Η AI εντοπίζει καρδιακή ανεπάρκεια σε 2 δευτερόλεπτα μέσω απλού ηλεκτροκαρδιογραφήματος

Σύνοψη

• Ένα νέο σύστημα Τεχνητής Νοημοσύνης από ερευνητές του Imperial College London αναλύει τα δεδομένα ενός τυπικού ηλεκτροκαρδιογραφήματος (ΗΚΓ) σε λιγότερο από δύο δευτερόλεπτα, εντοπίζοντας παθήσεις που παραδοσιακά απαιτούν πολύπλοκες εξετάσεις.
• Κατά τη διάρκεια της κλινικής δοκιμής σε δείγμα 67.000 ασθενών στις ΗΠΑ, το λογισμικό κατάφερε να διαγνώσει την καρδιακή ανεπάρκεια με ακρίβεια 81% και τις βαλβιδοπάθειες με ποσοστό επιτυχίας που άγγιξε το 90%.
• Η εκπαίδευση του μοντέλου βασίστηκε σε περισσότερα από 1,6 εκατομμύρια ηλεκτροκαρδιογραφήματα από τη Βραζιλία, τα οποία ήταν άμεσα συνδεδεμένα με το πλήρες ιατρικό ιστορικό των ασθενών, επιτρέποντας στον αλγόριθμο να μάθει τον συσχετισμό ανάμεσα στα μοτίβα και τη μετέπειτα εξέλιξη της υγείας τους.
• Βασικός στόχος του συστήματος δεν είναι η αντικατάσταση του ιατρικού προσωπικού, αλλά η λειτουργία του ως μηχανισμός άμεσης διαλογής (triage), ο οποίος θα δίνει προτεραιότητα στους ασθενείς υψηλού κινδύνου ώστε να υποβάλλονται εγκαίρως σε υπερηχογράφημα.
• Η τεχνολογία βρίσκεται ήδη σε διαδικασία εμπορικής αξιοποίησης μέσω της Cardiovolt.ai, ενώ τα μελλοντικά σχέδια περιλαμβάνουν την ενσωμάτωση του αλγορίθμου σε φορητές συσκευές που θα χρησιμοποιούνται εκτός νοσοκομειακού περιβάλλοντος.

Το παραδοσιακό ηλεκτροκαρδιογράφημα, το οποίο καταγράφει την ηλεκτρική δραστηριότητα του μυοκαρδίου συμπεριλαμβανομένου του ρυθμού και της συχνότητας, αποτελεί εδώ και περισσότερο από έναν αιώνα το πλέον βασικό, γρήγορο και προσιτό εργαλείο στα χέρια της ιατρικής κοινότητας για τη διάγνωση των καρδιακών προσβολών και των επικίνδυνων αρρυθμιών. 

Παρόλα αυτά, η συγκεκριμένη εξέταση διαθέτει έναν εγγενή περιορισμό, καθώς αδυνατεί να αποτυπώσει δομικά προβλήματα του οργάνου, αναγκάζοντας τους ιατρούς να καταφεύγουν στη λύση του υπερηχογραφήματος, μιας διαδικασίας που απαιτεί εξειδικευμένο προσωπικό, ακριβό εξοπλισμό και δυστυχώς, τεράστιες λίστες αναμονής στα δημόσια συστήματα υγείας.

Η πρόκληση της έγκαιρης διάγνωσης και η γεφύρωση του διαγνωστικού κενού

Το νέο σύστημα τεχνητής νοημοσύνης του Imperial College London αναλύει τα δεδομένα ενός τυπικού ηλεκτροκαρδιογραφήματος μέσα σε μόλις δύο δευτερόλεπτα, επιτυγχάνοντας εντυπωσιακή ακρίβεια 81% στον εντοπισμό της καρδιακής ανεπάρκειας και 90% στις παθήσεις των βαλβίδων. Λειτουργώντας ως μηχανισμός άμεσης διαλογής, ο αλγόριθμος προωθεί κατά προτεραιότητα τους ασθενείς υψηλού κινδύνου για υπερηχογράφημα, εξάγοντας από το ηλεκτρικό σήμα κρυμμένες πληροφορίες που το ανθρώπινο μάτι αδυνατεί να διακρίνει.

