Ένας αλγόριθμος που κατασκευάστηκε για να αξιολογεί τα μοτίβα ουλών στον καρδιακό ιστό των ασθενών μπορεί να προβλέψει τις δυνητικά απειλητικές για τη ζωή αρρυθμίες με μεγαλύτερη ακρίβεια από ό,τι οι γιατροί.
Μια νέα προσέγγιση βασισμένη στην τεχνητή νοημοσύνη μπορεί να προβλέψει εάν και πότε ένας ασθενής θα μπορούσε να πεθάνει από καρδιακή ανακοπή.
Η τεχνολογία, η οποία βασίζεται σε ανεπεξέργαστες εικόνες της άρρωστης καρδιάς των ασθενών και στο ιστορικό των ασθενών, βελτιώνει σημαντικά τις προβλέψεις των γιατρών και αναμένεται να φέρει επανάσταση στη λήψη κλινικών αποφάσεων και να αυξήσει την επιβίωση από αιφνίδιες και θανατηφόρες καρδιακές αρρυθμίες, μια από τις πιο θανατηφόρες και πιο αινιγματικές καταστάσεις της ιατρικής.
Η εργασία, με επικεφαλείς ερευνητές του Πανεπιστημίου Johns Hopkins, παρουσιάζεται λεπτομερώς σήμερα στο Nature Cardiovascular Research.
“Ο αιφνίδιος καρδιακός θάνατος που προκαλείται από αρρυθμία αντιπροσωπεύει έως και το 20% όλων των θανάτων παγκοσμίως και γνωρίζουμε ελάχιστα το γιατί συμβαίνει ή πώς να πούμε ποιος κινδυνεύει”, δήλωσε η επικεφαλής συγγραφέας Natalia Trayanova, καθηγήτρια βιοϊατρικής μηχανικής και ιατρικής.
“Υπάρχουν ασθενείς που μπορεί να διατρέχουν χαμηλό κίνδυνο αιφνίδιου καρδιακού θανάτου και παίρνουν απινιδωτές που μπορεί να μην χρειάζονται και στη συνέχεια υπάρχουν ασθενείς υψηλού κινδύνου που δεν λαμβάνουν τη θεραπεία που χρειάζονται και θα μπορούσαν να πεθάνουν στο άνθος της ζωής τους. Αυτό που μπορεί να κάνει ο αλγόριθμός μας είναι να καθορίσει ποιος κινδυνεύει από καρδιακό θάνατο και πότε θα συμβεί, επιτρέποντας στους γιατρούς να αποφασίσουν τι ακριβώς πρέπει να γίνει”.
Η ομάδα είναι η πρώτη που χρησιμοποιεί νευρωνικά δίκτυα για να δημιουργήσει μια εξατομικευμένη εκτίμηση επιβίωσης για κάθε ασθενή με καρδιακή νόσο. Αυτές οι μετρήσεις κινδύνου παρέχουν με μεγάλη ακρίβεια την πιθανότητα αιφνίδιου καρδιακού θανάτου σε διάστημα 10 ετών και πότε είναι πιο πιθανό να συμβεί.
Η τεχνολογία βαθιάς μάθησης ονομάζεται Survival Study of Cardiac Arrhythmia Risk, ή SSCAR. Η ονομασία παραπέμπει στην ουλοποίηση της καρδιάς που προκαλείται από καρδιακές παθήσεις, η οποία συχνά οδηγεί σε θανατηφόρες αρρυθμίες, και αποτελεί το κλειδί για τις προβλέψεις του αλγορίθμου.
