Μοντέλο τεχνητής νοημοσύνης μπορεί να προλάβει κρίσιμες καρδιαγγειακές παθήσεις

Ορισμένοι ασθενείς με προχωρημένη καρδιακή ανεπάρκεια φαίνονται σταθεροί κατά τις τακτικές επισκέψεις στον γιατρό. Οι ζωτικές τους ενδείξεις μπορεί να μην προκαλούν συναγερμό και ένα υπερηχογράφημα να μοιάζει φυσιολογικό σε μια γρήγορη εξέταση. Ωστόσο, η πιο κρίσιμη πληροφορία συχνά αποκαλύπτεται μόνο σε ένα απαιτητικό τεστ άσκησης που φτάνει το καρδιακό σύστημα στα όριά του. 

Το πρόβλημα είναι ότι σε πολλά νοσοκομεία αυτό το τεστ σχεδόν ποτέ δεν γίνεται. Ως αποτέλεσμα, η καθυστέρηση στη διάγνωση κοστίζει ζωές: η προχωρημένη καρδιακή ανεπάρκεια πλήττει εκατοντάδες χιλιάδες ασθενείς, με ποσοστό επιβίωσης κάτω του 50% σε ένα έτος – χειρότερο από αρκετούς καρκίνους. Μόλις 6.000 ασθενείς το χρόνο λαμβάνουν προχωρημένες θεραπείες όπως μεταμόσχευση καρδιάς ή μηχανικές αντλίες. Μέρος του προβλήματος είναι η πρόσβαση, αλλά το σφάλμα ξεκινά πολύ νωρίτερα, όταν η σοβαρότητα της κατάστασης δεν εκτιμάται σωστά.

Το τεστ καρδιοπνευμονικής επάρκειας

Το βασικό εργαλείο για την αξιολόγηση της σοβαρότητας της καρδιακής ανεπάρκειας είναι το καρδιοπνευμονικό τεστ άσκησης, που μετρά πόσο οξυγόνο καταναλώνει το σώμα υπό έντονη φυσική πίεση. Η τιμή αυτή, γνωστή ως peak VO₂, δείχνει στον γιατρό πόσο σκληρά δουλεύει η καρδιά και ποιοι χρειάζονται άμεση παρέμβαση. Το εμπόδιο είναι πρακτικό: το τεστ απαιτεί εξειδικευμένο εξοπλισμό και προσωπικό που τα περισσότερα περιφερειακά νοσοκομεία δεν διαθέτουν. Συνήθως γίνεται μόνο σε μεγάλα ακαδημαϊκά κέντρα. Οι ασθενείς που δεν φτάνουν εκεί ή δεν παραπέμπονται για το τεστ συχνά μένουν χωρίς ακριβή διάγνωση. Ερευνητές από το Weill Cornell Medicine, το Cornell Tech, το Columbia University Vagelos College of Physicians and  Surgeons και το NewYork-Presbyterian εξετάζουν τώρα αν η τεχνητή νοημοσύνη μπορεί να γεφυρώσει αυτό το κενό αξιοποιώντας δεδομένα που ήδη υπάρχουν στα νοσοκομεία.

Παρά το ότι τακτικά υπερηχογραφήματα καρδιάς χρησιμοποιούνται ευρέως, δεν αποτελούν αξιόπιστο δείκτη πρόγνωσης. Τα σημαντικά σήματα είναι συχνά κρυμμένα ανάμεσα σε πολλά είδη εικόνων. Η ομάδα αποφάσισε να δει αν ένα σύστημα τεχνητής νοημοσύνης μπορεί να αναγνωρίσει πρότυπα που διαφεύγουν από τους γιατρούς συνδυάζοντας ταυτόχρονα διαφορετικά δεδομένα: βίντεο της καρδιάς σε κίνηση, μοτίβα βαλβίδων και σήματα Doppler που μετρούν τη ροή αίματος. Αυτά συνδυάστηκαν με πληροφορίες από ηλεκτρονικά αρχεία ασθενών, όπως ηλικία, δείκτη μάζας σώματος και κλασικές κλινικές μετρήσεις.

Το μοντέλο εκπαιδεύτηκε σε 1.000 ασθενείς και δοκιμάστηκε σε 127 διαφορετικούς ασθενείς από τρία νοσοκομεία. Η ακρίβεια ήταν περίπου 85% στην αναγνώριση ασθενών υψηλού κινδύνου, με peak VO₂ κάτω από το κρίσιμο όριο. Αξιοσημείωτο είναι ότι η απόδοση σε εξωτερικά δεδομένα ήταν ελαφρώς καλύτερη, κάτι ασυνήθιστο και ενθαρρυντικό.

Παρά τους όποιους περιορισμούς, το μοντέλο ξεπέρασε προηγούμενες προσπάθειες εκτίμησης του peak VO₂ χωρίς άσκηση και έδειξε σταθερά καλύτερα αποτελέσματα σε διαφορετικά νοσοκομεία. Οι ερευνητές φαντάζονται ένα σύστημα που λειτουργεί διακριτικά στο φόντο των τυπικών υπερηχογραφημάτων, παρέχοντας εκτιμήσεις κινδύνου και ειδοποιώντας τον γιατρό για περαιτέρω εξετάσεις, συντομεύοντας την καθυστέρηση στην πρόσβαση σε προηγμένες θεραπείες.

Νέα αρχή στη διάγνωση

Η βασική ιδέα είναι ότι η διάγνωση της καρδιακής ανεπάρκειας μπορεί να ξεκινά νωρίτερα, από τα ήδη υπάρχοντα υπερηχογραφήματα, αντί να εξαρτάται από ειδικά τεστ σε κέντρα υψηλής εξειδίκευσης. Για ασθενείς σε μικρά ή απομακρυσμένα νοσοκομεία, αυτό θα μπορούσε να είναι καθοριστικό για την έγκαιρη αναγνώριση και θεραπεία. Το επόμενο βήμα είναι κλινικές δοκιμές σε πραγματικές συνθήκες, αλλά η βάση που έχει δημιουργηθεί δείχνει ότι η τεχνητή νοημοσύνη μπορεί να φέρει πραγματική αλλαγή στη φροντίδα ασθενών με προχωρημένη καρδιακή ανεπάρκεια.

Η μελέτη δημοσιεύεται στο npj Digital Medicine.