• Niewydolność serca to choroba częsta, śmiertelna i kosztowna
  • W ciągu kilku dekad liczba zachorowań zwiększyła się dwukrotnie
  • Model SI analizuje krótki zapis EKG, perfekcyjnie diagnozując chorobę

Sztuczna inteligencja może szybko i dokładnie zdiagnozować zastoinową niewydolność serca, analizując tylko jedno uderzenie serca zapisane na pięciominutowym elektrokardiogramie. Robi to z perfekcyjną dokładnością. Udowodniło to badanie przeprowadzone z użyciem modelu opartego na sieciach neuronowych przez naukowców z brytyjskich uniwersytetów w Surrey i Warwick.

Zastoinowa niewydolność serca (ang. CHF) to stan wpływający na sposób pompowania krwi do wszystkich tkanek z powodu zmian morfologicznych lub funkcjonalnych. Serce nie jest w stanie spełnić swego fizjologicznego zadania, czyli przepompować krwi na obwód ciała. To choroba o wysokiej śmiertelności, występująca często i niosąca ryzyko wysokich kosztów leczenia. Tylko wśród krajów najbardziej uprzemysłowionych wydatki na opiekę zdrowotną związaną z leczeniem CHF pochłaniają 2–3 procent całych budżetów dla zdrowia, a koszty hospitalizacji stanowią największą część wydatków.

To już epidemia

W ostatnich kilku dziesięcioleciach dwukrotnie wzrosła liczba chorych na niewydolność serca. Ocenia się, że w Polsce cierpiących na tę chorobę może być ok. 1 miliona osób, w USA ponad 5 milionów, a na całym świecie ok. 26 milionów (dane Europejskiego Towarzystwa Kardiologicznego).

Przyczyny? Populacja się starzeje, a choroby sercowo-naczyniowe są leczone coraz skuteczniej, więc chorzy żyją coraz dłużej. W ogólnej populacji osób dorosłych zachorowalność wynosi 1–2 procent, ale jej częstość gwałtownie się zwiększa po 75. roku życia. U osób między 70–80 lat wynosi już nawet do 20 procent. CHF jest jednym z głównych powodów hospitalizacji osób starszych i charakteryzuje się wysokim odsetkiem nawrotów choroby, przy czym połowa pacjentów zostaje ponownie przyjęta w ciągu kilku miesięcy od wypisania ze szpitala.

Diagnoza SI

Badacze pokazali, że konwolucyjne sieci neuronowe (CNN) są bardzo skuteczne w identyfikowaniu wzorców i struktur w danych z EKG. Skuteczniejsze, niż lekarze. Korzyści te wynikają ze zdolności CNN do automatycznego wydobywania i uczenia się wzorców w danych wejściowych, a nie poleganiu na wyspecjalizowanych cechach, które mogą nie w pełni wychwytywać prawdziwą charakterystykę podstawowych sygnałów fizjologicznych.

CNN to hierarchiczne sieci neuronowe, które naśladują ludzki system wzrokowy i okazują się skuteczne w rozpoznawaniu wzorców i struktur danych wejściowych w zadaniach klasyfikacji, lokalizacji i wykrywania obrazów.

Model oceniający bicie serca na podstawie zapisu EKG łączy zaawansowane narzędzia przetwarzania sygnałów i uczenia maszynowego na surowych danych z sygnałów elektrokardiografu. Naukowcy skoncentrowali się na wykrywaniu patologii na podstawie pojedynczego uderzenia serca w 5-minutowych fragmentach zapisu EKG. To dobrze rokuje w kontekście ewentualnie potrzebnej, szybkiej interwencji.

„Przeszkoliliśmy i przetestowaliśmy ten model na publicznie dostępnych zestawach danych EKG, obejmujących łącznie 490 505 uderzeń serca, aby osiągnąć 100-procentową dokładność wykrywania CHF” – czytamy w opisie badania, który pojawił się we wrześniu. Dwa zestawy danych wykorzystane w nowym badaniu zostały opublikowane przez laboratorium Beth Israel Deaconess Medical Center.

Wystosowali apel

Metoda opracowana przez zespół naukowców jest bardzo dokładna i może być wykorzystana do innych badań. O to właśnie zaapelowali. Wykorzystanie jej obniżyłoby koszty opieki zdrowotnej.

– Mamy nadzieję, że przedstawiony model zostanie wykorzystany jako wysoce skuteczna i możliwa do uogólnienia metoda dla innych zadań klasyfikacji szeregów czasowych w medycynie i poza nią (np. w badaniach neuro-behawioralnych). Wzywamy zatem do przyszłych prac nad rozszerzeniem wyników przedstawionych w tym badaniu w celu poprawy dobrostanu ludzi i zmniejszenia obecnych obciążeń finansowych i społecznych w opiece zdrowotnej – czytamy w podsumowaniu badania.

Skip to content