“Αυτό που μπορεί να κάνει ο αλγόριθμός μας είναι να καθορίσει ποιος κινδυνεύει από καρδιακό θάνατο και πότε θα συμβεί, επιτρέποντας στους γιατρούς να αποφασίσουν τι ακριβώς πρέπει να γίνει”. – Natalia Trayanova, καθηγήτρια βιοϊατρικής μηχανικής και ιατρικής
Η ομάδα χρησιμοποίησε καρδιακές εικόνες ενισχυμένες με σκιαγραφικό που απεικονίζουν την κατανομή των ουλών από εκατοντάδες πραγματικούς ασθενείς στο νοσοκομείο Johns Hopkins με καρδιακές ουλές για να εκπαιδεύσει έναν αλγόριθμο για τον εντοπισμό μοτίβων και σχέσεων που δεν είναι ορατές με γυμνό μάτι. Η τρέχουσα ανάλυση κλινικών καρδιακών εικόνων εξάγει μόνο απλά χαρακτηριστικά ουλών όπως ο όγκος και η μάζα, μη αξιοποιώντας στο έπακρο αυτό που αποδεικνύεται σε αυτή την εργασία ότι είναι κρίσιμα δεδομένα.
“Οι εικόνες μεταφέρουν κρίσιμες πληροφορίες στις οποίες οι γιατροί δεν έχουν πρόσβαση”, δήλωσε ο πρώτος συγγραφέας Dan Popescu, πρώην διδακτορικός φοιτητής του Johns Hopkins. “Αυτές οι ουλές μπορεί να κατανέμονται με διαφορετικούς τρόπους και αυτό λέει κάτι για τις πιθανότητες επιβίωσης ενός ασθενούς. Υπάρχουν πληροφορίες που κρύβονται σε αυτό”.
Η ομάδα εκπαίδευσε ένα δεύτερο νευρωνικό δίκτυο για να μάθει από 10 χρόνια τυποποιημένων κλινικών δεδομένων ασθενών, 22 παράγοντες όπως η ηλικία, το βάρος, η φυλή και η χρήση συνταγογραφούμενων φαρμάκων των ασθενών.
Οι προβλέψεις των αλγορίθμων δεν ήταν μόνο σημαντικά ακριβέστερες σε κάθε μέτρο από τους γιατρούς, αλλά επικυρώθηκαν σε δοκιμές με μια ανεξάρτητη ομάδα ασθενών από 60 κέντρα υγείας στις Ηνωμένες Πολιτείες, με διαφορετικό καρδιακό ιστορικό και διαφορετικά δεδομένα απεικόνισης, γεγονός που υποδηλώνει ότι η πλατφόρμα θα μπορούσε να υιοθετηθεί οπουδήποτε.
“Αυτό έχει τη δυνατότητα να διαμορφώσει σημαντικά τη λήψη κλινικών αποφάσεων σχετικά με τον κίνδυνο αρρυθμίας και αποτελεί ένα ουσιαστικό βήμα προς την κατεύθυνση της εισαγωγής της πρόγνωσης της πορείας των ασθενών στην εποχή της τεχνητής νοημοσύνης”, δήλωσε η Trayanova, συνδιευθύντρια της Συμμαχίας για την Καρδιαγγειακή Διαγνωστική και Θεραπευτική Καινοτομία. “Είναι η επιτομή της τάσης συγχώνευσης της τεχνητής νοημοσύνης, της μηχανικής και της ιατρικής ως το μέλλον της υγειονομικής περίθαλψης”.
Η ομάδα εργάζεται τώρα για τη δημιουργία αλγορίθμων για την ανίχνευση άλλων καρδιακών παθήσεων. Σύμφωνα με την Trayanova, η ιδέα της βαθιάς δομημένης μάθησης θα μπορούσε να αναπτυχθεί και για άλλους τομείς της ιατρικής που βασίζονται στην οπτική διάγνωση.
ΠΗΓΗ: Jill Rosen, Johns Hopkins University
ΠΗΓΗ: https://www.sca-aware.org/sca-news/ai-predicts-if-and-when-someone-will-experience-cardiac-arrest
Παναγιώτης Σπανός
Διασώστης – Πλήρωμα Ασθενοφόρου
Πρόεδρος Διασωστών Ρόδου
ΔΙΑΣΩΣΤΗΣ ΡΟΔΟΥ
