Uratują pacjentów, bo przewidzą zatrzymanie akcji serca. Nowa metoda wykorzystuje algorytmy i tysiące zdjęć
Nagłe zatrzymanie krążenia odpowiada co roku za niemal 20 proc. wszystkich zgonów na świecie. Szansą na wczesne rozpoznanie zagrożenia może być algorytm, który na podstawie danych pacjenta i rezonansu magnetycznego przewidzi czy - i kiedy - dana osoba może doświadczyć arytmii. Co więcej, zrobi to dokładniej niż lekarz
Zastosowania algorytmów i sztucznej inteligencji wykraczają daleko poza marketing czy tworzenie AI, które prześciga najlepszych graczy Gran Turismo. 7 kwietnia naukowcy z Uniwersytetu Johna Hopkinsa w Baltimore opublikowali na łamach magazynu Nature wyniki eksperymentu, w którym do wczesnej diagnostyki nagłego zatrzymania krążenia wykorzystali sztuczną inteligencję. Technologia ta, oparta na niezmodyfikowanych obrazach chorych serc i historii chorób pacjenta, znacznie poprawia przewidywania lekarzy i - według autorów badania - może zrewolucjonizować badania kliniczne. Ponadto może ona zwiększyć przeżywalność w przypadku nagłych i śmiertelnych zaburzeń rytmu serca - jednego z najbardziej śmiertelnych i najbardziej zagadkowych schorzeń w medycynie.
Stworzyli spersonalizowaną ocenę przeżycia pacjenta.
Naukowcy z Baltimore na potrzeby badania wykorzystali sieci neuronowe do stworzenia spersonalizowanej oceny przeżycia danego pacjenta. Spersonalizowana "karta przeżywalności" bierze pod uwagę nie tylko czynniki takie jak wiek, płeć czy waga, ale także historię choroby oraz historię diagnozowania obrazowego. Wykorzystanie dużej liczby indywidualnych informacji i czynników ryzyka sprawia, że metoda pozwala ocenić z dużą dokładnością potencjalną szansę oraz przypuszczalną datę wystąpienia nagłego zaburzenia krążenia.
Metoda głębokiego uczenia się sztucznej inteligencji opracowana przez zespół amerykańskich naukowców została nazwana Survival Study of Cardiac Arrhythmia Risk (SSCAR). Nazwa nawiązuje do blizny sercowej, która powstaje wskutek śmierci kardiomiocytów podczas zawału serca, a która jednocześnie jest kluczowa dla przewidywań algorytmu.
Zespół wykorzystał obrazy serca - stworzone za pomocą kardiologicznego rezonansu magnetycznego - ze wzmocnieniem kontrastowym, które wizualizują rozmieszczenie blizn. Obrazy pochodzą od setek pacjentów ze szpitala Johns Hopkins Hospital z bliznami na sercu, i zostały wykorzystane do treningu algorytmu, by ten był w stanie wykryć wzorce i powiązania niewidocznych dla lekarzy gołym okiem. Obecnie dostępne metody klinicznej analizy obrazu serca wyodrębniają jedynie proste cechy blizny sercowej, takie jak objętość i masa, w poważnym stopniu nie wykorzystując tego, co w swym badaniu naukowcy z Baltimore wskazali jako dane krytyczne.
Zdjęcia [mięśnia sercowego z kardiologicznego obrazowania rezonansem magnetycznym] zawierają krytyczne informacje, do których lekarze nie mieli dostępu. Blizna sercowa może być rozłożona na różne sposoby i mówi coś o szansie pacjenta na przeżycie. Są w niej ukryte informacje.
Mówi Dan Popescu, były doktorant Uniwersytetu Johna Hopkinsa, jeden z autorów badania
Zespół badaczy nie poprzestał na jednej sieci neuronowej. Naukowcy stworzyli drugą sieć, tym razem trenowaną na "standardowych" pacjentach, niedotkniętych przewlekłymi chorobami i zaburzeniami mięśnia sercowego. Do treningu drugiej sieci wykorzystano dane pacjentów z okresu 10 lat, a pod uwagę brano 22 czyniki takiej jak wiek, waga, rasa czy przyjmowane leki na receptę.
Przewidywania algorytmów były nie tylko znacznie dokładniejsze w każdym pomiarze niż przewidywania dokonane przez lekarzy, ale zostały zweryfikowane w testach z niezależną kohortą pacjentów z 60 ośrodków zdrowia w Stanach Zjednoczonych, z różnymi historiami chorób serca i różnymi danymi obrazowymi, co według badaczy sugeruje, że opracowana przez nich metoda może zostać zastosowana gdziekolwiek.
Jak mówi Natalia Trayanova, profesor inżynierii biomedycznej na Uniwersytecie Johna Hopkinsa, jedna z autorek badania, koncepcja wykorzystania głębokiego uczenia się do diagnostyki może zostać wykorzystana również w innych dziedzinach medycyny, które opierają się na diagnostyce obrazowej.
