Vědci trénují AI, aby diagnostikovali srdeční selhání u venkovských pacientů pomocí low-tech elektrokardiogramů

Znepokojující schopnost modelů umělé inteligence vyškolených na data z demografie Urban, aby vytvořili správné lékařské diagnózy pro venkovské populace, vyvinuli počítačoví vědci z University z West Virginia několik modelů AI, které mohou identifikovat příznaky srdečního selhání u pacientů z Appalachie.

Prashnna Gyawali, odborná asistentka na ministerstvu počítačové vědy a elektrotechniky na WVU Benjamin M. Statler College of Engineering and Mineral Resources, řekl selhání srdce– Chronický, přetrvávající stav, ve kterém srdce nemůže pumpovat dostatek krve, aby vyhovovalo potřebě kyslíku těla – je jedním z nejnaléhavějších národních a globálních zdravotních problémů a ten, který zasáhne venkovské oblasti USA obzvláště tvrdě.

Navzdory nadměrnému dopadu srdečního selhání na venkovské populace jsou modely AI v současné době vyškoleny k diagnostice nemoci pomocí údajů představujících pacienty z městských a příměstských oblastí, jako je Stanford, Kalifornie, uvedl Gyawali.

„Představte si, že Jane Doe, 62letá žena žijící ve venkovské Appalachianské komunitě,“ navrhl. „Má omezený přístup k speciální péči, spoléhá se na malou místní kliniku a její životní styl, strava a zdravotní anamnéza odrážejí realitu jejího prostředí: vysoká fyzická práce, minimální preventivní péče a zvýšená expozice environmentálním rizikovým faktorům, jako je uhelný prach nebo špatná kvalita vzduchu. Jane začíná unavit únavu a dušnost.

„Systém AI, vyškolený především na údajích z městských nemocnic v bohatších, pobřežních oblastech, hodnotí výsledky Janeho laboratoře. Ale protože systém nebyl vyškolen na pacienty, kteří sdílejí Janeův socioekonomický a environmentální kontext, neuznává její stav jako naléhavé nebo abnormální,“ řekl Gyawali. „To je důvod, proč na této práci záleží. Naším cílem je zajistit, aby lidé jako Jane dostávali přesné diagnózy, bez ohledu na to, kde žijí nebo jak se jejich životy liší od národních průměrů.“

Vědci identifikovali modely AI, které byly nejpřesnější při diagnostice srdečního selhání v anonymizovaném vzorku více než 55 000 pacientů, kteří dostávali lékařskou péči v Západní Virginii. Rovněž určili přesné parametry pro poskytnutí modelů AI s daty, která nejvíce vylepšila diagnostická přesnost. Zjištění se objevují v Vědecké zprávyPřírodní portfoliový časopis.

Doktorská studentka Alina Devkota zdůraznila, že vyškolili modely AI, aby pracovaly z výsledků elektrokardiogramu pacientů, spíše než ze hodnot echokardiogramu typické pro údaje o pacientech z městských oblastí.

Elektrokardiogramy se spoléhají na kulaté elektrody přilepené k trupu pacienta a zaznamenávají elektrické signály ze srdce. Podle Devkoty nevyžadují pro provoz specializované vybavení nebo specializované školení, ale stále poskytují cenné poznatky o srdeční funkci.

„Jedním z kritérií pro diagnostiku srdečního selhání je měření„ ejekční frakce “nebo kolik krve je vyčerpána ze srdce s každým rytmem a zlatým standardem pro to je s echokardiografií, která používá, která používá Zvukové vlny K vytvoření obrazů srdce a krve protékající jeho ventily, “řekla.

„Ale echokardiografie je drahá, časově náročná a často nedostupná pro pacienty ve stejných venkovských aplachiánských státech, které mají nejvyšší prevalenci srdečního selhání v celé zemi. Západní Virginie je například v USA na prvním místě za prevalenci srdečního infarktu a Koronární srdeční chorobyMnoho Západních Virginianů však nemá místní přístup k high-tech echokardiogramům. Mají přístup k levným elektrokardiogramům, proto jsme testovali, zda modely AI mohou použít odečty elektrokardiogramu k předpovídání ejekční frakce pacienta. “

Devkota, Gyawali a jejich kolegové trénovali několik modelů AI na záznamech pacientů z 28 nemocnic po celé Západní Virginii. Modely AI používaly buď „hluboké učení“, které se spoléhá na vícevrstvé neuronové sítě nebo „nehlučné učení“, které se spoléhá na jednodušší algoritmy k analýze záznamů pacienta a k vyvození závěrů.

Vědci zjistili hluboké učení Modely, zejména modely nazývané ResNet, se nejlépe správně předpovídaly ejekční frakci pacienta na základě dat z 12-vedoucí elektrokardiogramů, přičemž výsledky naznačují, že větší datový soubor pro trénink by přinesl ještě lepší výsledky. Zjistili také, že poskytnutí modelů AI se specifickými „vodiči“ nebo kombinací dat z různých párů elektrod ovlivnilo, jak přesné byly předpovědi ejekční frakce modelů.

Gyawali řekl, že zatímco modely AI se ještě nepoužívají klinická praxe Vzhledem k obavám o spolehlivost, školení AI k úspěšnému odhadu ejekční zlomek Z elektrokardiogramových signálů by mohly lékařům brzy poskytnout výhodu v ochraně srdečního zdraví pacientů.

„Srdeční selhání dnes postihuje více než šest milionů Američanů a faktory, jako je naše stárnoucí populace, znamenají, že riziko rychle roste – přibližně 1 ze 4 lidí naživu dnes zažije srdeční selhání během jejich života. Prevalence je ve venkovské Appalachii ještě vyšší, takže je důležité, aby lidé zde nadále přehlíželi.“

Mezi další přispěvatele WVU do výzkumu patřili Rukesh Prajapati, asistent postgraduálního výzkumu; Amr El-Wakeel, docent; Donald Adgeroh, profesor a předseda informatiky; a Brijesh Patel, odborný asistent ve WVU Health Sciences School of Medicine.