Įsivaizduokite įprastą širdies kreivę, tas nedideles viršūnes ir duobutes, kurias gydytojai peržiūri kasdien, turinčią paslaptį, kurią gali aptikti tik kompiuterinė sistema. Tai skamba dramatiškai. Tačiau UC Berkeley mokslininkams tas tylus parašas buvo tikras.
Naudodami mašininio mokymosi sistemą, apmokytą daugiau nei 440 000 elektrokardiogramų, surinktų per šešerius metus Švedijos sveikatos sistemoje, komanda nustatė subtilius elektrinius modelius įprastose EKG, susijusius su ženkliai padidėjusia staigios širdies mirties rizika. Tyrimas, publikuotas žurnale Nature, rodo, kad užfiksuoti signalai pažįstamuose medicininiuose tyrimuose gali išryškinti žmones, kurie kitu atveju būtų praleisti.
Modelis išmoko savo dėsnius susiedamas EKG su mirčių įrašais, o tada tikrindamas spėjimus nepriklausomose San Diego ir Taipėjaus duomenų rinkiniuose. Jis aptiko bangų formų niuansus, kurių klinikai paprastai neįvertina kiekybiškai. Ką tiksliai tie signalai reiškia fiziologiškai, išlieka neaišku. Vis dėlto koreliacija yra įspūdinga: dirbtinis intelektas identifikavo pacientų grupę, kuriai maždaug 7 % metinė staigios širdies mirties rizika, palyginti su maždaug 4,6 % žmonių, kuriuos tradiciškai laiko didelės rizikos pagal išstūmimo frakcijos rodiklį.
Kodėl tai svarbu? Šiandien sprendimai dėl implantuojamų kardioverterių-defibriliatorių, mažų prietaisų, galinčių sukelti elektros smūgį ir atkurti širdies ritmą, dažniausiai remiasi tuo, kiek kraujo širdis išstumia per vieną susitraukimą. Tas rodiklis, išstūmimo frakcija, yra naudingas, bet grubus. Daugelis implantuotų prietaisų niekada neįsijungia. Daugelis staigaus širdies sustojimo aukų anksčiau nebuvo intensyviai tikrintos. Jei įprastos EKG gali atskleisti paslėptą pažeidžiamumą, klinikai galėtų pasiekti pacientus, kurie kitaip būtų nepastebėti.
Ziad Obermeyer, šio tyrimo vyriausias autorius ir UC Berkeley docentas, laiko šį darbą ne vien geresniu prognozuotoju. Jis teigia, kad tai gali pakeisti, kaip klinikai vertina riziką, paversdama neaiškius signalus matomais ir pritaikomais prieš įvykstant katastrofai.
Perkelti prognozę į prevenciją yra kitas iššūkis. Komanda bendradarbiauja su sveikatos sistemomis Švedijoje, Taivane ir Jungtinėse Valstijose, kad paleistų algoritmą ligoninių EKG archyvuose. Pacientams, pažymėtiems įrankiu, galėtų būti pasiūlytas nuolatinis nešiojamas stebėjimas, kad būtų užfiksuotas elektrinis audros vaizdas, kuris dažnai išsivysto prieš širdies žlugimą, ir tie duomenys galbūt pagaliau atskleistų modelio mechanizmą.
Tačiau atsargumas yra būtinas: ar naudojant šį DI pagrįstą metodą gydymo krypties nustatymui išties išgelbėja gyvybes, dar turi būti įrodytas prospektyviniuose tyrimuose.
Duomenų surinkimas šiam projektui užtruko beveik dešimtmetį, kas primena, kad geras klinikinis dirbtinis intelektas prasideda nuo didelių, susietų duomenų rinkinių, kurių dažnai sunku gauti. Kol kas pažadas aiškus: pažįstamas testas, iš naujo interpretuotas, gali išplėsti prevencijos tinklą ir suteikti klinikams naują langą į akimirkas prieš kai kurioms širdims sustojant be perspėjimo.
Jei idėja įsitvirtins, įprastos EKG gali kada nors daryti daugiau nei diagnozuoti esamą ligą; jos galėtų šnabždėti įspėjimus apie ateitį, suteikiant pacientams ir gydytojams daugiau laiko imtis veiksmų.
Palikti komentarą
Komentarai
Komentarų dar nėra. Būkite pirmas.