Επιστήμονες ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης που είναι σε θέση να εντοπίζει με μεγάλη ακρίβεια, ανεπαίσθητες αλλαγές στα ηλεκτροκαρδιογραφήματα και στη συνέχεια να προβλέπει εάν ένας ασθενής παρουσιάζει καρδιακή ανεπάρκεια.

«Δείξαμε ότι οι αλγόριθμοι βαθιάς μάθησης μπορούν να αναγνωρίσουν προβλήματα στην άντληση του αίματος και στις δύο πλευρές της καρδιάς από δεδομένα κυματομορφής ΗΚΓ», δήλωσε ο Μπέντζαμιν Γκλίκσμπεργκ, επίκουρος καθηγητής Γενετικής και Γονιδιωματικών Επιστημών στο Mount Sinai και κύριος συγγραφέας της μελέτης που δημοσιεύθηκε στο «Journal of the American College of Cardiology: Cardiovascular Imaging».

«Συνήθως, η διάγνωση αυτού του είδους των καρδιακών παθήσεων απαιτεί δαπανηρές και χρονοβόρες διαδικασίες. Ελπίζουμε ότι αυτός ο αλγόριθμος θα επιτρέψει την ταχύτερη διάγνωση της καρδιακής ανεπάρκειας».

Η καρδιακή ανεπάρκεια εμφανίζεται όταν η καρδιά αντλεί λιγότερο αίμα από αυτό που χρειάζεται ο οργανισμός. Για χρόνια οι γιατροί βασίζονταν σε μεγάλο βαθμό σε μια τεχνική απεικόνισης που ονομάζεται ηχοκαρδιογράφημα για να εκτιμήσουν αν ένας ασθενής μπορεί να εμφανίζει καρδιακή ανεπάρκεια.

Ωστόσο, οι πρόσφατες ανακαλύψεις στο πεδίο της τεχνητής νοημοσύνης υποδηλώνουν ότι τα ηλεκτροκαρδιογραφήματα θα μπορούσαν να αποτελέσουν μια γρήγορη και άμεσα διαθέσιμη εναλλακτική λύση σε αυτές τις περιπτώσεις. Για παράδειγμα, πολλές μελέτες έχουν δείξει πώς ένας αλγόριθμος μπορεί να ανιχνεύσει αδυναμία στην αριστερή κοιλία της καρδιάς, η οποία διοχετεύει το φρέσκο οξυγονωμένο αίμα προς το υπόλοιπο σώμα. Σε αυτή τη μελέτη, οι ερευνητές περιέγραψαν την ανάπτυξη ενός αλγορίθμου που αξιολογεί όχι μόνο τη δύναμη της αριστερής κοιλίας αλλά και της δεξιάς, η οποία λαμβάνει το αποξυγονωμένο αίμα που εισρέει από το σώμα και το αντλεί στους πνεύμονες.

«Το πρόβλημα είναι ότι δεν υπάρχουν καθιερωμένα διαγνωστικά κριτήρια για αυτές τις αξιολογήσεις και ορισμένες αλλαγές στις ενδείξεις του ΗΚΓ είναι απλώς πολύ λεπτές για να τις εντοπίσει το ανθρώπινο μάτι», δήλωσε ο Γκίρις Ναντκάρνι, αναπληρωτής καθηγητής Ιατρικής στο Mount Sinai και κύριος συγγραφέας της μελέτης.

«Αυτή η μελέτη αποτελεί ένα συναρπαστικό βήμα προς τα εμπρός, στην εύρεση πληροφοριών που κρύβονται μέσα στα δεδομένα του ΗΚΓ, οι οποίες μπορούν να οδηγήσουν σε καλύτερα πρότυπα διαλογής και θεραπείας με τη χρήση μιας σχετικά απλής και ευρέως διαθέσιμης εξέτασης».

Τυπικά, ένα ηλεκτροκαρδιογράφημα περιλαμβάνει μια διαδικασία δύο βημάτων. Οι τεχνικοί τοποθετούν καλώδια σε διάφορα σημεία του θώρακα του ασθενούς και μέσα σε λίγα λεπτά ένα ειδικά σχεδιασμένο, φορητό μηχάνημα εκτυπώνει μια σειρά από τεθλασμένες γραμμές, ή κυματομορφές, που αντιπροσωπεύουν την ηλεκτρική δραστηριότητα της καρδιάς.

