Βελτίωση της ανίχνευσης καρδιοπαθειών με τεχνητή νοημοσύνη
Η χρήση της τεχνητής νοημοσύνης (AI) στην ανάλυση ηλεκτροκαρδιογραμμάτων (ECG) έχει αποδειχθεί ότι ενισχύει την ανίχνευση σοβαρών καρδιοπαθειών, όπως οι καρδιοπάθειες που εμφανίζονται με ασυνήθιστα συμπτώματα ή μη τυπικά πρότυπα ECG. Σύμφωνα με μια μελέτη που δημοσιεύθηκε στο JACC: Cardiovascular Interventions και παρουσιάστηκε ταυτόχρονα στο TCT 2025 στο Σαν Φρανσίσκο, η τεχνολογία αυτή μειώνει τις ψευδώς θετικές διαγνώσεις.
Ο ρόλος του AI στην επείγουσα ιατρική φροντίδα
Η οξεία έμφραξη του μυοκαρδίου με ST-ανύψωση (STEMI) είναι μια σοβαρή κατάσταση όπου μια κύρια στεφανιαία αρτηρία μπλοκάρεται, εμποδίζοντας τη ροή αίματος προς τον καρδιακό μυ. Η γρήγορη αποκατάσταση της ροής του αίματος, ή αναστροφή, μέσω διαδερμικής στεφανιαίας παρέμβασης είναι το πρότυπο φροντίδας. Ωστόσο, οι καθυστερήσεις στην επίτευξη του συνιστώμενου χρόνου αναστροφής παραμένουν, ιδιαίτερα σε νοσοκομεία και κέντρα που δεν ειδικεύονται στην PCI και σε αγροτικές περιοχές. Χρόνοι αναστροφής μεγαλύτεροι από 90 λεπτά σχετίζονται με τριπλάσιες πιθανότητες θνησιμότητας.
Αποτελέσματα της μελέτης και η σημασία της ακριβούς τριάδας
Ο Robert Herman, MD, PhD, κύριος συγγραφέας της μελέτης και ερευνητής καρδιολογίας στο νοσοκομείο AZORG στο Aalst του Βελγίου, δήλωσε: “Η ερμηνεία ECG μέσω AI μπορεί να συνδυάσει τα καλύτερα και των δύο κόσμων – να εντοπίσει νωρίς τις πραγματικές καρδιοπάθειες μειώνοντας ταυτόχρονα τις περιττές ενεργοποιήσεις”. Η βελτίωση της ακρίβειας της τριάδας κατά την πρώτη ιατρική επαφή μπορεί να απλοποιήσει την επείγουσα φροντίδα, να μειώσει την κόπωση και την πίεση στις κλινικές ομάδες, και να εξασφαλίσει ότι οι ασθενείς που χρειάζονται άμεση παρέμβαση την λαμβάνουν χωρίς καθυστέρηση.
Στη μελέτη, οι ερευνητές εξέτασαν αναδρομικά 1,032 ασθενείς με υποψία STEMI που ενεργοποίησαν πρωτόκολλα επείγουσας αναστροφής. Τα δεδομένα προήλθαν από τρία γεωγραφικά διαφοροποιημένα κέντρα PCI μεταξύ Ιανουαρίου 2020 και Μαΐου 2024. Κάθε αρχικό ECG αναλύθηκε από το μοντέλο AI ECG STEMI (Queen of Hearts) που εκπαιδεύτηκε να ανιχνεύει οξεία στεφανιαία απόφραξη. Η αγγειογραφία και οι βιοδείκτες επιβεβαίωσαν ότι 601 (58%) ήταν STEMIs και 431 (42%) ήταν ψευδώς θετικά. Το μοντέλο AI ECG είχε καλύτερα αποτελέσματα από την τυπική τριάδα, ανιχνεύοντας 553 από τους 601 επιβεβαιωμένους STEMIs σε σύγκριση με 427 που ανιχνεύθηκαν από την τυπική τριάδα.
Τα αποτελέσματα αυτά δείχνουν ότι η διάγνωση STEMI με τη βοήθεια του AI κατά την πρώτη ιατρική επαφή έχει τη δυνατότητα να συντομεύσει τον χρόνο θεραπείας και να μειώσει τις ψευδείς ενεργοποιήσεις. Ο Timothy D. Henry, MD, FACC, ανώτερος συγγραφέας της μελέτης, τόνισε τη σημασία αυτής της τεχνολογίας στην βελτιστοποίηση της μεταφοράς των ασθενών STEMI από μη κέντρα PCI για να εξασφαλιστεί η έγκαιρη και κατάλληλη φροντίδα.
Ο Mohamad Alkhouli, MD, MBA, καρδιολόγος στην Mayo Clinic, σημείωσε ότι οι ερευνητές πρέπει να επαινούνται για την ανάπτυξη ενός λειτουργικού μοντέλου AI που στοχεύει να αντιμετωπίσει έναν από τους πιο περίπλοκους και επιρρεπείς σε σφάλματα τομείς της παρέμβασης καρδιολογίας. Ωστόσο, υπογράμμισε ότι το μοντέλο AI που χρησιμοποιήθηκε στη μελέτη πρέπει να ερμηνεύεται με προσοχή, καθώς αρχικά αναπτύχθηκε για να ανιχνεύει αποφραγμένες αρτηρίες και απαιτεί περαιτέρω προοπτική επικύρωση σε ποικιλόμορφους πληθυσμούς ασθενών.
Η πραγματική πρόκληση δεν είναι μόνο η απόδειξη της ακρίβειας, αλλά και η ετοιμότητα για ενσωμάτωση, ρύθμιση και ερμηνεία του AI ως συμπλήρωμα στην ανθρώπινη κρίση, ιδιαίτερα σε κλινικά περιβάλλοντα υψηλού κινδύνου και ευαίσθητου χρόνου.
