Νέο μοντέλο AI: Ερευνητές από το Νοσοκομείο Brigham and Women’s και το Πανεπιστήμιο Keio στην Ιαπωνία ανέπτυξαν ένα μοντέλο τεχνητής νοημοσύνης βαθιάς μάθησης για την εξέταση ηλεκτροκαρδιογραφήματος (ΗΚΓ) για ενδείξεις ατελειών του κολπικού διαφράγματος (ASD). Η πάθηση αυτή μπορεί να προκαλέσει καρδιακή ανεπάρκεια και υποδηλώνεται λόγω έλλειψης συμπτωμάτων πριν εμφανιστούν μη αναστρέψιμες επιπλοκές. Τα αποτελέσματά τους δημοσιεύονται στο eClinicalMedicine. “Εάν μπορέσουμε να αναπτύξουμε το μοντέλο μας σε επίπεδο πληθυσμιακού ελέγχου με ΗΚΓ, θα είμαστε σε θέση να εντοπίσουμε πολύ περισσότερους από αυτούς τους ασθενείς πριν υποστούν μη αναστρέψιμες βλάβες”, δήλωσε ο Shinichi Goto, MD, Ph.D., αντίστοιχος συγγραφέας της δημοσίευσης και εκπαιδευτής στο Τμήμα Καρδιαγγειακής Ιατρικής στο Νοσοκομείο Brigham and Women’s.
Οι ατέλειες του κολπικού διαφράγματος ASD είναι μια συχνή συγγενής καρδιοπάθεια των ενηλίκων. Προκαλείται από μια τρύπα στο διάφραγμα της καρδιάς που επιτρέπει τη ροή του αίματος μεταξύ του αριστερού και του δεξιού κόλπου. Διαγιγνώσκεται σε περίπου 0,1% έως 0,2% του πληθυσμού, αλλά πιθανώς υποδηλώνεται, δήλωσε ο Goto. Τα συμπτώματα των ατελειών του κολπικού διαφράγματος ASD είναι συνήθως πολύ ήπια ή, σε πολλές περιπτώσεις, ανύπαρκτα μέχρι αργότερα στη ζωή. Τα συμπτώματα περιλαμβάνουν την αδυναμία εκτέλεσης επίπονης άσκησης, επηρεάζουν τον ρυθμό των καρδιακών παλμών, αίσθημα παλμών της καρδιάς και αυξημένο κίνδυνο πνευμονίας Ακόμη και αν οι ατέλειες του κολπικού διαφράγματος ASD δεν προκαλούν συμπτώματα, μπορεί να καταπονήσουν την καρδιά και να αυξήσουν τον κίνδυνο κολπικής μαρμαρυγής, εγκεφαλικού επεισοδίου, καρδιακής ανεπάρκειας και πνευμονικής υπέρτασης. Σε αυτό το σημείο, οι επιπλοκές των ατελειών του κολπικού διαφράγματος ASD είναι μη αναστρέψιμες, ακόμη και αν το ελάττωμα διορθωθεί αργότερα. Εάν εντοπιστεί έγκαιρα, οι ατέλειες του κολπικού διαφράγματος ASD μπορεί να διορθωθούν με ελάχιστα επεμβατική χειρουργική επέμβαση για να βελτιωθεί το προσδόκιμο ζωής και να μειωθούν οι επιπλοκές. Υπάρχουν διάφοροι τρόποι για την ανίχνευση των ατελειών του κολπικού διαφράγματος ASD. Πρώτον, τα μεγαλύτερα ελαττώματα μπορούν να βρεθούν ακούγοντας την καρδιά με ένα στηθοσκόπιο. Αλλά μόνο το 30% περίπου των ασθενών μπορεί να ανακαλυφθεί με αυτόν τον τρόπο. Ένας άλλος τρόπος είναι το υπερηχοκαρδιογράφημα, μια εξέταση που απαιτεί χρόνο και εργασία και δεν αποτελεί καλή επιλογή για διαγνωστικό έλεγχο. Μια άλλη εξέταση, το ηλεκτροκαρδιογράφημα ή ΗΚΓ, διαρκεί μόνο περίπου ένα λεπτό, καθιστώντας δυνατή τη χρήση του ως εργαλείο διαλογής. Ωστόσο, όταν οι άνθρωποι αναλύουν την ανάγνωση ενός ΗΚΓ για γνωστές ανωμαλίες που σχετίζονται με τις ατέλειες του κολπικού διαφράγματος ASD, υπάρχει περιορισμένη ευαισθησία για την ανίχνευση των ατελειών του κολπικού διαφράγματος ASD. Για να δουν αν ένα μοντέλο τεχνητής νοημοσύνης θα μπορούσε να ανιχνεύσει καλύτερα τις ατέλειες του κολπικού διαφράγματος ASD από αναγνώσεις ΗΚΓ, η ομάδα μελέτης τροφοδότησε ένα μοντέλο βαθιάς μάθησης με δεδομένα ΗΚΓ από 80.947 ασθενείς άνω των 18 ετών που υποβλήθηκαν τόσο σε ΗΚΓ όσο και σε υπερηχοκαρδιογράφημα για την ανίχνευση των ατελειών του κολπικού διαφράγματος ASD. Συνολικά 857 ασθενείς διαγνώστηκαν με ατέλειες του κολπικού διαφράγματος ASD. Τα δεδομένα συλλέχθηκαν από τρία νοσοκομεία: δύο μεγάλα εκπαιδευτικά ιδρύματα – το ένα, το BWH στις ΗΠΑ- και το άλλο, το Πανεπιστήμιο Keio στην Ιαπωνία, και το Dokkyo Medical University, Saitama Medical Center στην Ιαπωνία, ένα κοινοτικό νοσοκομείο.
