A szívelégtelenség, amelyet a meggyengült vagy károsodott szívizom jellemez, krónikus és gyógyíthatatlan állapot. A betegség során folyadék halmozódik fel a tüdőben, a lábakban és a test más részein, ami gyakran életveszélyes szabálytalanságokhoz vagy hirtelen szívmegálláshoz vezet. A történelem során a gyógyítás módszerei drámaian változtak: a középkori borbélysebészek vérvétellel és piócákkal kísérleteztek, míg a modern orvostudomány gyógyszerekre, életmódbeli változtatásokra és pacemakerekre támaszkodik.
Ennek ellenére a szívelégtelenség továbbra is az egyik vezető halálok és jelentős egészségügyi terhek forrása a világon. A diagnózist követő öt éven belül a betegek mintegy fele elhalálozik, ami hangsúlyozza a betegség súlyosságát és a hatékony kezelés, valamint a korai beavatkozás szükségességét. Ez a kihívás ösztönözte a kutatókat, hogy innovatív megoldásokat keressenek a betegek prognózisának javítására és a korlátozott egészségügyi források optimalizált felhasználására.
Az MIT, a Mass General Brigham és a Harvard Orvostudományi Iskola kutatóiból álló csapat egy úttörő mesterséges intelligencia modellt fejlesztett ki, amely forradalmasíthatja a szívelégtelenség kezelését. A PULSE-HF nevű modell mélytanulási algoritmusokat használ, hogy a betegek jövőbeli állapotáról adjon előrejelzést, lehetővé téve az orvosok számára, hogy a legnagyobb kockázatú esetekre összpontosíthassanak.
Mi jósolja meg a szív jövőbeli teljesítményét
A PULSE-HF modell egy egyszerű, de rendkívül hatékony kérdésre keres választ: vajon romlani fog-e egy szívelégtelenségben szenvedő beteg bal kamrai ejekciós frakciója a következő egy évben? Az ejekciós frakció (LVEF) azt mutatja meg, hogy a szív bal kamrája mennyi vért pumpál ki egy összehúzódás során; az egészséges érték 50-70% között mozog, míg a 40% alatti érték súlyos szívelégtelenséget jelez. A modell egy szabványos elektrokardiogram (EKG) felvétel alapján képes megjósolni, hogy egy beteg ejekciós frakciója egy éven belül veszélyes szint alá esik-e.
A modell kidolgozása és tesztelése során három különböző betegcsoport adatait elemezték, és kiemelkedő pontosságot mutatott. A teljesítményét mérő AUROC metrika értékei 0.87 és 0.91 között voltak, ahol 1 a tökéletes előrejelzés. Figyelemre méltó, hogy a kutatók egy olyan változatot is létrehoztak, amely egyetlen elektróda által rögzített EKG adataiból is képes előrejelzést adni. Ez a fejlesztés különösen értékes lehet vidéki vagy alacsonyabb forrású klinikákon, ahol a bonyolult ultrahangvizsgálatok nem mindig elérhetők nap mint nap.
A PULSE-HF legnagyobb erénye, hogy nem csupán észleli a jelenlegi problémát, hanem előre jelezzi a jövőbeli romlást. Ez lehetővé teszi a klinikusok számára, hogy proaktívan lépjenek fel: a magas kockázatú betegeket sürgősen és intenzívebben követhetik nyomon, míg a stabilabb állapotúak számára csökkenthetik a kórházi látogatások gyakoriságát. Ez nemcsak a betegellátás minőségén javít, hanem jelentős terhet vesz le az egészségügyi rendszerek válláról is.
Milyen kihívások rejtőznek a klinikai adatok mélyén
A modell végül is elegáns és egyszerűnek tűnő ötlete mögött éveknyi fáradságos munka és számos kihívás húzódik. A kutatók egyik legnagyobb akadálya az volt, hogy összegyűjtsék, feldolgozzák és megtisztítsák a hatalmas mennyiségű EKG és echokardiográfiás adatot. Az echokardiográfiás jelentések PDF formátumban érkeznek, amelyek szövegének konvertálása és a modell számára értelmezhető formába hozatala önmagában is komoly feladat volt.
A valóságos klinikai környezetben rögzített adatok soha nem tökéletesek. Egy nyugtalan beteg mozgása, egy laza elektróda vagy egyéb jelzavarok „zajt” visznek az adatokba, amelyeket a modell tanítása előtt gondosan ki kellett szűrni. A kutatók számára fontos szempont volt az is, hogy a modell ne csak ideális, laboratóriumi körülmények között működjön, hanem a való élet kissé „zavaros” adataival is megbízható eredményt adjon.
A projekt vezető kutatói, Teya Bergamaschi és Tiffany Yau hangsúlyozzák, hogy bár a kihívások sokszor meghosszabbították a kutatási időt, a munka értelmes volt. Yau személyes tapasztalata is erősítette elhivatottságát a terület iránt, mivel egy egészségügyi esemény után ráébredt, hogy a mesterséges intelligencia mennyire sokat tehet a szenvedés enyhítéséért. A csapat következő lépése egy prospektív klinikai vizsgálat lebonyolítása lesz, ahol a modellt valódi betegeken, ismeretlen jövőbeli kimenetelekkel tesztelik, hogy egy lépéssel közelebb jussanak a mindennapi klinikai gyakorlatba való bevezetéshez.
Forrás: MIT.edu ↗̱
© Photo: Alex Ouyang/MIT Jameel Clinic
