Искусственный интеллект может изучить результаты электрокардиограммы (ЭКГ), обычного медицинского теста, чтобы определить пациентов с повышенным риском развития потенциально опасного нерегулярного сердцебиения (аритмии) или смерти в течение следующего года, согласно двум предварительным исследованиям, которые будут представлены на конференции. Научные сессии Американской кардиологической ассоциации 2019 — 16-18 ноября, Филадельфия.
Исследователи использовали более 2 миллионов результатов ЭКГ из более чем трех десятилетий архивных медицинских записей в системе здравоохранения Geisinger в Пенсильвании / Нью-Джерси для обучения глубоких нейронных сетей – продвинутых, многоуровневых вычислительных структур. Ученые отметили, что оба исследования одной и той же группы исследователей являются одними из первых, кто использует искусственный интеллект для прогнозирования будущих событий по ЭКГ, а не для выявления текущих проблем со здоровьем.
"Это воодушевляет и дает больше доказательств того, что мы находимся на пороге революции в медицине, когда компьютеры будут работать вместе с врачами над улучшением ухода за пациентами," сказал Брэндон Форнуолт, M.D., Ph.D., старший автор исследований и доцент и заведующий кафедрой визуализации и инноваций в компании Geisinger в Данвилле, штат Пенсильвания.
Глубокая нейронная сеть для прогнозирования случаев фибрилляции предсердий непосредственно по записям электрокардиограммы в 12 отведениях (стендовая презентация MDP106)
Исследователи предположили, что модель глубокого обучения может предсказать нерегулярные сердечные ритмы, известные как фибрилляция предсердий (ФП), до того, как они разовьются. Фибрилляция предсердий связана с более высоким риском инсульта и сердечного приступа. Сосредоточение на 1.1 миллион ЭКГ, которые не указали на наличие ФП у более чем 237000 пациентов, исследователи использовали узкоспециализированное вычислительное оборудование для обучения глубокой нейронной сети для анализа 15 сегментов данных – 30 000 точек данных – для каждой ЭКГ.
Исследователи обнаружили, что среди 1% пациентов с высоким риском, согласно прогнозу нейронной сети, у 1 из каждых 3 человек была диагностирована ФП в течение года. Прогнозы модели также продемонстрировали более долгосрочную прогностическую значимость, поскольку пациенты, у которых прогнозировалось развитие ФП через 1 год, имели на 45% более высокий риск развития ФП в течение 25-летнего периода наблюдения, чем другие пациенты.
"В настоящее время существует ограниченное количество методов, позволяющих определить, у каких пациентов разовьется ФП в течение следующего года, поэтому во многих случаях первым признаком ФП является инсульт," сказал старший автор Кристофер Хаггерти, доктор философии.D., доцент кафедры визуализации и инноваций в Geisinger. "Мы надеемся, что эту модель можно будет использовать для очень раннего выявления пациентов с фибрилляцией предсердий, чтобы их можно было лечить для предотвращения инсульта."
Дженнифер Холл, доктор философии.D., Глава Института точной сердечно-сосудистой медицины Американской кардиологической ассоциации отметил, что глубокое обучение "замечательно как еще один способ для нас в области сердечно-сосудистой медицины помочь пациентам и помочь им понять риск инсульта."
"Возможность понять, кто подвержен риску нерегулярного сердцебиения или фибрилляции предсердий, помогает нам понять, кто может быть подвержен риску инсульта, а затем лечить этих людей и предотвращать как фибрилляцию предсердий, так и, возможно, инсульт в будущем," Холл сказал. "Иметь эти методы на кончиках наших пальцев и иметь более точные методы выявления потенциальной фибрилляции предсердий сейчас или в будущем – это просто потрясающе."
Глубокие нейронные сети могут прогнозировать годовую смертность непосредственно на основании сигнала ЭКГ, даже если клинически интерпретируются как нормальные (устная презентация 119)
Чтобы помочь идентифицировать пациентов, которые, скорее всего, умрут по любой причине в течение года, исследователи Geisinger проанализировали результаты 1.77 миллионов ЭКГ и других записей почти 400000 пациентов. Команда использовала эти данные для сравнения моделей на основе машинного обучения, которые либо непосредственно анализировали необработанные сигналы ЭКГ, либо основывались на агрегированных измерениях, полученных от человека (стандартные функции ЭКГ, обычно записываемые кардиологом), и обычно диагностируемых паттернов заболеваний.
Модель нейронной сети, которая непосредственно анализировала сигналы ЭКГ, оказалась лучше для прогнозирования однолетнего риска смерти. Удивительно, но нейронная сеть смогла точно предсказать риск смерти даже у пациентов, у которых, по мнению врача, ЭКГ была нормальной. Исследователи заявили, что три кардиолога отдельно проанализировали ЭКГ, которые сначала считались нормальными, и, как правило, не могли распознать паттерны риска, обнаруженные нейронной сетью. "Это самый важный вывод этого исследования," сказал Форнуолт, который вместе с Хаггерти руководит лабораторией технологии визуализации сердца Geisinger. "Это может полностью изменить то, как мы интерпретируем ЭКГ в будущем."
Хотя обширная база данных Geisinger является ключевым преимуществом обоих исследований, результаты должны быть проверены на сайтах за пределами Geisinger, отметили исследователи. "Включение этих моделей в рутинный анализ ЭКГ было бы несложным. Однако разработка соответствующих планов ухода за пациентами на основе компьютерных прогнозов будет более сложной задачей," сказал ведущий автор Сушравья Рагхунатх, доктор философии.D. В настоящее время исследователи проверяют, можно ли использовать прогнозы для улучшения результатов в отношении здоровья.