Στη συνέχεια, το μοντέλο δοκιμάστηκε με τη χρήση σαρώσεων από το Dokkyo, το οποίο έχει έναν πιο γενικό πληθυσμό και δεν εξετάζει ειδικά τους ασθενείς για ατέλειες του κολπικού διαφράγματος ASD. Το μοντέλο ήταν πιο ευαίσθητο από τη χρήση γνωστών ανωμαλιών που βρέθηκαν στα ΗΚΓ για τον έλεγχο για ατέλειες του κολπικού διαφράγματος ASD. Το μοντέλο εντόπισε σωστά τις ατέλειες του κολπικού διαφράγματος ASD στο 93,7% των περιπτώσεων, ενώ η χρήση γνωστών ανωμαλιών εντόπισε τις ατέλειες του κολπικού διαφράγματος ASD στο 80,6% των περιπτώσεων. “Εντόπισε πολύ περισσότερα από ό,τι ένας ειδικός που χρησιμοποιεί γνωστές ανωμαλίες για να εντοπίσει περιπτώσεις ατελειών του κολπικού διαφράγματος ASD”, δήλωσε ο Goto. Ένας περιορισμός της μελέτης είναι ότι το μοντέλο εκπαιδεύτηκε χρησιμοποιώντας δείγματα από ακαδημαϊκά ιδρύματα, τα οποία ασχολούνται περισσότερο με σπάνιες ασθένειες όπως η Διαταραχή Αυτιστικού Φάσματος ΔΦΑ. Όλοι οι ασθενείς που χρησιμοποιήθηκαν για την εκπαίδευση του μοντέλου ελέγχονταν για ατέλειες του κολπικού διαφράγματος ASD και έλαβαν υπερηχοκαρδιογράφημα, οπότε δεν είναι σαφές πόσο καλά θα λειτουργούσε το μοντέλο σε έναν γενικό πληθυσμό, γι’ αυτό και το δοκίμασαν στο Dokkyo. “Η απόδοση του μοντέλου διατηρήθηκε ακόμη και στον γενικό πληθυσμό του κοινοτικού νοσοκομείου, γεγονός που υποδηλώνει ότι το μοντέλο γενικεύεται καλά”. Οι συγγραφείς σημειώνουν επίσης ότι ακόμη και η χρήση του υπερηχοκαρδιογραφήματος για την ανίχνευση ατελειών του κολπικού διαφράγματος ASD δεν θα βρει κάθε ελάττωμα. Κάποια θα μπορούσαν να ξεφύγουν τόσο από τον τακτικό έλεγχο όσο και από το μοντέλο τεχνητής νοημοσύνης, αν και αυτά τα μικρότερα ελαττώματα είναι λιγότερο πιθανό να απαιτούν χειρουργική σύγκλειση. “Το πρόβλημα της μηχανικής μάθησης είναι ότι είναι ένα μαύρο κουτί – δεν γνωρίζουμε πραγματικά ποια χαρακτηριστικά πήρε”, δήλωσε ο Goto. Αυτό σημαίνει ότι ούτε από το μοντέλο μπορούμε να μάθουμε ποια χαρακτηριστικά πρέπει να αναζητήσουμε στα ΗΚΓ. Τα αποτελέσματα υποδηλώνουν ότι η τεχνολογία θα μπορούσε να χρησιμοποιηθεί στον πληθυσμιακό έλεγχο για την ανίχνευση των ατελειών του κολπικού διαφράγματος ASD πριν οδηγήσει σε μη αναστρέψιμη καρδιακή βλάβη. Το ΗΚΓ είναι σχετικά χαμηλού κόστους και επί του παρόντος εκτελείται σε πολλά πλαίσια. “Ίσως αυτός ο έλεγχος θα μπορούσε να ενσωματωθεί σε ένα ετήσιο ραντεβού με τον PCP ή να χρησιμοποιηθεί για τον έλεγχο των ΗΚΓ που λαμβάνονται για άλλους λόγους”, δήλωσε ο Goto.
