Naukowcy ze Scripps Research opracowali model sztucznej inteligencji nazwany ECG-CLIP. Wytrenowali go na ponad 1,7 mln zapisów EKG pochodzących od 542 288 pacjentów. Dane zebrano w latach 2008-2019. Każdy zapis był powiązany z opisem przygotowanym przez lekarza.

Dzięki temu algorytm uczył się nie tylko wyglądu sygnału elektrycznego serca, lecz także jego znaczenia klinicznego. To odróżnia go od wielu modeli trenowanych wyłącznie na zapisach EKG lub na zbiorach ręcznie oznaczonych pod kątem jednej choroby. Model sprawdzono następnie na niezależnym zbiorze MIMIC-IV, obejmującym ponad 800 tys. zapisów EKG. Wyniki opublikowano w The Lancet Digital Health.

Mniej danych potrzebnych do nauki

ECG-CLIP testowano w wykrywaniu ostrego zawału mięśnia sercowego, amyloidozy serca oraz kardiomiopatii przerostowej. Porównano go z klasycznymi modelami uczenia maszynowego i trzema modelami bazowymi przeznaczonymi do analizy EKG.

Największą przewagę uzyskał przy małej liczbie oznaczonych przypadków. Gdy do treningu wykorzystano tylko 10 pozytywnych przykładów, ECG-CLIP osiągnął dla wykrywania zawału wynik AUC 0,910. Najlepszy konkurencyjny model uzyskał 0,884. W przypadku pozostałych chorób różnice były mniejsze, ale także przemawiały na korzyść ECG-CLIP.

Średnio model potrzebował o 90,8 proc. mniej oznaczonych danych, aby dorównać najlepszemu konkurentowi w zadaniach związanych z wykrywaniem chorób układu krążenia. Wraz ze wzrostem liczby przykładów jego przewaga malała.

Badacze sprawdzili także, czy algorytm potrafi przewidywać przyszłe problemy zdrowotne. ECG-CLIP analizował prawidłowe zapisy rytmu zatokowego i na ich podstawie oceniał ryzyko wystąpienia migotania przedsionków.

Model uzyskał również najlepsze wyniki spośród porównywanych narzędzi przy prognozowaniu przeżycia w ciągu 30 dni po wizycie na oddziale ratunkowym lub operacji. Testowano go też w przewidywaniu rozwoju przewlekłej choroby nerek i cukrzycy typu 2 w ciągu trzech lat.

ECG-CLIP radził sobie ponadto z wykrywaniem niektórych zawałów na podstawie sygnału z pojedynczego odprowadzenia EKG. W przyszłości mogłoby to umożliwić wykorzystanie modelu w prostszych urządzeniach oraz sprzęcie noszonym na ciele.

Do kliniki jeszcze daleka droga

Autorzy zastosowali mapy pokazujące, które fragmenty zapisu miały największy wpływ na wynik algorytmu. Ma to ułatwić lekarzom ocenę, na czym model oparł swoją prognozę.

Badanie miało jednak charakter obserwacyjny. Nie sprawdzano, czy korzystanie z ECG-CLIP podczas rzeczywistej opieki nad pacjentami poprawia diagnozy lub wyniki leczenia. Potrzebne są teraz badania kliniczne oraz testy z różnymi systemami rejestracji EKG. Scripps Research planuje rozszerzyć zakres wykorzystywanych danych i zbadać możliwość połączenia algorytmu z urządzeniami ubieralnymi (wearables).

Czytaj także:

AI wchodzi do szpitali: odpowiedzialność wciąż będzie ponosił lekarz

Sztuczna inteligencja wykryje ADHD lata przed diagnozą