Sztuczna inteligencja znalazła w EKG sygnał, którego lekarze nie dostrzegali. Lepiej przewiduje nagłe zatrzymanie krążenia

Co roku setki tysięcy ludzi na świecie umiera z powodu nagłego zatrzymania krążenia – serce nagle przestaje bić, często u osób bez wcześniejszych objawów i bez zdiagnozowanej choroby serca. Lekarze od dawna nie mieli skutecznego narzędzia, by przewidzieć, kogo to spotka. Teraz naukowcy z UC Berkeley, wykorzystując sztuczną inteligencję, odkryli subtelny sygnał ukryty w rutynowych elektrokardiogramach (EKG), który może to zmienić.

Co odkryli badacze?

Zespół pod kierownictwem Ziada Obermeyera z UC Berkeley School of Public Health wytrenował głęboką splotową sieć neuronową na ponad 440 000 12-odprowadzeniowych zapisach EKG ze Szwecji, powiązanych z danymi z akt zgonu . AI nauczyła się rozpoznawać wzorce w elektrycznej aktywności serca, które umykają ludzkiemu oku i wszystkim standardowym testom klinicznym. Odkryto wcześniej nieopisany sygnał: „zamazany” (ang. slurred) końcowy odcinek załamka R w odprowadzeniu aVL – subtelne zniekształcenie, które nie było dotąd udokumentowane w literaturze medycznej .

Model nie tylko znalazł nowy marker – znalazł taki, który ma znaczenie kliniczne. W grupie wysokiego ryzyka zidentyfikowanej przez AI roczny wskaźnik nagłego zgonu sercowego wyniósł 7,0%, podczas gdy dla pacjentów najwyższego ryzyka według standardowego testu frakcji wyrzutowej lewej komory (LVEF) był to poziom 4,6% .

Jak trenowano i weryfikowano model?

Zespół badawczy przyjął rygorystyczne podejście. Połączył ponad 440 000 EKG ze szwedzkich rejestrów medycznych z danymi o zgonach, aby AI mogła nauczyć się, które wzorce fal poprzedzają nagłe zatrzymanie krążenia . Głębokie uczenie analizowało pełny 12-odprowadzeniowy sygnał, a nie tylko zbiorcze pomiary – dzięki czemu było w stanie wychwycić subtelne, nieliniowe wzorce niewidoczne dla człowieka.

Aby upewnić się, że wyniki nie są specyficzne tylko dla Szwecji, model zweryfikowano na tysiącach niezależnych rekordów pacjentów ze Stanów Zjednoczonych i Tajwanu. Przewidywania sprawdziły się w różnych populacjach i systemach opieki zdrowotnej, co dostarcza mocnych dowodów na ich uniwersalność .

Dlaczego wykrywanie nagłego zatrzymania krążenia było tak trudne?

Nagłe zatrzymanie krążenia zasadniczo różni się od zawału serca. Zawał to zatkanie tętnicy, które pozbawia mięsień sercowy tlenu; nagłe zatrzymanie krążenia to awaria elektryczna – prąd elektryczny w sercu przestaje płynąć bez ostrzeżenia .

Ludzie umierają tak szybko, że zbadanie, co działo się z sercem tuż przedtem, jest prawie niemożliwe. Sekcja zwłok może ujawnić problemy strukturalne (zablokowane naczynia, blizny), ale – jak zauważają badacze – „rzeczywiste funkcjonowanie serca przed śmiercią pozostaje czarną skrzynką” .

Obecny złoty standard oceny ryzyka – pomiar frakcji wyrzutowej lewej komory (LVEF), czyli procenta krwi, jaki serce pompuje przy każdym skurczu – jest mało precyzyjnym narzędziem. Wiele osób, które umierają na nagłe zatrzymanie krążenia, ma prawidłową LVEF, a wiele osób z niską LVEF nigdy nie doświadcza arytmii . Dotychczasowe podejście pomija większość tych, którzy potrzebują pomocy.

Wyniki w praktyce – porównanie z standardowym testem

Miernik	Standardowy test LVEF	Model AI (grupa wysokiego ryzyka)
Roczny wskaźnik nagłego zgonu sercowego w grupie wysokiego ryzyka	4,6%	7,0%
Nakładanie się z LVEF	—	Większość pacjentów wskazanych przez AI miała prawidłową frakcję wyrzutową – AI odkryło niezależny sygnał ryzyka
Nowa, nieznana wcześniej fala w EKG	Brak	Zamazany koniec załamka R w odprowadzeniu aVL, nieopisany wcześniej w literaturze

AI zidentyfikowało grupę wysokiego ryzyka stanowiącą około 2,2% przebadanej populacji. Roczny wskaźnik nagłego zgonu sercowego na poziomie 7,0% w tej grupie jest porównywalny lub lepszy od progu ryzyka stosowanego w badaniach klinicznych nad wszczepialnymi kardiowerterami-defibrylatorami (ICD) . Oznacza to, że wielu pacjentów, których obecne wytyczne by pominęły, mogłoby zostać kandydatami do urządzeń ratujących życie.

Co dalej?

Badania wskazują trzy jasne kierunki:

1. Zastosowanie kliniczne przy decyzjach o defibrylatorze: EKG jest tanie, nieinwazyjne i dostępne praktycznie w każdej przychodni na świecie. Model AI mógłby pomóc lekarzom zdecydować, kto potrzebuje wszczepialnego kardiowertera-defibrylatora. Jak ujął Obermeyer: „Gdybyś wiedział, że należysz do osób, które nagle umrą, poszedłbyś do kardiologa i wszczepiłbyś sobie defibrylator. Problem w tym, że lekarze nie są w stanie stwierdzić, kto go potrzebuje, zanim będzie za późno” .

2. Nowe zrozumienie fizjologii serca: Odkryta przez AI – bez żadnych wskazówek – nowa fala w odprowadzeniu aVL otwiera nowy kierunek badań. Zrozumienie dokładnego mechanizmu elektrycznego stojącego za zamazanym załamkiem R może ujawnić, dlaczego u niektórych serc nagle dochodzi do nieprawidłowego wyładowania. „Możemy nie tylko podejmować lepsze decyzje, ale także zacząć rozumieć, co naprawdę dzieje się z tymi pacjentami, zanim ich serce się zatrzyma” – powiedział Obermeyer .

3. Badania prospektywne przed powszechnym wdrożeniem: Mimo że walidacja na danych z trzech krajów jest mocnym dowodem, model musi zostać przetestowany w prospektywnych badaniach klinicznych, zanim trafi do rutynowej praktyki. Praca zespołu Obermeyera pokazuje rodzaj rygorystycznej, międzypopulacyjnej walidacji, która czyni to odkrycie szczególnie obiecującym .