מודל AI פורץ דרך יכול לאתר מחלת לב מבנית שקטה מ- ECG פשוט, ומבטיח לתפוס מצבים מסוכנים מוקדם יותר, לייעל טיפול בחולים ולסגור את הפער האבחוני שהוחמצה על ידי סינון מסורתי.
מחקר: איתור מחלות לב מבניות מאלקטרוקרדיוגרמות באמצעות AI. קרדיט תמונה: DC Studio / Shutterstock
במחקר שפורסם לאחרונה בכתב העת טֶבַעקבוצה של חוקרים בדקה האם מודל אלקטרוקרדיוגרמה של בינה מלאכותית (AI) (ECG) יכול לאתר באופן אמין מחלות לב מבניות מגוונות (SHD) על פני בתי חולים ומגדרות טיפול שונות, תוך ביצועים טובים יותר מבדיקת רופאים סטנדרטיים. המודל, שנקרא Echonext, פותח כמסווג רב -משימות לטיפול בקולניאריות בין תוויות רכיבי SHD שונות.
רֶקַע
בכל רגע, חולה אחרת של ארצות הברית (ארה"ב) נכנסת לבית החולים עם תסמינים העלולים להסוות את ה- SHD הבסיסי. טיפול ב- SHD כבר מנקז את המדינה של יותר ממאה מיליארד דולר בכל שנה. עם זאת, כ- 6.4% מהמבוגרים המבוגרים נושאים מחלות לב שסתום מובהקות קלינית (VHD) שמעולם לא אובחנה, בנוסף ל -4.9% שאובחנו כבר, מה שהופך את השכיחות הכוללת ל -11%.
אקוקרדיוגרפיה מוקדמת מצילה חיים, אך מעבדות אולטרסאונד, קוראים מאומנים ועלויות נסיעות מטופלים נותרות חסמים, ומותירות קלינאים עסוקים מנחשים את מי לסרוק.
ארכיון א.ק.ג דיגיטלי בקנה מידה גדול ו- AI מודרני מציעים אלטרנטיבה בעלות נמוכה: אם א.ק.ג אחד של עשר שניות יכול היה לחשוף באופן אמין מחלה אילמת, ניתן להפנות משאבי הדמיה נדירים למי שזקוק להם ביותר.
יש צורך במחקר נוסף כדי לקבוע אם סינון מונחה אלגוריתם משפר את ההישרדות וההון. בנוסף, העיתון דן באסטרטגיות פריסה פוטנציאליות עבור מודלים כאלה, כולל יישומי "שומר סף" וגם "רשת בטיחות", שלכל אחד מהם יתרונות ייחודיים ופיצויים לתרגול קליני.
על המחקר
החוקרים הרכיבו 1,245,273 רשומות ACG-ECOCECODIOGRAM משויכות מ -230,318 מבוגרים שטופלו בין 2008 ל 2022 בשמונה בתי חולים של Newyork-Presbyterian (NYP), שמורים פיצולים ברמת המטופלים לצורך אימונים, אימות ובדיקה.
SHD תויג כאשר כל הנחיות שהוגדרו חריגות הייתה קיימת עם חלקיקי פליטה של חדר שמאל (LVEF) ≤ 45%, עובי דופן השמאלי של חדר שמאל ≥ 1.3 ס"מ, בינוני או גרוע יותר של תפקוד חדר ימני, לחץ סיסטולי של עורק ריאתי (PASP) ≥ 45 מ"מ HG, או טראקיטציה טראקציפית ≥2 מגרשיות ≥2 מ"ש. הגדרה, ריגורגיטציה/היצרות בינונית או גרועה יותר של שסתום כלשהו, או שפיכה של קרום הלב/גדול.
המחברים מציינים כי ספים אלה הם שרירותיים במקצת, מכיוון שמחקרים והנחיות שונים עשויים להשתמש בקיצוצים משתנים.
רשת עצבית מפותלת בשם Echonext נטלה את צורת הגל הגולמית 12-עופרת, יחד עם שבעה פרמטרים שגרתיים של א.ק.ג. ונתוני גיל/מין. הביצועים נמדדו תחילה במערך מבחן NYP החזקה, ואז על קבוצות חיצוניות של סיזארס-סיני, מכון לב מונטריאול ואוניברסיטת קליפורניה, סן פרנסיסקו.
ההכללה על פני גיל, מין, גזע, אתניות והקשר קליני הוערכה. פריסת "צל" שקטה "ניהלה את Echonext על 84,875 א.ק.ג.
לבסוף, טייס אתר יחיד, המגלה מחלות לב מבניות באמצעות למידה עמוקה על מערך צורת גל אלקטרוקרדיוגרפי (גילוי), הזמין מבוגרים באופן פרוספקטיבי ללא הדמיה אחרונה לעבור אקו לב מרובד על ידי ציון הסיכון של מודל הקודם; Echonext נותח פוסט הוק.
תוצאות המחקר
Echonext, מודל א.ק.ג המופעל על ידי AI, הצטיין בניתוח רטרוספקטיבי. בתוך מערך הבדיקות של שמונה חולים NYP, היא גילתה SHD מורכב עם שטח מתחת למאפיין הפעולה של המקלט (AUROC) של 85.2% ושטח תחת עקומת ההכרה הדיוק (AUPRC) של 78.5%. הדיוק נותר עקבי בכל הקמפוסים האקדמיים והקהילתיים ולא התערער כאשר הוחלפו אתרי אימונים ומבחנים, והפגינו הכללה.
