AI επιταχύνει τη διάγνωση μικροαγγειακής δυσλειτουργίας από EKG
Μια επαναστατική εξέλιξη στον τομέα της καρδιολογίας έρχεται από το Πανεπιστήμιο του Μίσιγκαν, όπου ερευνητές ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης που μπορεί να διαγνώσει γρήγορα μια δύσκολη μορφή καρδιοπάθειας, γνωστή ως μικροαγγειακή δυσλειτουργία, μέσα σε λίγα δευτερόλεπτα. Σύμφωνα με πρόσφατη μελέτη, το μοντέλο αυτό είναι ικανό να αναγνωρίζει την κατάσταση χρησιμοποιώντας ένα κοινό ηλεκτροκαρδιογράφημα (EKG).
Ανακαλύψεις που αλλάζουν τα δεδομένα
Οι ερευνητές εκπαίδευσαν το AI μοντέλο να ανιχνεύει τη μικροαγγειακή δυσλειτουργία, μια σύνθετη κατάσταση που παραδοσιακά απαιτεί προηγμένες απεικονιστικές μεθόδους για τη διάγνωση. Το εργαλείο πρόβλεψης που ανέπτυξαν ξεπέρασε κατά πολύ τα προηγούμενα μοντέλα AI σε σχεδόν όλες τις διαγνωστικές διαδικασίες, συμπεριλαμβανομένης της πρόβλεψης της μυοκαρδιακής ροής, που θεωρείται ο «χρυσός κανόνας» για τη διάγνωση της μικροαγγειακής δυσλειτουργίας.
Η σημασία της έρευνας
Τα αποτελέσματα της μελέτης δημοσιεύθηκαν στο NEJM AI, ένα μηνιαίο περιοδικό που ανήκει στην οικογένεια του New England Journal of Medicine. Ο Δρ. Venkatesh L. Murthy, ανώτερος συγγραφέας και αναπληρωτής διευθυντής καρδιολογίας στο U-M Health Frankel Cardiovascular Center, δήλωσε: “Το μοντέλο μας παρέχει τη δυνατότητα στους κλινικούς γιατρούς να αναγνωρίζουν με ακρίβεια μια κατάσταση που είναι γνωστή για την δυσκολία διάγνωσής της, και συχνά παραλείπεται κατά τις επισκέψεις στα επείγοντα.”
Κάθε χρόνο, περίπου 14 εκατομμύρια άνθρωποι επισκέπτονται τα επείγοντα ή τα εξωτερικά ιατρεία λόγω θωρακικού πόνου. Σε αντίθεση με τη στεφανιαία νόσο, που προκαλείται από απόφραξη στις μεγάλες αρτηρίες της καρδιάς, η μικροαγγειακή δυσλειτουργία επηρεάζει τα μικρότερα αγγεία, προκαλώντας επίσης θωρακικό πόνο και αυξάνοντας τον κίνδυνο καρδιακής προσβολής.
Η καινοτομία της εκπαίδευσης του μοντέλου
Η διάγνωση της μικροαγγειακής δυσλειτουργίας απαιτεί προηγμένες μεθόδους, όπως η απεικόνιση μυοκαρδιακής ροής με PET, οι οποίες είναι δαπανηρές και σπάνια προσβάσιμες εκτός από εξειδικευμένα κέντρα. Η ομάδα του Δρ. Murthy αντιμετώπισε αυτό το πρόβλημα μέσω της αυτοεπιτηρούμενης μάθησης (SSL), εκπαιδεύοντας το μοντέλο σε περισσότερους από 800.000 μη επισημασμένους EKG κύκλους και στη συνέχεια βελτιώνοντάς το με μια μικρότερη, επισημασμένη βάση δεδομένων από PET scans.
“Διδάξαμε το μοντέλο να κατανοεί τη «γλώσσα» του ηλεκτρισμού της καρδιάς χωρίς ανθρώπινη επίβλεψη,” πρόσθεσε ο Δρ. Murthy. Το μοντέλο όχι μόνο πέτυχε να προβλέψει τη μικροαγγειακή δυσλειτουργία σε διάφορες βάσεις δεδομένων, αλλά βελτίωσε επίσης την διαγνωστική ακρίβεια σε άλλες πιο κοινές καρδιολογικές καταστάσεις.
Η έρευνα αυτή αναμένεται να έχει σημαντικό αντίκτυπο, καθώς οι ασθενείς που επισκέπτονται τα επείγοντα για θωρακικό πόνο μπορεί να έχουν μικροαγγειακή δυσλειτουργία, αν και οι εξετάσεις τους μπορεί να δείχνουν «καθαρές» αρτηρίες. “Η χρήση του μοντέλου μας μπορεί να προσφέρει μια εύκολη, οικονομικά αποδοτική και μη επεμβατική μέθοδο για την αναγνώριση ασθενών που χρειάζονται προχωρημένες εξετάσεις,” κατέληξε ο Δρ. Sascha N. Goonewardena, συνεργάτης καθηγητής καρδιολογίας στο U-M Medical School.
