Model EKG poháněný AI překonává lékaře při detekci skrytých srdečních chorob

Průlomový model AI může pozorovat tiché strukturální srdeční choroby z jednoduchého EKG, slibuje zachytit nebezpečné podmínky dříve, zefektivnit péči o pacienta a uzavřít diagnostickou mezeru zmeškanou tradičním screeningem.

Studie: Detekce strukturálních srdečních chorob z elektrokardiogramů pomocí AI. Obrázek kredit: DC Studio / Shutterstock

V nedávné studii zveřejněné v časopise PřírodaSkupina vědců zkoumala, zda model elektrokardiogramu umělé inteligence (AI) (EKG) může spolehlivě detekovat rozmanitá strukturální srdeční onemocnění (SHD) v různých nemocnicích a nastavení péče a překonat standardní přezkoumání lékaře. Model, nazvaný Echonext, byl vyvinut jako klasifikátor multitask, který se zabýval kolinearitou mezi různými štítky SHD komponenty.

Pozadí

Každou minutu vstupuje do nemocnice další pacient Spojených států (USA) se symptomy, které mohou maskovat základní SHD. Ošetření SHD již každý rok vypouští národ o více než 100 miliard dolarů. Odhaduje se však, že 6,4% starších dospělých nese klinicky významné choroby chlopní srdeční (VHD), které nebylo nikdy diagnostikováno, kromě již 4,9% již diagnostikovaných, což činí celková prevalence nad 11%.

Brzy echokardiografie zachrání životy, ale ultrazvukové laboratoře, vyškolení čtenáři a cestovní náklady na pacienta zůstávají překážkou a neznechají zaneprázdnění kliničtí uhodnutí, koho skenovat.

Rozsáhlé archivy digitálního EKG a moderní AI nabízejí nízkonákladovou alternativu: Pokud by jedna desetisekundová EKG mohla spolehlivě odhalit tiché onemocnění, mohly by být vzácné zobrazovací zdroje zaměřeny na ty, kteří je potřebují nejvíce.

K určení, zda screening vedený algoritmem zlepšuje přežití a vlastní kapitál, je zapotřebí dalšího výzkumu. Příspěvek navíc pojednává o potenciálních strategiích nasazení pro takové modely, včetně aplikací „Gatekeeper“ a „Bezpečnostní sítě“, z nichž každá má jedinečné výhody a kompromisy pro klinickou praxi.

O studii

Vyšetřovatelé shromáždili 1 245 273 párových záznamů EKG-echokardiogramu od 230 318 dospělých léčených v letech 2008 až 2022 na osmi nemocnicích Newyork-Presbyterian (NYP), vyhrazují si rozdělení na úrovni pacienta pro školení, ověření a testování.

SHD was labeled when any guideline defined abnormality was present with left ventricular ejection fraction (LVEF) ≤ 45%, left ventricular wall thickness ≥ 1.3 cm, moderate or worse right ventricular dysfunction, pulmonary artery systolic pressure (PASP) ≥ 45 mm Hg, or tricuspid regurgitation jet velocity ≥ 3.2 m/s as an alternative pulmonary Definice hypertenze, mírná nebo horší regurgitace/stenóza jakéhokoli chlopně nebo mírného/velkého perikardiálního výtoku.

Autoři si všimnou, že tyto prahové hodnoty jsou poněkud svévolné, protože různé studie a pokyny mohou používat různé mezní hodnoty.

Konvoluční neuronová síť s názvem Echonext požila surovou 12-vedoucí průběh, spolu se sedmi rutinními parametry EKG a věkovými/pohlavními údaji. Výkon byl poprvé měřen na zadrženém testovacím souboru NYP a poté na externích kohortách od Cedars-Sinai, Montreal Heart Institute a University of California v San Franciscu.

Byla hodnocena zobecnění napříč věkem, pohlavím, rasou, etnicitou a klinickým kontextem. Tiché „stínové“ rozmístění běželo Echonext na 84 875 po sobě jdoucích EKG od pacientů bez předchozí echokardiografie, ukládání skóre, ale neovlivňující péči.

Nakonec pilot s jedním lokalitou, který detekuje strukturální srdeční choroby využívající hluboké učení na elektrokardiografickém tvaru vlny (Discovery), prospektivně pozval dospělé bez nedávného zobrazování, aby podstoupili echokardiografii stratifikovanou skóre rizika předchůdce; Echonext byl analyzován post hoc.