אימות חיצוני במרכז הרפואי סידרס-סיני, מכון הלב של מונטריאול (MHI) ואוניברסיטת קליפורניה, סן פרנסיסקו, הניב ערכי אורוק של 78 עד 80%, למרות שכיחות מחלה גבוהה יותר.
ביצועים ספציפיים למחלות: LVEF ≤ 45%השיגו AUROC 90.4%, ואילו PASP ≥ 45 מילימטרים של כספית הגיעו ל 82.7%. המחברים מדגישים כי ערכי AUPRC למחלות רכיבים תלויים מאוד בשכיחות המחלה הבסיסית ואין להשוות אותם ישירות בין מצבים או מקרי שימוש.
מחקר קורא 150 מעקב השווה את Echonext עם 13 קרדיולוגים. סקירה של גיל רחב, מין, צורת גל ומרווחי א.ק.ג, רופאים זיהו נכון את SHD ב 64% מהמקרים. ה- AI בלבד השיג דיוק של 77%, וכאשר הוכח לקלינאים את ציון הסיכון האלגוריתמי, הדיוק שלהם עלה בצניעות ל 69%, והדגיש כי המודל כבש דפוסים פרוגנוסטיים שהוסתרו מעיניים מומחים. חשוב לציין כי לקרדיולוגים בהערכה זו הייתה גישה רק ל- ECGs המזוהים ולפרמטרים שגרתיים, ללא כל הקשר קליני, שאינו אופייני לטיפול קליני סטנדרטי.
כדי להעריך את ההזדמנות הקלינית בקנה מידה, הצוות ניהל בשקט את Echonext ב- 124,027 א.ק.ג. הדגם סימן תשעה אחוזים מהקצבות כסיכון גבוה. עם זאת, הטיפול הרגיל, השאיר 45% מהאנשים הללו ללא הדמיית מעקב, מה שמרמז כי על פי הערכה של 1,998 מקרים של SHD שקטים היו יורטים אילו התראה הייתה בשידור חי, בהתבסס על תרחישים של שכיחות ורגישות של שכיחות מודלים.
בקרב 15,094 החולים שקיבלו בסופו של דבר אקו לב, ECHONEXT שמרו על דיוק (AUROC 83%; AUPRC 81%) והעבירו ערך חיזוי חיובי של 74%, תוך חיזוק אמינותו בזרימת עבודה עכשווית. העיתון מספק גם אומדני ביצועים מעוצבים בתרחישי שכיחות שונים וספי רגישות, ומדגישים את ההשלכות המעשיות על בדיקת האוכלוסייה.
עדויות פוטנציאליות הגיעו מטייס הגילוי, שגייס 100 מבוגרים תמידי הדמיה. ניקוד Echonext פוסט-הוק חשף שכבות ברורות, כאשר SHD שלא היה מוכר בעבר נמצא אצל 73% מהמשתתפים בסיכון גבוה, 28% מהמשתתפים בסיכון בינוני ו -6% מהמשתתפים בסיכון נמוך; VHD בינוני עד חמור בצד שמאל עקב אחרי שיפוע דומה.
תוצאות אלה ממחישות את יכולתו של המודל לשלוש משאבי אקוקרדיוגרפיה נדירים כלפי אלה שהיו בעלי תועלת, תוך חסכון בבדיקות מיותרות של אנשים בסיכון נמוך. הניסוי המקורי השתמש במודל קודם (Valvenet) כדי לרדת את הסיכון ולגייס משתתפים, ומודל Echonext הוחל בדיעבד על משתתפים אלה לצורך ניתוח נוסף.
מסקנות
לסיכום, Echonext מדגים כי א.ק.ג. משופרת AI יכולה לאתר SHD הקשורה להפחתת LVEF, PASP מוגבה ו- VHD משמעותי, כאשר מדדי AUROC ו- AUPRC עדיפים על אלה של קרדיולוגים. על ידי סימון חולים בסיכון גבוה לצורך אקוקרדיוגרפיה מתוזמנת, האלגוריתם מבטיח לכווץ עיכוב אבחוני ואת הנטל של מיליארד דולר של SHD תוך שמירה על הון עצמי באתרים ודמוגרפיה. עם זאת, המחברים מזהירים כי סינון מבוסס AI עשוי גם לשאת סיכונים פוטנציאליים, כולל חרדת מטופלים מחיוביות או הטיה כוזבות באימוץ קליני, ולהדגיש את הצורך במחקר נוסף על היבטים אלה.
השחרור הציבורי של קוד ונתונים מעודד אימות עצמאי; עם זאת, ניסויים פרגמטיים גדולים חייבים לוודא כי בדיקת ECG מונחה AI משפרת באמת את ההישרדות, איכות החיים ואת ערך הבריאות. ראוי לציין כי המחברים פרסמו מערך נתונים גדול המזהה ומודל AI של מידה (מודל מיני קולומביה) כדי לתמוך במחקר נוסף ולאפשר השוואה שקופה של אלגוריתמים עתידיים.
