Η κολπική μαρμαρυγή είναι μια κοινή καρδιακή αρρυθμία που χαρακτηρίζεται από έναν ακανόνιστο και συχνά ταχύ καρδιακό ρυθμό. Συχνά παραμένει ασυμπτωματική, γεγονός που την καθιστά υποδιαγνωσμένη, αλλά συνδέεται με αυξημένο κίνδυνο εγκεφαλικού επεισοδίου, καρδιακής ανεπάρκειας και θανάτου. Οι υπάρχουσες μέθοδοι διαλογής για την κολπική μαρμαρυγή απαιτούν παρατεταμένη παρακολούθηση και περιορίζονται από το κόστος και τη χαμηλή αποτελεσματικότητα.

Η ανάγκη για έναν γρήγορο, οικονομικό και ευρέως διαθέσιμο τρόπο αναγνώρισης ασθενών με κολπική μαρμαρυγή είναι επιτακτική. Φανταστείτε αν ένα απλό, 10 δευτερολέπτων ηλεκτροκαρδιογράφημα (ΗΚΓ), που καταγράφεται κατά τη διάρκεια φυσιολογικού φλεβοκομβικού ρυθμού, θα μπορούσε να αποκαλύψει την «υπογραφή» της κολπικής μαρμαρυγής. Αυτό ακριβώς υπόσχεται μια νέα τεχνολογία που χρησιμοποιεί την τεχνητή νοημοσύνη (AI).

Η επανάσταση της τεχνητής νοημοσύνης στο ΗΚΓ

Ερευνητές στην Mayo Clinic ανέπτυξαν έναν αλγόριθμο ΗΚΓ με τεχνητή νοημοσύνη, χρησιμοποιώντας ένα νευρωνικό δίκτυο (convolutional neural network – CNN), για να ανιχνεύουν την ηλεκτροκαρδιογραφική υπογραφή της κολπικής μαρμαρυγής που είναι παρούσα κατά τη διάρκεια φυσιολογικού φλεβοκομβικού ρυθμού, χρησιμοποιώντας τυπικά 10-δευτερολέπτων, 12-απαγωγών ΗΚΓ. Αυτή είναι η πρώτη μελέτη που, από όσο γνωρίζουμε, χρησιμοποιεί ένα τέτοιο νευρωνικό δίκτυο για να αναγνωρίσει την ηλεκτροκαρδιογραφική υπογραφή της κολπικής μαρμαρυγής που είναι παρούσα κατά τη διάρκεια του φλεβοκομβικού ρυθμού. Η μελέτη δημοσιεύτηκε για πρώτη φορά το 2019, ωστόσο συνεχίζει η πρόοδος στον τομέα αυτόν ακόμη και σήμερα.

Το μοντέλο τεχνητής νοημοσύνης εκπαιδεύτηκε χρησιμοποιώντας μόνο το τυπικό 10-δευτερολέπτων, 12-απαγωγών ΗΚΓ και δεν απαιτεί άλλες εισόδους για την εκτίμηση του κινδύνου κολπικής μαρμαρυγής. Είναι σημαντικό ότι η ανίχνευση του σήματος κολπικής μαρμαρυγής στο ΗΚΓ βασίζεται σε αυτή την εύκολα λαμβανόμενη καταγραφή 10 δευτερολέπτων, σε αντίθεση με την πιο επεμβατική καταγραφή βρόχου ή την πιο δύσχρηστη παρακολούθηση Holter.

Πώς διδάχτηκε η τεχνητή νοημοσύνη να βλέπει την κολπική μαρμαρυγή;

Η μελέτη περιέλαβε ένα τεράστιο σύνολο δεδομένων: 180.922 ασθενείς με 649.931 ΗΚΓ φυσιολογικού φλεβοκομβικού ρυθμού. Αυτά τα ΗΚΓ συλλέχθηκαν από την Mayo Clinic ECG laboratory μεταξύ 31 Δεκεμβρίου 1993 και 21 Ιουλίου 2017. Οι ασθενείς ταξινομήθηκαν ως θετικοί για κολπική μαρμαρυγή εάν είχαν τουλάχιστον ένα ΗΚΓ με ρυθμό κολπικής μαρμαρυγής ή κολπικού πτερυγισμού, καθώς και οι δύο αυτοί ρυθμοί συχνά συνυπάρχουν και οι κατευθυντήριες γραμμές συνιστούν αντιπηκτική αγωγή στην παρουσία τους.

