• Σάββας Γρηγοριάδης

Εφαρμογές Τεχνητής Νοημοσύνης στην Καρδιολογία. (΄Β μέρος)

Παραδείγματα τεχνητής νοημοσύνης που χρησιμοποιούν machine learning (ML) ή Deep Learning (DL) γίνονται όλο και πιο συνηθισμένα στην καρδιολογία. Στο Δεύτερο μέρος θα παρουσιάσουμε την συμβολή της τεχνητής νοημοσύνης στους διάφορους τομείς εφαρμογής της καρδιολογίας


Καρδιακές αρρυθμίες


Μία από τις πιο διαδεδομένες εφαρμογές του ML στην καρδιολογία είναι η πρόβλεψη καρδιακών αρρυθμιών. Πολυάριθμες μελέτες αφορούν προγνωστικά μοντέλα για την διάγνωση κολπικής μαρμαρυγής, συμπεριλαμβανομένου του παροξυσμικού, λόγω των κλινικών επιπτώσεών του, με χρήση εποπτευόμενης μάθησης με προγνωστικά συστήματα ML που αποτελούνται από διαφορετικές υποεπεξεργασίες: προεπεξεργασία σήματος, εξαγωγή σημαντικών μεταβλητών και αλγόριθμοι ταξινόμησης. Παρόμοια μοντέλα ML έχουν αναπτυχθεί για τη βελτίωση της διαχείρισης του συναγερμού τηλεπαρακολούθησης της καρδιακή συχνότητας (holter) και για την πρόβλεψη της εμφάνισης κοιλιακών αρρυθμιών. Οι τεχνικές DL έχουν χρησιμοποιηθεί με μεγάλη επιτυχία για την ανίχνευση διακριτών τύπων αρρυθμιών μέσω άμεσης ανάλυσης εικόνων ή ηλεκτροκαρδιογραφικών σημάτων. Μια άλλη εφαρμογή ήταν η χρήση μη επιτηρούμενης μάθησης για τον εντοπισμό φαινοτύπων για την ταξινόμηση υπερτροφικών καρδιομυοπαθειών με διαφορετικό αρρυθμικό κίνδυνο.


Ισχαιμική καρδιακή νόσος


Η τεχνητή νοημοσύνη έχει εφαρμοστεί στα τυποποιημένα ηλεκτρονικά ιατρικά αρχεία από την πρωτοβάθμια περίθαλψη για την πρόβλεψη του κινδύνου καρδιαγγειακών παθήσεων στον γενικό πληθυσμό και έχει αποδειχθεί ότι είναι ανώτερη από τις παραδοσιακά χρησιμοποιούμενες κλίμακες κινδύνου. Επιπλέον, εποπτευόμενες τεχνικές μάθησης έχουν εφαρμοστεί στην προγνωστική πρόβλεψη σταθερών ισχαιμικών καρδιακών παθήσεων, στεφανιαίου συνδρόμου, και θνησιμότητας ασθενών με έμφραγμα του μυοκαρδίου αναλύοντας τα αποτελέσματα μεμονωμένων νοσοκομείων ή μεγάλων μητρώων όπως το SWEDEHEART. Τα αποτελέσματα είναι παρόμοια λόγω του μεγέθους των δειγμάτων, γεγονός που δείχνει ότι οι τεχνικές ML επιτυγχάνουν καλύτερα αποτελέσματα με μεγάλα μεγέθη δειγμάτων.


Συγκοπή


Τα συστήματα ML θα μπορούσαν να επιτρέψουν τη βελτιστοποίηση των αποφευκταίων νοσηλειών λόγω καρδιακής ανεπάρκειας, εντοπίζοντας με μεγαλύτερη ακρίβεια τους ασθενείς που είναι ευαίσθητοι σε καρδιακή αντιρρόπηση μετά την έξοδο από το νοσοκομείο από τις κλασικές κλίμακες κινδύνου. Τα αποτελέσματα αυτά έρχονται σε αντίθεση με την αρχική εμπειρία στον τομέα αυτό και υπογραμμίζουν την ανάγκη προσαρμογής των μεθοδολογιών των συστημάτων. Επιπλέον, οι αρχικές εργασίες έχουν αντιμετωπίσει τη χρησιμότητα της τεχνητής νοημοσύνης ως συστήματος διαχείρισης στην τηλεπαρακολούθηση ασθενών με καρδιακή ανεπάρκεια. Μελέτες έχουν δείξει ότι η ML είναι εφικτή και ότι μπορεί να βελτιώσει την κλινική πορεία αυτών των ασθενών. Ένας άλλος σημαντικός τομέας είναι η μεταμόσχευση καρδιάς , με συστήματα ML που εφαρμόζονται για την πρόβλεψη της πιθανότητας θανάτου ή μεταμόσχευσης σε ασθενείς που βρίσκονται στη λίστα αναμονής ή στην επιτυχία της μεταμόσχευσης. Ειδικότερα, η κλινική ανταπόκριση στον καρδιακό επανασυγχρονισμό μπορεί να προβλεφθεί με τη χρήση συστημάτων ML.


