AI Temui Isyarat ECG Baharu Yang Lebih Tepat Ramal Kematian Jantung Mengejut Berbanding Ujian Standard

Setiap tahun, ratusan ribu orang meninggal dunia akibat serangan jantung mengejut—sistem elektrik jantung terhenti secara tiba-tiba, sering berlaku pada individu yang tiada masalah jantung diketahui dan tanpa sebarang amaran. Doktor sekian lama kekurangan cara yang boleh dipercayai untuk mengenal pasti siapa yang berisiko. Kini, penyelidik di Universiti California, Berkeley (UC Berkeley) telah menggunakan kecerdasan buatan (AI) untuk menemui isyarat halus yang tersembunyi dalam elektrokardiogram (EKG) rutin yang mampu mengubah keadaan ini.

Apa yang ditemui penyelidik

Diketuai oleh Ziad Obermeyer di Sekolah Kesihatan Awam UC Berkeley, pasukan penyelidik melatih rangkaian neural konvolusi dalam pada lebih 440,000 EKG 12-lead dari Sweden, yang dikaitkan dengan sijil kematian . AI belajar mengenali corak dalam aktiviti elektrik jantung yang terlepas pandang oleh pembaca manusia—dan semua ujian klinikal standard. Ia menemui isyarat gelombang yang sebelum ini tidak dikenali: aspek terminal 'slurred' (kabur) pada gelombang R di lead aVL, iaitu herotan halus yang tidak pernah diterangkan dalam literatur perubatan sebelum ini .

Model ini bukan sekadar mencari penanda baharu—ia mencari penanda yang penting. Dalam kumpulan berisiko tinggi yang dikenal pastinya, kadar kematian jantung mengejut tahunan adalah 7.0% , berbanding 4.6% untuk pesakit berisiko tertinggi yang dikenal pasti melalui ujian ejection fraction ventrikel kiri (LVEF) standard .

Bagaimana model dilatih dan disahkan

Pasukan penyelidik mengambil pendekatan yang teliti dalam pembangunan model. Mereka memadankan lebih 440,000 EKG dari rekod penjagaan kesihatan Sweden dengan data sijil kematian supaya AI dapat mempelajari corak gelombang yang mendahului kematian jantung mengejut . Seni bina pembelajaran dalam menganalisis isyarat 12-lead penuh, bukan sekadar ukuran ringkasan—membolehkannya menemui corak bukan linear yang halus dan tidak kelihatan kepada pembaca manusia.

Untuk memastikan penemuan ini tidak khusus untuk Sweden, model tersebut disahkan secara luaran pada ribuan rekod pesakit bebas dari Amerika Syarikat dan Taiwan. Ramalan ini kekal teguh merentas populasi dan sistem penjagaan kesihatan yang berbeza, memberikan bukti kukuh tentang kebolehgeneralisaiannya .

Mengapa mengesan kematian jantung mengejut begitu sukar

Serangan jantung mengejut pada asasnya berbeza daripada serangan jantung biasa. Serangan jantung biasa melibatkan arteri tersumbat yang menyebabkan otot jantung kekurangan oksigen; serangan jantung mengejut pula adalah kerosakan elektrik—arus elektrik jantung berhenti tanpa amaran .

Mangsa mati dengan begitu cepat sehingga mengkaji apa yang dilakukan jantung beberapa saat sebelum kejadian hampir mustahil. Autopsi boleh menunjukkan masalah struktur (saluran tersumbat, tisu berparut), tetapi seperti yang dinyatakan penyelidik, "fungsi sebenar sebelum kematian masih kekal sebagai kotak hitam" .

Ujian risiko piawai semasa—mengukur ejection fraction ventrikel kiri (LVEF), iaitu peratusan darah yang dipam jantung setiap degupan—adalah alat yang tumpul. Ramai individu yang meninggal dunia akibat serangan jantung mengejut mempunyai LVEF normal, dan ramai yang mempunyai LVEF rendah tidak pernah mengalaminya . Pendekatan standard gagal mengenal pasti kebanyakan orang yang memerlukan bantuan.

Keputusan praktikal berbanding ujian standard

Metrik	Ujian LVEF standard	Model AI (kumpulan berisiko tinggi)
Kadar kematian jantung mengejut tahunan dalam kumpulan berisiko tinggi	4.6%	7.0%
Pertindihan dengan LVEF	—	Kebanyakan pesakit berisiko tinggi yang dikenal pasti AI mempunyai ejection fraction normal—AI menemui isyarat risiko bebas
Gelombang baharu dikenal pasti	Tiada	Gelombang R terminal 'slurred' di lead aVL, tidak pernah diterangkan sebelum ini

AI mengenal pasti kumpulan berisiko tinggi yang merangkumi kira-kira 2.2% daripada populasi yang disaring. Kadar kematian jantung mengejut tahunan sebanyak 7.0% dalam kumpulan ini adalah setara atau lebih baik daripada ambang risiko yang digunakan dalam ujian klinikal untuk defibrilator implan (ICD) . Ini bermakna ramai pesakit yang terlepas pandang oleh garis panduan semasa mungkin menjadi calon untuk peranti penyelamat nyawa.

Apa yang akan datang

Penyelidikan ini menunjukkan tiga langkah seterusnya yang jelas:

1. Penggunaan klinikal untuk keputusan defibrilator: EKG adalah murah, tidak invasif, dan tersedia di hampir setiap klinik di seluruh dunia. Model AI boleh membantu doktor memutuskan siapa yang memerlukan defibrilator kardioverter implan (ICD). Seperti kata Obermeyer, "Jika anda tahu anda adalah salah seorang yang akan mati mengejut, anda akan pergi ke pakar kardiologi dan anda akan dipasang defibrilator. Masalahnya, doktor tidak dapat mengenal pasti siapa yang memerlukannya sebelum terlambat" .

2. Pemahaman fisiologi baharu: Gelombang baharu yang ditemui AI—tanpa diberitahu apa yang perlu dicari—membuka hala tuju penyelidikan baharu. Memahami mekanisme elektrik tepat di sebalik gelombang R 'slurred' di lead aVL boleh mendedahkan mengapa sesetengah jantung tiba-tiba misfire. "Kita bukan sahaja boleh membuat keputusan yang lebih baik, tetapi juga mula memahami apa yang sebenarnya berlaku pada pesakit ini sebelum jantung mereka berhenti," kata Obermeyer .

3. Ujian prospektif sebelum penggunaan meluas: Walaupun pengesahan luaran merentas tiga negara adalah bukti kukuh, model ini perlu diuji dalam ujian klinikal prospektif sebelum ia digunakan dalam amalan klinikal rutin. Kerja pasukan penyelidik ini menunjukkan jenis pengesahan ketat merentas populasi yang menjadikan penemuan ini sangat memberangsangkan .