Självlärande algoritm kan förutsäga hjärtsvikt

En ny artificiell intelligens (AI)-baserad datoralgoritm som kan identifiera subtila förändringar i elektrokardiogram (EKG) kan förutsäga när en person upplever hjärtsvikt. Algoritmen utvecklades vid The Mount Sinai Hospital, och forskningen publicerades i Journal of the American College of Cardiology: Cardiovascular Imaging.

Benjamin S. Glicksberg, PhD, är biträdande professor i genetik och genomska genomics, medlem i Hasso Plattner Institute for Digital Health vid Mount Sinai och senior författare till studien.

“Vi visade att deep-learning-algoritmer kan känna igen blodpumpningsproblem på båda sidor av hjärtat från EKG-vågformdata”, sa Glicksberg. “Vanligtvis kräver diagnos av dessa typer av hjärttillstånd dyra och tidskrävande procedurer. Vi hoppas att denna algoritm kommer att möjliggöra snabbare diagnos av hjärtsvikt.”

Nya möjligheter med AI

Läkare har traditionellt använt ekokardiogram, som är en avbildningsteknik, för att bedöma om en patient upplever hjärtsvikt. Men dessa är arbetskrävande och erbjuds endast på vissa sjukhus.

AI skapar nya möjligheter på detta område, med forskning som tyder på att elektrokardiogram kan vara ett effektivt alternativ. Nylig forskning har visat att en deep learning-algoritm kan upptäcka svaghet i hjärtats vänstra kammare. Den nya forskningen från Mount Sinai beskriver utvecklingen av en algoritm som bedömer styrkan i både vänstra och högra kamrarna.

Girish N. Nadkarni, MD, MPH, CPH, är biträdande professor i medicin vid Icahn School of Medicine vid Mount Sinai, chef för avdelningen för Data-Driven och Digital Medicin (D4M) och senior författare till forskningen.

“Även om det är tilltalande, har det traditionellt sett varit utmanande för läkare att använda EKG för att diagnostisera hjärtsvikt. Detta beror delvis på att det inte finns etablerade diagnostiska kriterier för dessa bedömningar och att vissa förändringar i EKG-läsförlopp är för subtila för det mänskliga ögat att upptäcka”, sa Dr. Nadkarni. “Denna studie representerar ett spännande steg framåt i att hitta information som döljs inom EKG-data som kan leda till bättre screenings- och behandlingsparadigm med hjälp av ett relativt enkelt och allmänt tillgängligt test.”

Programmering och testning av maskinen

Forskarna programmerade en dator för att läsa patienternas EKG och data utvunna från skrivna rapporter, med den senare som en standarduppsättning data för datorn att jämföra med EKG-data. Detta möjliggjorde för den att identifiera svagare hjärtan.

Med hjälp av naturlig språkbehandling (NLP) kunde datorn extrahera denna data från de skrivna orden. Samtidigt kunde neuronnät upptäcka mönster i bilder, som kunde införlivas i algoritmen för att hjälpa den att känna igen pumpstyrka.

“Vi ville driva utvecklingen av AI som kan förstå hela hjärtat enkelt och billigt”, sa Dr. Vaid.

Maskinen analyserade 700 000 EKG och ekokardiogramrapporter, som kom från fyra olika sjukhus. Ett femte sjukhus användes för att testa hur algoritmen skulle fungera i en annan experimentell miljö.

“En potentiell fördel med denna studie är att den omfattade en av de största samlingarna av EKG från en av de mest diversifierade patientpopulationerna i världen”, sa Dr. Nadkarni.

Algoritmen visade sig ha en effektiv förmåga att förutsäga vilka patienter som skulle ha friska eller svaga vänstra kamrar, och den var 94 procent exakt vid förutsägelsen av vilka patienter som hade en frisk ejectionfraktion, som är hur mycket vätska kamrarna pumpar ut med varje slag. Algoritmen var också 87 procent exakt vid förutsägelsen av de som hade en ejectionfraktion under 40 procent.

Ett av områdena som fortfarande behöver arbete är förutsägelsen av vilka patienter som skulle ha något försvagade hjärtan. Algoritmen hade endast en noggrannhetsgrad på 73 procent vid förutsägelsen av patienter som hade en ejectionfraktion mellan 40 och 50 procent.

Algoritmen kunde också upptäcka högersidiga ventilklenhet från EKG, med en noggrannhetsgrad på 84 procent vid förutsägelsen av vilka patienter som hade svaga högersidiga ventiler.

“Våra resultat tyder på att denna algoritm kan hjälpa läkare att korrekt diagnostisera hjärtsvikt på båda sidor av hjärtat”, sa Dr. Vaid.

En annan viktig punkt i denna forskning var att den tydde på att AI kunde vara effektivt för att upptäcka hjärtsvaghet hos alla patienter, oavsett ras och kön.

“Våra resultat tyder på att denna algoritm kan vara ett användbart verktyg för att hjälpa kliniska praktiker att bekämpa hjärtsvikt som drabbar en mängd olika patienter”, tillade Dr. Glicksberg. “Vi är i färd med att noggrant utforma prospektiva studier för att testa dess effektivitet i en mer verklig miljö.”