Tekoäly paljastaa piilevän riskin rutiini-EKG:ssä nyt

Kuvittele tavallinen sydämen käyrä, ne pienet huiput ja laaksot, joita lääkärit tutkivat päivittäin, pitävän sisällään salaisuuden, jonka vain kone voisi havaita. Se kuulostaa dramaattiselta. Mutta UC Berkeleyn tutkijoille tuo hiljainen tunnus oli todellinen.

Käyttämällä koneoppimisjärjestelmää, joka oli koulutettu yli 440 000 elektrokardiogrammilla, jotka kerättiin Ruotsin terveydenhuoltojärjestelmän kautta kuuden vuoden aikana, tiimi tunnisti rutiininomaisten EKG:iden hienovaraiset sähköiset kuviot, jotka liittyvät selvästi suurempaan riskiin äkilliseen sydänkuolemaan. Tutkimus, joka julkaistiin Nature-lehdessä, viittaa siihen, että tutuissa lääketieteellisissä testeissä piilevät merkit voivat paljastaa ihmisiä, jotka muuten jäisivät huomaamatta.

Malli oppi kuvioitaan yhdistämällä EKG:t kuolintietoihin ja testasi arvauksiaan itsenäisissä aineistoissa San Diegosta ja Taipeista. Se huomasi aaltomuotojen nyansseja, joita kliinikot eivät tavallisesti kvantifioi. Mitä nuo signaalit fysiologisesti tarkoittavat, ei ole vielä selvää. Silti korrelaatio on merkittävä: tekoäly tunnisti potilasryhmän, jolla oli noin 7 prosentin vuotuinen riski äkilliseen sydänkuolemaan, verrattuna noin 4,6 prosenttiin ihmisistä, jotka perinteisesti luokiteltiin korkean riskin potilaiksi ejektiofraktion perusteella.

Miksi sillä on merkitystä? Nykyään päätökset implantoitavista kardioversio-defibrillaattoreista, pienistä laitteista, jotka voivat palauttaa sydämen rytmin sähköiskulla, perustuvat pitkälti siihen, kuinka paljon verta sydän pumppaa kussakin supistuksessa. Tämä luku, ejektiofraktio, on hyödyllinen mutta karkea mittari. Monet istutetut laitteet eivät koskaan laukaise. Monet äkillisen sydänpysähdyksen uhreista eivät olleet saaneet tehostettua seulontaa. Jos rutiini-EKG:t voivat paljastaa piilevän haavoittuvuuden, kliinikot voisivat tavoittaa potilaita, jotka muuten jäisivät huomiotta.

Ziad Obermeyer, tutkimuksen pääkirjoittaja ja UC Berkeleyn apulaisprofessori, pitää työtä enemmän kuin parempana ennustajana. Hän katsoo, että se voi muuttaa sitä, miten kliinikot ajattelevat riskiä, tekemällä epäselvät signaalit näkyviksi ja käyttökelpoisiksi ennen katastrofia.

Ennusteen muuttaminen ennaltaehkäisyksi on seuraava haaste. Tiimi tekee yhteistyötä terveydenhuoltojärjestelmien kanssa Ruotsissa, Taiwanissa ja Yhdysvalloissa ajettaakseen algoritmia sairaaloiden EKG-arkistoihin. Työkalun havaitsemat potilaat voitaisiin tarjota jatkuvaan kannettavaan seurantaan sähkömyrskyn kartoittamiseksi, joka edeltää romahtamista, ja nuo tiedot saattavat lopulta paljastaa mekanismin kuvion takana.

Mutta varovaisuus on välttämätöntä: on osoitettava, että tämän tekoälyohjatun lähestymistavan käyttäminen hoitopäätösten tukena todella säästää ihmishenkiä etenevissä, kontrolloiduissa tutkimuksissa.

Tämän projektin aineistojen kokoaminen kesti lähes vuosikymmenen, mikä on tärkeä muistutus siitä, että hyvä kliininen tekoäly alkaa suurista, linkitetyistä aineistoista, joita on usein vaikea saada. Toistaiseksi lupaus on selvä: tuttu testi, uudelleen tulkittuna, voisi laajentaa ennaltaehkäisyn verkkoa ja antaa kliinikoille uuden näkymän hetkiin ennen kuin jotkut sydämet pysähtyvät ilman varoitusta.

Jos idea leviää, rutiini-EKG:t saattavat tulevaisuudessa tehdä muutakin kuin diagnosoida nykyisiä sairauksia; ne voisivat kuiskata varoituksia tulevasta, antaen potilaille ja lääkäreille aikaa toimia.