UC Berkeley-forskere opdager nyt signal i rutine-EKG med AI – redder måske tusindvis af liv

Præstation i risikodetektion

AI-systemet identificerer en højrisikogruppe med en årlig rate for pludselig hjertedød på 7 %, sammenlignet med standardtest (der måler, hvor meget blod hjertet pumper per slag), som kun identificerer en højrisikogruppe med en årlig rate på 4,6 % . Modellen udpegede en større pulje af højrisikopatienter og forudsagde bedre, hvem der ville lide af pludselig hjertedød – forskelle, der oversættes til tusindvis af patienter årligt, som i dag fremstår lavrisiko ved konventionelle målinger .

Hvorfor påvisning har været så vanskelig

Pludseligt hjertestop dræber mere end 300.000 mennesker i USA hvert år og opstår, når hjertets elektriske system pludselig holder op med at fungere uden varsel . Obermeyer påpeger, at der findes en effektiv kur – implanterbare defibrillatorer, der chokerer hjertet tilbage i rytme – men lægerne kan ikke finde ud af, hvem der har brug for en, før det er for sent . Kerne-problemet er, at mennesker dør så brat, at det er næsten umuligt at vide, hvad der foregik inde i hjertet på forhånd; obduktioner afslører strukturelle detaljer, men ikke den elektriske funktion umiddelbart før døden .

Næste skridt

Forskerne planlægger at implementere algoritmen i sundhedssystemer for at hjælpe læger med bedre at identificere, hvem der har brug for en intern defibrillator . Undersøgelsen åbner også døren for ny forskning i den underliggende fysiologiske mekanisme bag elektriske fejlfunktioner i hjertet. Obermeyer udtalte, at målet er at "ikke bare træffe bedre beslutninger, men også begynde at forstå, hvad der faktisk foregår med disse patienter, før deres hjerte stopper" . Fordi EKG'er er rutinemæssige, billige og tilgængelige på medicinske centre over hele verden, kan værktøjet skaleres bredt for at redde liv .