Τα ΗΚΓ κατανεμήθηκαν σε σύνολα εκπαίδευσης, εσωτερικής επικύρωσης και δοκιμής σε αναλογία 7:1:2. Το νευρωνικό δίκτυο (CNN) υλοποιήθηκε χρησιμοποιώντας το Keras Framework με TensorFlow και Python.

Δείτε επίσης: Κολπική Μαρμαρυγή: Τα Ύπουλα Συμπτώματα που Δεν Πρέπει να Αγνοήσεις

Τα εντυπωσιακά αποτελέσματα

Ένα μόνο ΗΚΓ με τεχνητή νοημοσύνη αναγνώρισε την κολπική μαρμαρυγή με αρκετά υψηλή ακρίβεια: AUC 0,87, ευαισθησία 79,0%, ειδικότητα 79,5% και συνολική ακρίβεια 79,4%. Αυτά τα αποτελέσματα είναι συγκρίσιμα με άλλες ιατρικές εξετάσεις διαλογής, όπως το B-type natriuretic peptide (AUC 0,60-0,70) για την καρδιακή ανεπάρκεια και το Pap test (AUC 0,70) για τον καρκίνο του τραχήλου της μήτρας.

Η συμπερίληψη όλων των ΗΚΓ που αποκτήθηκαν κατά τον πρώτο μήνα του «παραθύρου ενδιαφέροντος» κάθε ασθενούς αύξησε περαιτέρω την AUC στο 0,90, την ευαισθησία στο 82,3%, την ειδικότητα στο 83,4% και τη συνολική ακρίβεια στο 83,3%. Αυτό υποδηλώνει ότι η προσθήκη πολλαπλών ΗΚΓ εντός ενός μεμονωμένου ασθενούς βελτίωσε την ακρίβεια του μοντέλου και υποδηλώνει ότι οι επαναλαμβανόμενες μετρήσεις μπορεί να αποδώσουν ακόμη καλύτερη απόδοση.

Ένας νέος ορίζοντας στην πρόληψη

Η ικανότητα αναγνώρισης μη ανιχνευθείσας κολπικής μαρμαρυγής με μια φθηνή, ευρέως διαθέσιμη εξέταση – ένα ΗΚΓ που καταγράφεται κατά τη διάρκεια φυσιολογικού φλεβοκομβικού ρυθμού – έχει σημαντικό πρακτικό αντίκτυπο. Αυτό είναι ιδιαίτερα σημαντικό για τον έλεγχο της κολπικής μαρμαρυγής ή για τη διαχείριση ασθενών με εγκεφαλικό επεισόδιο αδιευκρίνιστης αιτιολογίας.

• Εγκεφαλικά επεισόδια αδιευκρίνιστης αιτιολογίας (ESUS): Έως και το ένα τρίτο των εγκεφαλικών επεισοδίων δεν έχουν γνωστή αιτία. Πολλά από αυτά τα εγκεφαλικά επεισόδια σχετίζονται με την κολπική μαρμαρυγή, η οποία μπορεί να υποδιαγνωστεί λόγω της παροξυσμικής και συχνά ασυμπτωματικής της φύσης. Το νέο αυτό εργαλείο θα μπορούσε ενδεχομένως να αναγνωρίσει ένα υποσύνολο ασθενών με ESUS που θα μπορούσαν να επωφεληθούν από εμπειρική αντιπηκτική αγωγή, μειώνοντας τον κίνδυνο υποτροπιάζοντος εγκεφαλικού επεισοδίου.
• Πρόβλημα με την υπάρχουσα παρακολούθηση: Η παρατεταμένη παρακολούθηση του καρδιακού ρυθμού μετά από εγκεφαλικό επεισόδιο ή παροδικό ισχαιμικό επεισόδιο, για έως και 48 ώρες, εντοπίζει κολπική μαρμαρυγή σε 2,4%-13,9% των ασθενών, ενώ η παρατεταμένη παρακολούθηση με εμφυτεύσιμη συσκευή ανιχνεύει κολπική μαρμαρυγή στο 30% των ασθενών στους 36 μήνες. Ωστόσο, μια τέτοια παρακολούθηση είναι δαπανηρή και μπορεί να αποτελέσει επιβάρυνση για τους ασθενείς. Η αναγνώριση των ασθενών που θα επωφεληθούν περισσότερο από την εντατική παρακολούθηση θα ήταν πολύτιμη μετά από ESUS. Το ΗΚΓ με τεχνητή νοημοσύνη μπορεί να επιτρέψει την αναγνώριση ασθενών με υποδιαγνωσμένη κολπική μαρμαρυγή.

