εξώθησης κάτω από 40%.

Ένας από τους τομείς που vẫn χρειάζονται εργασία αφορά την πρόβλεψη των ασθενών που θα είχαν ελαφρώς αδύναμες καρδιές. Ο αλγόριθμος είχε μόνο einen ποσοστό ακρίβειας 73% στην πρόβλεψη των ασθενών που είχαν μια αναλογία εξώθησης μεταξύ 40 και 50%.

Ο αλγόριθμος μπορούσε επίσης να ανιχνεύσει αδύναμες δεξιές βαλβίδες από τα ηλεκτροκαρδιογραφήματα, με ένα ποσοστό ακρίβειας 84% στην πρόβλεψη των ασθενών που είχαν αδύναμες δεξιές βαλβίδες.

“Τα αποτελέσματά μας δείχνουν ότι αυτός ο αλγόριθμος μπορεί τελικά να βοηθήσει τους γιατρούς να διαγνώσουν σωστά την αποτυχία της καρδιάς σε οποιαδήποτε πλευρά της καρδιάς,” είπε ο Dr. Vaid.

Ένας άλλος σημαντικός σημείο αυτής της έρευνας ήταν ότι δείχνει ότι η τεχνητή νοημοσύνη θα μπορούσε να είναι αποτελεσματική στην ανίχνευση αδύναμης καρδιάς σε όλους τους ασθενείς, ανεξάρτητα από φύλο και φυλή.

“Τα αποτελέσματά μας δείχνουν ότι αυτός ο αλγόριθμος θα μπορούσε να είναι ένα χρήσιμο εργαλείο για τη βοήθεια των κλινικών πρακτικών στην καταπολέμηση της αποτυχίας της καρδιάς που αντιμετωπίζουν διάφοροι ασθενείς,” πρόσθεσε ο Dr. Glicksberg. “Βρισκόμαστε στη διαδικασία της προσεκτικής σχεδίασης προοπτικών δοκιμών για να δοκιμάσουμε την αποτελεσματικότητά του σε ένα πιο πραγματικό περιβάλλον.”