Výsledky studie

Echonext, model EKG poháněného AI, vynikal v retrospektivní analýze. V rámci testovací sady osmi nemocnic NYP detekoval kompozitní SHD s plochou pod provozní charakteristikou přijímače (AUROC) 85,2% a plochou pod křivkou přesnosti-rekaláře (AUPRC) 78,5%. Přesnost zůstala konzistentní napříč akademickými a komunitními kampusy a při výcviku a testovacích místech se nezbavila, což prokázalo zobecnění.

Externí validace v Cedars-Sinai Medical Center, Montreal Heart Institute (MHI) a University of California, San Francisco, přinesly hodnoty Auroc 78 až 80%, navzdory vyšší prevalenci nemocí.

Výkon specifický pro onemocnění: LVEF ≤ 45%dosáhl Auroc 90,4%, zatímco PASP ≥ 45 milimetrů rtuti dosáhl 82,7%. Autoři zdůrazňují, že hodnoty AUPRC pro onemocnění složek jsou vysoce závislé na základní prevalenci onemocnění a neměly by být přímo porovnány napříč podmínkami nebo případy použití.

Studie čtenáře 150 stop porovnávala echonext s třinácti kardiology. Revize intervalů širokého věku, pohlaví, tvaru vlny a EKG lékaři identifikovali SHD správně v 64% případů. Samotná AI dosáhla přesnosti 77% a když bylo prokázáno klinickým lékařům, skóre algoritmického rizika, jejich přesnost se mírně zvýšila na 69%, což zdůraznilo, že model zachytil prognostické vzorce, které byly skryty před odbornými očima. Je důležité si uvědomit, že kardiologové v tomto hodnocení měli přístup pouze k de-identifikovaným EKG a rutinním parametrům, bez jakéhokoli klinického kontextu, což není typické pro standardní klinickou péči.

Abychom odhadli klinickou příležitost v měřítku, tým tiše běžel Echonext na 124 027 EKG zaznamenaných v roce 2023 od 84 875 dospělých, kteří nikdy nepodali echokardiografii. Model označil devět procent stop jako vysoké riziko. Obvyklá péče, přesto však ponechala 45% těchto jedinců bez následného zobrazování, což naznačuje, že odhadovaných 1 998 případů tichého SHD by mohlo být zachyceno, kdyby byla výstraha naživo na základě modelovaných scénářů prevalence a citlivosti uvedených v článku.

Mezi 15 094 pacienty, kteří nakonec obdrželi echokardiografii, si Echonext zachoval přesnost (AUROC 83%; AUPRC 81%) a poskytl pozitivní prediktivní hodnotu 74%, což posiluje jeho spolehlivost v současném pracovním postupu. Článek také poskytuje modelované odhady výkonu při různých scénářích prevalence a prahových hodnotách citlivosti, což podtrhuje praktické důsledky pro skríning celé populace.

Prospektivní důkazy přišly od pilota Discovery, který najal 100 dospělých zobrazovacích naive. Post hoc echonext bodování odhalilo čisté úrovně, přičemž dříve nerozpoznaný SHD byl přítomen u 73% vysoce rizikových účastníků, 28% středně rizikových účastníků a 6% nízkorizikových účastníků; Střední až těžká levicová VHD následovala podobný gradient.

Tyto výsledky ilustrují schopnost modelu třídit vzácné echokardiografické zdroje vůči těm, kteří mají nejpravděpodobnější prospěch, zatímco šetří zbytečné testování jednotlivců s nízkým rizikem. Původní studie použila předchůdce model (Valvenet) ke stratifikaci rizik a náboru účastníků a model Echonext byl pro další analýzu aplikován retrospektivně.

Závěry

Abychom to shrnuli, Echonext ukazuje, že EKG se zvýšenou AI může detekovat SHD spojené s redukcí LVEF, zvýšenou PASP a významným VHD, s AUROC a AUPRC metrikami vyšší než metriky kardiologů. Algoritmus tím, že označuje vysoce rizikové pacienty pro včasnou echokardiografii, slibuje zmenšit diagnostické zpoždění a zatížení SHD v hodnotě miliard dolarů při zachování vlastního kapitálu napříč místy a demografií. Autoři však varují, že screening na bázi AI může také nést potenciální rizika, včetně úzkosti pacienta z falešných pozitiv nebo zkreslení při klinickém přijetí, a zdůrazňují potřebu dalšího studia těchto aspektů.

Veřejné vydání kódu a dat podporuje nezávislou ověření; Velké pragmatické pokusy však musí ověřit, že screening EKG vedený AI skutečně zlepšuje přežití, kvalitu života a zdravotní hodnotu. Autoři zejména vydali velký de-identifikovaný datový soubor a benchmarkový model AI (Columbia Mini-model), aby podporoval další výzkum a umožnil transparentní srovnání budoucích algoritmů.