Η καρδιακή ανεπάρκεια και οι παθήσεις των βαλβίδων αποτελούν δύο από τις συχνότερες και πλέον επιβαρυντικές μορφές καρδιαγγειακών νοσημάτων, όπου η καθυστέρηση στην έναρξη της θεραπευτικής αγωγής οδηγεί αναπόφευκτα σε δραματική επιδείνωση της ποιότητας ζωής του ασθενούς. Καθώς η νόσος εξελίσσεται σταδιακά, η έγκαιρη φαρμακευτική ή επεμβατική παρέμβαση κρίνεται απολύτως ζωτικής σημασίας. 

Το πρόβλημα έγκειται στο γεγονός ότι, λόγω της συμφόρησης των νοσοκομείων, πολλοί ασθενείς παραμένουν σε αναμονή για μήνες μέχρι να υποβληθούν στον απαραίτητο υπέρηχο, αφήνοντας την πάθηση τους να εξελίσσεται ανεξέλεγκτα στο μεσοδιάστημα. Αντίθετα, η λήψη ενός ηλεκτροκαρδιογραφήματος απαιτεί ελάχιστα λεπτά, την τοποθέτηση δέκα ηλεκτροδίων στο σώμα και την παρουσία ενός νοσηλευτή, καθιστώντας το μία από τις πιο ευρέως διαδεδομένες εξετάσεις παγκοσμίως.

Η εκπαίδευση του «υπεράνθρωπου» μοντέλου και η σημασία των μεγάλων δεδομένων

Η επιτυχία του αλγορίθμου, τον οποίο ο Δρ Ahmed El-Medany, κλινικός ερευνητής του British Heart Foundation στο Imperial College, χαρακτήρισε ως «υπεράνθρωπη τεχνητή νοημοσύνη», βασίστηκε σε ένα τιτάνιο έργο μηχανικής μάθησης. Η ερευνητική ομάδα προχώρησε στην εκπαίδευση των μοντέλων της χρησιμοποιώντας αρχικά 1,6 εκατομμύρια ηλεκτροκαρδιογραφήματα από τη Βραζιλία, τα οποία συμπληρώθηκαν από εκατομμύρια επιπλέον καταγραφές προερχόμενες από τις ΗΠΑ.

Η πραγματική καινοτομία, ωστόσο, βρίσκεται στην ποιότητα και τη δομή αυτού του τεράστιου συνόλου δεδομένων. Το βραζιλιάνικο dataset ήταν άμεσα συνδεδεμένο με την επακόλουθη πορεία της υγείας των ασθενών, επιτρέποντας στον αλγόριθμο να εντοπίσει και να μάθει εκείνα τα απειροελάχιστα μοτίβα στο ηλεκτρικό σήμα τα οποία προηγούνται χρονικά της κλινικής εκδήλωσης της νόσου. Το σύστημα δεν εκπαιδεύτηκε απλώς στο να αναγνωρίζει μια ήδη κατεστραμμένη καρδιά, αλλά στο να συσχετίζει συγκεκριμένες ανεπαίσθητες κυματομορφές με διαγνώσεις που επιβεβαιώθηκαν στο μέλλον, αναπτύσσοντας ουσιαστικά μια ισχυρή προγνωστική ικανότητα. Μάλιστα, τα αποτελέσματα που παρουσιάστηκαν στο ετήσιο συνέδριο της Ευρωπαϊκής Καρδιολογικής Εταιρείας στο Μόναχο, προήλθαν από μια ξεχωριστή, ευρείας κλίμακας δοκιμή σε δείγμα 67.000 ασθενών, αποδεικνύοντας τη σταθερότητα του μοντέλου.

