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

Heart failure is quite the formidable foe. This menacing condition, characterized by weakened or damaged heart muscles, leads to a gradual build-up of fluid in the lungs, legs, feet, and other areas of the body. We’ve come a long way since the days of bloodletting and leeches – barber surgeons’ go-to treatments in Europe. Today, thanks to lifestyle changes, medications, and even pacemakers, we can manage heart failure more effectively. However, despite these advancements, it still stands as a significant health issue, with high morbidity and mortality rates observed globally.

Now, let’s delve deeper into the intimidating heart failure predicament. Teya Bergamaschi, an enterprising PhD student from MIT, sheds light on the graveness of the situation. Apparently, half of heart failure victims meet their end within five years of diagnosis. Once hospitalized, ascertaining a patient’s prognosis is vital for dedicating appropriate resources. A brilliant team of researchers from MIT, Mass General Brigham, and Harvard Medical School has made strides in this area. They’ve designed a groundbreaking deep learning model called PULSE-HF, aimed to predict shifts in heart functionality based on ECG data.

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.

Here’s where PULSE-HF makes its mark in the realm of heart healthcare. Instead of merely detecting heart failure, it anticipates future decline in LVEF. Should the model predict a significant decrease, medical professionals could prioritize these patients for follow-ups, possibly reducing hospital visits for less critical cases. This total game-changer offering holds particular value in regions with limited access to cardiac specialists.

Of course, we’d want to know how well PULSE-HF performs. The model’s proficiency was evaluated using the area under the receiver operating characteristic curve (AUROC). With scores ranging from 0.87 and 0.91, it flaunts a strong predictive ability. The research team also developed a version of PULSE-HF for single-lead ECGs; remarkably, this performed on par with its more extensive 12-lead counterpart.

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.

In the coming days, PULSE-HF’s journey entails testing the model on actual patients, offering an opportunity to further validate its effectiveness. For the researchers involved, it has been an equally challenging and rewarding endeavor, testifying to the distinct complexities and triumphs of toiling at the crossroads of machine learning and healthcare.

To get an even better grip on this intriguing topic, feel free to go to MIT’s original news article tutaj.