Για τη μελέτη αυτή, οι ερευνητές εκπαίδευσαν έναν υπολογιστή να διαβάζει τα ηλεκτροκαρδιογραφήματα των ασθενών μαζί με δεδομένα από ιατρικές εκθέσεις υπερηχοκαρδιογραφημάτων που ελήφθησαν από τους ίδιους ασθενείς. Σε αυτή την περίπτωση, οι εκθέσεις λειτούργησαν ως ένα πρότυπο σύνολο δεδομένων για τον υπολογιστή ώστε να μάθει να συγκρίνει τα δεδομένα του ηλεκτροκαρδιογραφήματος και να μάθει πώς να εντοπίζει πιθανά προβλήματα.

Τα προγράμματα επεξεργασίας φυσικής γλώσσας βοήθησαν τον υπολογιστή να εξάγει δεδομένα από τις εκθέσεις. Παράλληλα, οι επιστήμονες ενσωμάτωσαν ειδικά νευρωνικά δίκτυα ικανά να εντοπίζουν μοτίβα στις εικόνες, ώστε να βοηθήσουν τον αλγόριθμο να μάθει να αναγνωρίζει την ικανότητα άντλησης της καρδιάς.

Στη συνέχεια, ο υπολογιστής διάβασε περισσότερα από 700.000 ηλεκτροκαρδιογραφήματα και εκθέσεις ηχοκαρδιογραφημάτων που ελήφθησαν από 150.000 ασθενείς του Mount Sinai Health System από το 2003 έως το 2020.

Για την εκπαίδευση του υπολογιστή, οι επιστήμονες χρησιμοποίησαν τα δεδομένα από τέσσερα νοσοκομεία, ενώ τα δεδομένα από ένα πέμπτο, χρησιμοποιήθηκαν για να ελεγχθεί η απόδοση του αλγορίθμου σε ένα διαφορετικό πειραματικό περιβάλλον.

«Ένα πιθανό πλεονέκτημα αυτής της μελέτης είναι ότι αφορούσε μια από τις μεγαλύτερες συλλογές ΗΚΓ από έναν από τους πιο διαφορετικούς πληθυσμούς ασθενών στον κόσμο», δήλωσε ο Δρ Ναντκάρνι.

Τα αρχικά αποτελέσματα έδειξαν ότι ο αλγόριθμος ήταν αποτελεσματικός στην πρόβλεψη των ασθενών που είχαν είτε υγιείς είτε πολύ αδύναμες αριστερές κοιλίες. Εδώ η ισχύς ορίστηκε από το κλάσμα εξώθησης της αριστερής κοιλίας, το ποσοστό του αίματος δηλαδή, στον κύριο θάλαμο άντλησης που εξωθείται με κάθε παλμό. Οι υγιείς καρδιές έχουν κλάσμα εξώθησης 50% ή μεγαλύτερο, ενώ οι αδύναμες καρδιές έχουν κλάσμα εξώθησης ίσο ή μικρότερο από 40%.

Ο αλγόριθμος προέβλεψε με ακρίβεια 94%, τους ασθενείς που είχαν υγιές κλάσμα εξώθησης και ήταν 87% ακριβής στην πρόβλεψη εκείνων που είχαν κλάσμα εξώθησης κάτω από 40%.

Ωστόσο, ο αλγόριθμος δεν ήταν εξίσου αποτελεσματικός στην πρόβλεψη των ασθενών που είχαν ελαφρώς εξασθενημένη καρδιά. Σε αυτή την περίπτωση, ο αλγόριθμος εντόπισε τους ασθενείς με κλάσμα εξώθησης μεταξύ 40% και 50%, με ακρίβεια 73%.

Περαιτέρω αποτελέσματα έδειξαν ότι ο αλγόριθμος έμαθε να εντοπίζει και τις αδυναμίες της δεξιάς βαλβίδας από τα ηλεκτροκαρδιογραφήματα. Στη συγκεκριμένη περίπτωση, ο αλγόριθμος εντόπισε τους ασθενείς με αδύναμες δεξιές βαλβίδες, με ακρίβεια 84%.

Οι επιστήμονες δήλωσαν ότι σχεδιάζουν μελλοντικές κλινικές δοκιμές για να δοκιμάσουν την αποτελεσματικότητά του αλγόριθμου σε ένα πιο πραγματικό περιβάλλον.

ΠΗΓΗ: Medicalxpress

www.ertnews.gr