Ο ρόλος του συστήματος ως εργαλείο διαλογής των ασθενών

Είναι σημαντικό να αποσαφηνιστεί ότι το συγκεκριμένο εργαλείο τεχνητής νοημοσύνης δεν σχεδιάστηκε με σκοπό να υποκαταστήσει την οριστική διάγνωση που παρέχει ο ιατρός μέσω του υπερηχογραφήματος, ούτε να λειτουργήσει αυτόνομα ως απόλυτος κριτής της ανθρώπινης υγείας. Η αρχιτεκτονική του αποσκοπεί στη δραστική αναβάθμιση της διαδικασίας διαλογής, αποτελώντας ένα ψηφιακό φίλτρο που θα ενσωματωθεί ομαλά στην ήδη υπάρχουσα ιατρική ροή εργασίας. Εφόσον περίπου ένα δισεκατομμύριο ηλεκτροκαρδιογραφήματα πραγματοποιούνται ετησίως σε παγκόσμια κλίμακα, το λογισμικό θα μπορεί να αναλύει σιωπηλά στο παρασκήνιο κάθε νέα καταγραφή που φτάνει στο σύστημα του νοσοκομείου.

Όταν ο αλγόριθμος ανιχνεύσει τα μοτίβα που συνδέονται με υψηλό κίνδυνο καρδιακής ανεπάρκειας ή βαλβιδοπάθειας, θα σημαδεύει αυτόματα τον φάκελο του ασθενούς, προειδοποιώντας τους θεράποντες ιατρούς ώστε να επισπεύσουν τις απαραίτητες εξειδικευμένες εξετάσεις. Η Δρ Sonya Babu-Narayan, σύμβουλος καρδιολόγος και κλινική διευθύντρια του British Heart Foundation, υπογράμμισε ακριβώς αυτή τη διάσταση, αναφέροντας ότι η τεχνολογία αυτή δεν θα ανιχνεύσει κάθε πιθανό καρδιακό πρόβλημα, αλλά θα προσφέρει μια άμεση λύση για την ταχεία προώθηση των ασθενών που διατρέχουν τον μεγαλύτερο κίνδυνο, παρακάμπτοντας τη χρονοβόρα γενική λίστα αναμονής.

Από το ακαδημαϊκό εργαστήριο στην εμπορική αξιοποίηση και το νομοθετικό πλαίσιο

Η μετάβαση ενός τόσο ελπιδοφόρου αλγορίθμου από το ακαδημαϊκό περιβάλλον στους θαλάμους των νοσοκομείων απαιτεί πολύ περισσότερα από μια απλή ανακοίνωση σε ιατρικό συνέδριο, καθώς το κανονιστικό πλαίσιο για το λογισμικό που λειτουργεί ως ιατρική συσκευή παραμένει εξαιρετικά αυστηρό. Ήδη, η έρευνα που χρηματοδοτείται από το BHF αξιοποιείται εμπορικά μέσω της Cardiovolt.ai, με τον Καθηγητή Ng να αναλαμβάνει τον ρόλο του επικεφαλής ιατρικού υπευθύνου και τον Δρ Arunashis Sau τη θέση του επικεφαλής επιστήμονα.

Η ομάδα έχει ήδη θέσει τον επόμενο μεγάλο στόχο της, ο οποίος περιλαμβάνει την υποστήριξη της τεχνολογίας μέσω της δημιουργίας φορητών συσκευών ΗΚΓ με ενσωματωμένη την τεχνητή νοημοσύνη, με σκοπό τη χρήση τους μακριά από τα αστικά νοσοκομεία. Βέβαια, για να εφαρμοστεί αυτό το σύστημα ευρέως, θα πρέπει να υποβληθεί σε αυστηρές διαδικασίες κλινικής επικύρωσης και να λάβει τις απαραίτητες εγκρίσεις από τις ρυθμιστικές αρχές, προκειμένου να αποδειχθεί επισήμως ότι η διαλογή μέσω του AI δεν προσφέρει μόνο πιο γρήγορα αποτελέσματα, αλλά βελτιώνει ουσιαστικά την έκβαση και το προσδόκιμο ζωής των ασθενών σε πραγματικές συνθήκες.