Δείτε επίσης: Ζάλη: Πότε είναι αθώα και πότε σημάδι κάτι σοβαρότερου;

Το μυστικό πίσω από την έξυπνη ανίχνευση

Η υπόθεση πίσω από αυτή την καινοτομία είναι ότι οι δομικές αλλαγές που προηγούνται της κολπικής μαρμαρυγής, όπως η υπερτροφία των μυοκυττάρων, η ίνωση και η διεύρυνση των κοιλοτήτων, είναι πιθανό να οδηγήσουν σε ανεπαίσθητες αλλαγές στο ΗΚΓ, επιτρέποντας την πρόβλεψη της υποκείμενης κολπικής μαρμαρυγής. Για παράδειγμα, αν και σπάνια αναφέρεται στα ΗΚΓ, η παρουσία ενδοκολπικού μπλοκ (π.χ. σύνδρομο Bayés) έχει αποδειχθεί ότι συσχετίζεται τόσο με τον κίνδυνο εμφάνισης κολπικής μαρμαρυγής όσο και με τον κίνδυνο εγκεφαλικού επεισοδίου.

Ένα νευρωνικό δίκτυο εκπαιδευμένο με την έκθεση σε περισσότερα από 500.000 ΗΚΓ μπορεί να είναι αρκετά ικανό για να αναγνωρίσει τέτοια χαρακτηριστικά. Αυτό το αποτέλεσμα υποστηρίζεται από προηγούμενη εργασία της ίδιας ομάδας, χρησιμοποιώντας νευρωνικά δίκτυα για τον έλεγχο της παρουσίας ασυμπτωματικής αριστερής κοιλιακής δυσλειτουργίας χρησιμοποιώντας ένα τυπικό ΗΚΓ 12 απαγωγών.

Περιορισμοί και μελλοντικές προκλήσεις

Είναι σημαντικό να σημειωθεί ότι η μελέτη αυτή έχει ορισμένους περιορισμούς. Οι ασθενείς θεωρήθηκαν αρνητικοί για κολπική μαρμαρυγή εάν δεν είχαν καμία επαληθευμένη κολπική μαρμαρυγή, αλλά είναι πιθανό ορισμένοι ασθενείς σε αυτή την ομάδα να είχαν μη ανιχνευθείσα κολπική μαρμαρυγή και επομένως να ταξινομήθηκαν λανθασμένα. Ως εκ τούτου, είναι πιθανό ορισμένοι από τους ψευδώς θετικούς ασθενείς που αναγνωρίστηκαν από το δίκτυο ως έχοντες ιστορικό κολπικής μαρμαρυγής, παρά το ότι ταξινομήθηκαν ως αρνητικοί, να είχαν στην πραγματικότητα μη διαγνωσμένη κολπική μαρμαρυγή.

Αν και ο επιπολασμός της κολπικής μαρμαρυγής στη μελέτη είναι παρόμοιος με άλλες μεγάλες κλινικές βάσεις δεδομένων ΗΚΓ, μπορεί να είναι υψηλότερος από ό,τι στον γενικό πληθυσμό. Ως εκ τούτου, το δίκτυο έχει εκπαιδευτεί για αναδρομική ταξινόμηση κλινικά ενδεδειγμένων ΗΚΓ περισσότερο από ό,τι για πρόβλεψη κολπικής μαρμαρυγής σε μη επιλεγμένους ασθενείς. Αναμένεται ότι το δίκτυο θα αποδώσει καλά σε άλλα σύνολα δεδομένων κλινικά ενδεδειγμένων ΗΚΓ, αλλά θα χρειαστεί περαιτέρω προοπτική βαθμονόμηση πριν δικαιολογηθεί η ευρεία εφαρμογή του στον έλεγχο ενός ευρύτερου, φαινομενικά υγιούς πληθυσμού.

Δείτε επίσης: Καρδιοπάθεια: 10 σημάδια που δεν πρέπει να αγνοήσετε

Το μέλλον της καρδιολογίας;

Μετά την εκπαίδευση, ένα νευρωνικό δίκτυο μπορεί να εφαρμοστεί σε οποιοδήποτε τυπικό ψηφιακό ΗΚΓ 12 απαγωγών με ελάχιστες απαιτήσεις υπολογιστικής ισχύος. Για παράδειγμα, ένα smartphone θα μπορούσε να επεξεργάζεται τα σήματα. Στο μέλλον, αυτό μπορεί να διευκολύνει τη διάγνωση σε πρωτοβάθμιο επίπεδο, επιτρέποντας την εφαρμογή του αλγορίθμου σε φθηνές, ευρέως διαθέσιμες τεχνολογίες.

Πηγή: The Lancet