Przewidywanie niewydolności serca za pomocą sztucznej inteligencji: nowa granica w medycynie

Niewydolność serca to naprawdę groźny przeciwnik. Ta niebezpieczna choroba, charakteryzująca się osłabieniem lub uszkodzeniem mięśnia sercowego, prowadzi do stopniowego gromadzenia się płynu w płucach, nogach, stopach i innych częściach ciała. Przeszliśmy długą drogę od czasów upuszczania krwi i stosowania pijawek – metod leczenia, po które najczęściej sięgali ówcześni chirurdzy-fryzjerzy w Europie. Dzisiaj, dzięki zmianom stylu życia, lekom, a nawet rozrusznikom serca, możemy skuteczniej radzić sobie z niewydolnością serca. Jednak pomimo tych postępów nadal pozostaje ona poważnym problemem zdrowotnym, charakteryzującym się wysokimi wskaźnikami zachorowalności i śmiertelności obserwowanymi na całym świecie.

Przyjrzyjmy się teraz bliżej temu budzącemu grozę problemowi, jakim jest niewydolność serca. Teya Bergamaschi, przedsiębiorcza doktorantka z MIT, rzuca światło na powagę tej sytuacji. Okazuje się, że połowa osób cierpiących na niewydolność serca umiera w ciągu pięciu lat od postawienia diagnozy. Po przyjęciu do szpitala ustalenie rokowań pacjenta ma kluczowe znaczenie dla przeznaczenia odpowiednich zasobów. Znakomity zespół naukowców z MIT, Mass General Brigham i Harvard Medical School poczynił znaczne postępy w tej dziedzinie. Opracowali oni przełomowy model uczenia głębokiego o nazwie PULSE-HF, którego celem jest przewidywanie zmian w funkcjonowaniu serca na podstawie danych EKG.

Dla tych, którzy gubią się w medycznym żargonie, PULSE-HF to skrót od “Przewidywanie zmian funkcji skurczowej lewej komory na podstawie EKG pacjentów z niewydolnością serca”. Model ten, opracowany przez zespół Collina Stultza z MIT, pozwala przewidywać zmiany frakcji wyrzutowej lewej komory (LVEF), która jest kluczowym wskaźnikiem stanu zdrowia serca. Mówiąc prościej, zdrowe serce wypompowuje przy każdym uderzeniu od 50 do 70 procent krwi z lewej komory; każda wartość poniżej tego przedziału stanowi powód do niepokoju.

Właśnie w tym zakresie PULSE-HF wyznacza nowe standardy w dziedzinie opieki kardiologicznej. Zamiast jedynie wykrywać niewydolność serca, przewiduje przyszły spadek frakcji wyrzutowej lewej komory (LVEF). Jeśli model przewidzi znaczny spadek, lekarze mogliby nadać tym pacjentom priorytet w zakresie dalszej opieki, co potencjalnie zmniejszyłoby liczbę wizyt szpitalnych w mniej krytycznych przypadkach. To przełomowe rozwiązanie ma szczególną wartość w regionach o ograniczonym dostępie do kardiologów.

Oczywiście chcielibyśmy wiedzieć, jak dobrze sprawdza się model PULSE-HF. Skuteczność modelu oceniono za pomocą wskaźnika AUROC (area under the receiver operating characteristic curve). Dzięki wynikom mieszczącym się w przedziale od 0,87 do 0,91 model wykazuje wysoką zdolność prognostyczną. Zespół badawczy opracował również wersję modelu PULSE-HF przeznaczoną do EKG jednoodprowadzeniowego; co ciekawe, model ten osiągał wyniki porównywalne z jego bardziej rozbudowaną wersją przeznaczoną do EKG 12-odprowadzeniowego.

Opracowanie systemu PULSE-HF nie było łatwym zadaniem. Gromadzenie i przetwarzanie danych EKG oraz echokardiogramów stanowiło wymagające wyzwanie, a błędy w formatowaniu danych oraz artefakty występujące w rzeczywistych warunkach stanowiły poważne trudności. Zespół pokonał jednak te przeszkody, motywowany świadomością, że jego praca może przynieść ulgę pacjentom.

W najbliższych dniach kolejny etap prac nad PULSE-HF obejmie przetestowanie modelu na prawdziwych pacjentach, co da możliwość dalszej weryfikacji jego skuteczności. Dla zaangażowanych w ten projekt naukowców było to przedsięwzięcie równie wymagające, co satysfakcjonujące, świadczące o szczególnych trudnościach i sukcesach związanych z pracą na styku uczenia maszynowego i opieki zdrowotnej.

Aby jeszcze lepiej zapoznać się z tym intrygującym tematem, zapraszamy do zapoznania się z oryginalnym artykułem prasowym opublikowanym przez MIT tutaj.