Ένα εξαιρετικό παράδειγμα συνδυασμού μεθοδολογιών ML και DL στον τομέα αυτό είναι η πρόβλεψη της διαστολικής δυσλειτουργίας μέσω ανάλυσης ηχοκαρδιογραφικών δεδομένων. Αυτή η έρευνα, μαζί με άλλα παραδείγματα που έχουν χρησιμοποιήσει μη επιτηρούμενη μάθηση δείχνει ότι αυτές οι διαδικασίες μπορούν να διευκολύνουν την τυποποίηση και την ερμηνεία σύνθετων καρδιακών παθήσεων, όπως η διάγνωση καρδιακής ανεπάρκειας με διατηρημένη συστολική λειτουργία , ενίσχυση της λήψης αποφάσεων.


Καρδιακή απεικόνιση


Παραδείγματα τεχνητής νοημοσύνης που χρησιμοποιούν απεικονιστικές εικόνες αρχίζουν να γίνονται δημοφιλή και θα είναι υπεύθυνα για μια νέα επανάσταση στον κόσμο της καρδιακής απεικόνισης. Οι τεχνικές ML που χρησιμοποιούν δεδομένα που παράγονται από τον ποσοτικό προσδιορισμό της καρδιακής απεικόνισης έχουν χρησιμοποιηθεί με επιτυχία για την πρόβλεψη της καρδιαγγειακής θνησιμότητας από εκτεταμένες ηχοκαρδιογραφικές βάσεις δεδομένων. Παρόμοια μοντέλα ML έχουν αναπτυχθεί για να διαφοροποιήσουν τα ηχοκαρδιογραφικά πρότυπα της φυσιολογικής κοιλιακής υπερτροφίας που χαρακτηρίζουν τους αθλητές από τα ευρήματα της οικογενειακής υπερτροφικής καρδιομυοπάθειας.

Στον τομέα της ηχοκαρδιογραφικής απεικόνισης, έχουν ήδη σημειωθεί πρόοδοι στην εφαρμογή μιας πλήρως αυτόματης ερμηνείας, μέσω του προσδιορισμού των απόψεων, της τμηματοποίησης της εικόνας, του ποσοτικού προσδιορισμού των δομών και των λειτουργιών και της ανίχνευσης ασθενειών.


Άλλες εφαρμογές


Η τεχνητή νοημοσύνη χρησιμοποιείται ευρέως σε άλλους τομείς εφαρμογών, γεγονός που αντικατοπτρίζει την ευελιξία της. Η αναζήτηση προτύπων περιλαμβάνει πλήθος λειτουργιών, από την πρόβλεψη καρδιαγγειακού κινδύνου έως την οξεία νεφρική ανεπάρκεια μετά από καρδιακή χειρουργική επέμβαση. Αυτά τα πρότυπα μπορούν να εντοπίσουν καλύτερα ομάδες ασθενών με διαφορετικό κίνδυνο και η ενσωμάτωσή τους στην κλινική πρακτική μπορεί να βοηθήσει στην εξάλειψη των αβεβαιοτήτων και στη βελτίωση των κλινικών αποτελεσμάτων.


Συμπεράσματα

Αν και η τεχνητή νοημοσύνη θεωρείται συχνά ως φουτουριστική και μακρινή έννοια, η αλήθεια είναι ότι αυτή η τεχνολογία χρησιμοποιείται ήδη σε όλους τους τύπους τομέων, συμπεριλαμβανομένης της καρδιολογίας. Λόγω της ψηφιοποίησης μεγάλων ποσοτήτων δεδομένων, της ανάπτυξης αλγορίθμων ML και της βελτίωσης της ισχύος των υπολογιστών τις τελευταίες δεκαετίες, η τεχνητή νοημοσύνη μπορεί να προσφέρει εξαιρετικές ευκαιρίες για αυτοματοποίηση εργασιών, εφαρμογή ιατρικής ακριβείας ή ερευνητική πρόοδο μέσω της ανίχνευσης σύνθετων προτύπων σε ιατρικές βάσεις δεδομένων. Μια συγκεκριμένη περίπτωση είναι αυτή της ιατρικής ανάλυσης εικόνας, με τις τεχνικές DL να έχουν υποστεί πραγματική επανάσταση και την εφαρμογή τους στον τομέα της καρδιολογίας να αποφέρει ήδη εξαιρετικά αποτελέσματα. Ωστόσο, έχουμε ακόμη πολύ δρόμο να διανύσουμε προτού αυτές οι τεχνικές μπορέσουν να εφαρμοστούν ευρέως στην κλινική πρακτική. Βασικές προϋποθέσεις είναι οι μεγάλες βάσεις δεδομένων με πληροφορίες υψηλής ποιότητας και η αξιολόγηση και ενσωμάτωση της τεχνητής νοημοσύνης σε ρεαλιστικά κλινικά πλαίσια· Ως εκ τούτου, η κατανόηση της τεχνητής νοημοσύνης και των εφαρμογών της στον τομέα μας είναι απαραίτητη για την παρούσα και μελλοντική ανάπτυξη της καρδιολογίας.