AI umožňuje rychlou detekci koronární mikrovaskulární dysfunkce ze standardních EKG

Podle nedávné studie mohou lékaři brzy diagnostikovat nepolapitelnou formu srdečního onemocnění během několika sekund pomocí modelu umělé inteligence vyvinutého na University of Michigan.

Výzkumníci vycvičili model k detekci koronární mikrovaskulární dysfunkce, což je složitý stav, který vyžaduje pokročilé zobrazovací techniky k diagnostice, pomocí běžného elektrokardiogramu.

Jejich predikční nástroj výrazně překonal dřívější modely umělé inteligence v téměř každé diagnostické úloze, včetně predikce rezervy průtoku myokardu, zlatého standardu pro diagnostiku CMVD.

Výsledky jsou zveřejněny v NEJM AIměsíčník od New England Journal of Medicine rodina.

Náš model vytváří pro lékaře způsob, jak přesně identifikovat stav, který je notoricky obtížné diagnostikovat – a který je často vynechán při návštěvách pohotovosti – pomocí 10sekundového EKG proužku.“

Venkatesh L. Murthy, MD, Ph.D., hlavní autor, zástupce vedoucího kardiologie pro translační výzkum a inovace v UM Health Frankel Cardiovascular Center a Melvyn Rubenfire profesor preventivní kardiologie na lékařské fakultě UM

Přibližně 14 milionů lidí navštíví každý rok buď pohotovost, nebo ambulanci kvůli bolesti na hrudi.

Na rozdíl od onemocnění koronárních tepen, ke kterému dochází v důsledku ucpání velkých krevních cév srdce, CMVD postihuje menší cévy.

Způsobuje také bolest na hrudi a zvyšuje riziko srdečního infarktu, ale diagnostika CMVD vyžaduje pokročilé metody, jako je PET zobrazování perfuze myokardu.

Jak funguje model AI

Tyto vysoce hodnotné skeny jsou drahé a jen zřídka dostupné mimo specializovaná centra.

Omezené dostupné skeny představovaly výzvu pro Murthyho a jeho výzkumný tým, když hledali data, na kterých by mohli trénovat svůj model AI.

Tento problém vyřešili samořízeným učením neboli SSL.

Začali předtrénováním modelu hlubokého učení zvaného transformátor vidění na více než 800 000 neoznačených EKG křivkách a doladili jej na menším, označeném datovém souboru PET skenů.

„V podstatě jsme model naučili ‚porozumět‘ elektrické řeči srdce bez lidského dohledu,“ řekl Murthy.

Jakmile se vědci proškolili na základy, naučili model přesně rozkládat pokročilá PET data pomocí 12 různých demografických a klinických predikčních úloh, včetně několika, které nejsou možné pomocí současných modelů EKG-AI.

Model nejenže uspěl v predikci CMVD napříč různými databázemi, ale konzistentně zlepšoval diagnostickou přesnost predikčních úloh pro běžnější srdeční stavy ve srovnání s předchozími nejmodernějšími modely.

Čtyři z diagnostických úloh, které model používá, často zahrnují elektrokardiogramy pořízené během zátěžových testů.

Výsledky však ukázaly pouze minimální nárůst výkonu při použití zátěžových EKG oproti klidovým EKG.

Budoucnost srdeční AI

Několik skupin úspěšně vyvinulo nástroje umělé inteligence pro interpretaci EKG jejich trénováním na velkých databázích EKG.

Tyto modely se však používají pro obecnější úkoly, jako je automatická interpretace srdečního rytmu a detekce systolické dysfunkce levé komory.

Použitím méně dostupných dat „zlatého standardu“ ze skenů PET MPI k trénování svého modelu Murthyho tým věří, že může rozšířit schopnost EKG předpovídat obtížnější mikrovaskulární stav, jako je CMVD.

„Lidé, kteří přijdou na pohotovost kvůli bolesti na hrudi, mohou mít CMVD, ale jejich angiogram se ukáže jako ‚čistý‘,“ řekl spoluautor Sascha N. Goonewardena, MD, docent interního lékařství-kardiologie na lékařské fakultě UM.

„V nemocnicích s omezenými zdroji nebo v nespecializovaných centrech bude použití našeho modelu EKG-AI k predikci rezervy průtoku myokardu a CMVD snadným, nákladově efektivním a neinvazivním způsobem, jak zjistit, kdy by pacient mohl mít prospěch z pokročilého testování na závažný stav.“