Ένα ηλεκτροκαρδιογράφημα, μια εξέταση που πραγματοποιείται καθημερινά σε νοσοκομεία και ιατρεία, ενδέχεται να κρύβει πολύ περισσότερες πληροφορίες για την υγεία της καρδιάς από όσες μπορούν να αναγνωρίσουν οι συμβατικές μέθοδοι αξιολόγησης.
Ερευνητές του Πανεπιστημίου της Καλιφόρνιας στο Μπέρκλεϊ ανέπτυξαν ένα σύστημα τεχνητής νοημοσύνης που εντοπίζει ανεπαίσθητα ηλεκτρικά μοτίβα τα οποία συνδέονται με αυξημένο κίνδυνο αιφνίδιου καρδιακού θανάτου.
Πρόκειται για μια από τις σημαντικότερες προκλήσεις της σύγχρονης καρδιολογίας: τον εντοπισμό ανθρώπων που κινδυνεύουν να υποστούν θανατηφόρα καρδιακή ανακοπή, ακόμη και αν δεν έχουν εμφανή συμπτώματα ή γνωστό ιστορικό καρδιοπάθειας.
Το νέο σύστημα δεν προβλέπει με βεβαιότητα πότε θα συμβεί ένα τέτοιο περιστατικό, αλλά επιχειρεί να αναγνωρίσει εγκαίρως ασθενείς που ενδέχεται να χρειάζονται στενότερη παρακολούθηση.
Περισσότερα από 440.000 ηλεκτροκαρδιογραφήματα
Για την ανάπτυξη του αλγορίθμου, οι επιστήμονες ανέλυσαν περισσότερα από 440.000 ηλεκτροκαρδιογραφήματα, τα οποία συλλέχθηκαν σε διάστημα έξι ετών από το σύστημα υγείας της Σουηδίας.
Συνδυάζοντας τα δεδομένα των εξετάσεων με τα πιστοποιητικά θανάτου, εκπαίδευσαν το σύστημα να αναγνωρίζει ηλεκτρικά χαρακτηριστικά που σχετίζονταν με μεταγενέστερο αιφνίδιο καρδιακό θάνατο.
Στη συνέχεια, η αποτελεσματικότητα του μοντέλου αξιολογήθηκε με ανεξάρτητα δεδομένα ασθενών από το Σαν Ντιέγκο των Ηνωμένων Πολιτειών και την Ταϊπέι.
Στόχος ήταν να διαπιστωθεί αν οι προβλέψεις του παρέμεναν αξιόπιστες σε διαφορετικούς πληθυσμούς.
Οι ερευνητές διαπίστωσαν ότι ο αλγόριθμος μπορούσε να εντοπίσει λεπτές διαφοροποιήσεις στις ηλεκτρικές κυματομορφές της καρδιάς, οι οποίες συχνά δεν λαμβάνονται υπόψη στις καθιερωμένες κλινικές αξιολογήσεις.
Ο ακριβής βιολογικός μηχανισμός που προκαλεί αυτά τα μοτίβα δεν έχει ακόμη αποσαφηνιστεί.
Τι έδειξε η σύγκριση με τις συμβατικές εξετάσεις
Σήμερα, ένας από τους βασικούς δείκτες που χρησιμοποιούν οι γιατροί για την εκτίμηση του κινδύνου είναι το κλάσμα εξώθησης, δηλαδή το ποσοστό του αίματος που εξωθεί η καρδιά σε κάθε συστολή.
Η μέτρηση αυτή συμβάλλει, μεταξύ άλλων, στην αξιολόγηση της ανάγκης εμφύτευσης απινιδωτή, μιας συσκευής που αναγνωρίζει επικίνδυνες αρρυθμίες και μπορεί να αποκαταστήσει τον καρδιακό ρυθμό με ηλεκτρική εκφόρτιση.
Στη μελέτη, οι ασθενείς που αναγνωρίστηκαν ως υψηλού κινδύνου από το σύστημα τεχνητής νοημοσύνης εμφάνισαν ετήσιο ποσοστό αιφνίδιου καρδιακού θανάτου 7%.
Στην ομάδα που χαρακτηρίστηκε υψηλού κινδύνου με βάση το συμβατικό κριτήριο, το αντίστοιχο ποσοστό ήταν 4,6%.
Η διαφορά υποδεικνύει ότι η τεχνητή νοημοσύνη μπορεί να εντοπίζει μια ομάδα ασθενών που δεν θα αναγνωρίζονταν απαραίτητα ως υψηλού κινδύνου με τις υφιστάμενες μεθόδους. Δεν σημαίνει, ωστόσο, ότι ο αλγόριθμος έχει αποδειχθεί πως προλαμβάνει θανάτους ή ότι μπορεί ήδη να αντικαταστήσει την κλινική κρίση των γιατρών.
Γιατί ο αιφνίδιος καρδιακός θάνατος παραμένει δύσκολο να προβλεφθεί
Η καρδιακή ανακοπή προκαλείται όταν η καρδιά παύει ξαφνικά να λειτουργεί αποτελεσματικά ως αντλία, συχνά εξαιτίας μιας επικίνδυνης διαταραχής του ηλεκτρικού της ρυθμού.
Διαφέρει από το έμφραγμα, το οποίο συνήθως οφείλεται στην απόφραξη της ροής αίματος προς ένα τμήμα του καρδιακού μυός, αν και ένα έμφραγμα μπορεί να προκαλέσει ανακοπή.
Η έγκαιρη καρδιοπνευμονική αναζωογόνηση και η χρήση απινιδωτή μπορούν να σώσουν ζωές. Ωστόσο, πολλά περιστατικά συμβαίνουν εκτός νοσοκομείου, όπου η άμεση αντιμετώπιση δεν είναι πάντα εφικτή.
Παράλληλα, η πρόληψη μέσω εμφυτεύσιμων απινιδωτών παρουσιάζει δυσκολίες. Ορισμένοι ασθενείς που θεωρούνται υψηλού κινδύνου δεν θα χρειαστούν ποτέ θεραπευτική εκφόρτιση από τη συσκευή, ενώ άλλοι που τελικά υφίστανται αιφνίδιο καρδιακό θάνατο δεν είχαν εντοπιστεί εγκαίρως.
«Οι ιατρικές αποφάσεις είναι πραγματικά δύσκολες και γι’ αυτό θεωρώ την τεχνητή νοημοσύνη τόσο συναρπαστική», δήλωσε ο Ζιάντ Ομπερμάιερ, αναπληρωτής καθηγητής στη Σχολή Δημόσιας Υγείας του Πανεπιστημίου της Καλιφόρνιας στο Μπέρκλεϊ και επικεφαλής συγγραφέας της μελέτης. Όπως εξήγησε, η τεχνολογία μπορεί να συμβάλει όχι μόνο στη βελτίωση των προβλέψεων, αλλά και στην κατανόηση των αλλαγών που προηγούνται ενός καρδιακού επεισοδίου.
