למרות שהבינה המלאכותית כבר הראתה הבטחה ברפואה קרדיווסקולרית, רוב הכלים הקיימים מנתחים רק סוג אחד של נתונים – כמו אלקטרוקרדיוגרמות או תמונות לב – מגבילים את התועלת הקלינית שלהם. הופעתו של AI רב-מודאלי, הממזג מידע ממקורות מרובים, מאפשרת כעת לאלגוריתמים לחקות את ההנמקה ההוליסטית של קרדיולוגים ולהעביר תובנות מדויקות יותר, ספציפיות למטופל.
הסקירה, בראשות בית החולים המערבי סין באוניברסיטת סצ'ואן ואוניברסיטת קופנהגן, בחנה יותר מ -150 מחקרים אחרונים. המחברים מדגימים כי שילוב של אמצעים משלימים – למשל, אקוקרדיוגרפיה עם טומוגרפיה ממוחשבת, או תהודה מגנטית לבית עם גנומיקה – מגדילה באופן משמעותי את הביצועים האבחוניים. רשת עצבית מבוססת שנאי שמוזגה רדיוגרפים בחזה עם משתנים קליניים זיהתה בו זמנית 25 פתולוגיות קריטיות בקרב חולים בטיפול נמרץ, והשיגה שטח ממוצע מתחת לעקומה (AUC) של 0.77. במחקר אחר, שילוב MRI לבבי עם נתוני אסוציאציה רחבי הגנום חשף לוקוסים גנטיים חדשים המשפיעים על תפקוד שסתום אבי העורקים, ופתחו דלתות לאסטרטגיות מניעה ממוקדות.
מעבר לאבחון, AI רב -מודאלי יכול לשכלל את בחירת הטיפול. מודלים ללימודי מכונה המשלבים הדמיה, תוצאות מעבדה והיסטוריית תרופות חזו בהצלחה אילו חולי כישלון בלב יפיקו תועלת מטיפול בסינכרוניזציה מחדש של הלב, תוך הבחנה בין "מגיבים-על" לבין שאינם מגיבים. גישות דומות זיהו חולים שלא סבירים להרוויח מתיקון שסתום מיטרלי, וחוסכים להם נהלים מיותרים. הסקירה מדווחת גם על "סמני ביו-וידיאו" הנגזרים על ידי AI שהוצאו מאקוקרדיוגרמות שגרתיות החזויות באופן עצמאי את התקדמות היצרות אבי העורקים, ומאפשרת ריבוד סיכון אופורטוניסטי ללא בדיקות נוספות.
ניטור רציף ובית הוא גבול נוסף. אלגוריתמים הממתיזים נתונים מאשכולים לבישים, אפליקציות סמארטפון ורישומי בריאות אלקטרוניים יכולים לאתר הידרדרות מוקדמת ולספק אימון אוטומטי, ולפחית את הדלקות החוזרות של בית החולים. הכותבים מעריכים כי אימוץ נרחב של ה- AI המולטי-מודאלי של ימינו עלול לחתוך את הוצאות הבריאות הקרדיווסקולריות ב -5% -10% תוך חמש שנים באמצעות שיפור יעילות ופחות סיבוכים.
למרות האופטימיות, הסקירה מזהירה כי איכות הנתונים, ההטיה והשקיפות האלגוריתמית נותרים מכשולים גדולים. דגמים שהוכשרו על מערכי נתונים מוטים מתפקדים בצורה לא טובה בקבוצות אתניות או סוציו-אקונומיות מיוצגות תחת ייצוג, ואילו אופי "התיבה השחורה" של הלמידה העמוקה מסבך את האמון הקליני. החוקרים קוראים לאיסוף נתונים סטנדרטיים, פלטפורמות למידה פדרציה וטכניקות הניתנות להסבר- AI כדי להאיץ את התרגום הבטוח לטיפול שגרתי.
