นักวิจัยใช้ AI ค้นหาสัญญาณคลื่นไฟฟ้าหัวใจ ที่ซ่อนอยู่ ซึ่งทำนายภาวะหัวใจหยุดเต้นเฉียบพลันได้ดีกว่าเดิม

แต่ที่สำคัญไปกว่านั้นคือ สัญญาณที่ค้นพบนี้ มีความหมายและแม่นยำอย่างยิ่ง ในกลุ่มผู้ป่วยที่ AI ระบุว่ามีความเสี่ยงสูง อัตราการเสียชีวิตจากหัวใจหยุดเต้นเฉียบพลันต่อปีอยู่ที่ 7.0% ซึ่งสูงกว่าเมื่อเทียบกับกลุ่มผู้ป่วยที่มีความเสี่ยงสูงสุดที่ประเมินโดยการทดสอบมาตรฐาน (Left Ventricular Ejection Fraction หรือ LVEF) ซึ่งอยู่ที่เพียง 4.6%

วิธีการฝึกและตรวจสอบความแม่นยำของโมเดล

ทีมวิจัยมีวิธีการที่เข้มงวด:

1. จับคู่ข้อมูล: นำคลื่นไฟฟ้าหัวใจกว่า 440,000 รายการจากสวีเดน มาจับคู่กับข้อมูลการตาย เพื่อให้ AI เรียนรู้ว่ารูปแบบคลื่นแบบไหนที่มักเกิดขึ้นก่อนภาวะหัวใจหยุดเต้น
2. ดูสัญญาณทั้งหมด: สถาปัตยกรรม Deep Learning ไม่ได้อ่านแค่ค่าสรุปย่อ แต่วิเคราะห์สัญญาณจากทั้ง 12 lead อย่างละเอียด ทำให้มันสามารถค้นหารูปแบบที่ซับซ้อนและไม่เป็นเส้นตรงที่มนุษย์มองไม่เห็น
3. ตรวจสอบข้ามประเทศ: เพื่อให้แน่ใจว่าผลการค้นพบนี้ไม่ได้จำกัดอยู่แค่เฉพาะคนสวีเดน โมเดลถูกนำไปทดสอบกับข้อมูลผู้ป่วยหลายพันรายจาก สหรัฐอเมริกา และ ไต้หวัน ซึ่งเป็นระบบสาธารณสุขและประชากรที่แตกต่างกัน ผลลัพธ์ที่ได้ยังคงแม่นยำ แสดงให้เห็นว่าการค้นพบนี้สามารถนำไปใช้ได้กับประชากรทั่วโลก

ทำไมการตรวจหาความเสี่ยงก่อนหัวใจวายเฉียบพลันถึงยากนัก?

หลายคนมักสับสนระหว่าง 'หัวใจวายเฉียบพลัน' (sudden cardiac arrest) กับ 'อาการหัวใจขาดเลือด' (heart attack) แต่ความจริงแล้วทั้งสองอย่างต่างกัน:

• หัวใจขาดเลือด (Heart Attack): เกิดจากเส้นเลือดที่ไปเลี้ยงหัวใจตีบตัน ทำให้กล้ามเนื้อหัวใจขาดออกซิเจน
• หัวใจหยุดเต้นเฉียบพลัน (Sudden Cardiac Arrest): เกิดจากความผิดปกติของ ระบบไฟฟ้าหัวใจ ซึ่งส่งสัญญาณผิดพลาด ทำให้หัวใจหยุดเต้นกะทันหันโดยไม่มีสัญญาณเตือน

ผู้ป่วยเสียชีวิตเร็วมากจนแทบจะเป็นไปไม่ได้ที่จะศึกษาว่าหัวใจกำลังทำอะไรอยู่ก่อนหน้านั้น การชันสูตรพลิกศพอาจพบปัญหาโครงสร้าง (เช่น เส้นเลือดตีบ, เนื้อเยื่อแผลเป็น) แต่ดังที่นักวิจัยกล่าวไว้ "การทำงานที่แท้จริงก่อนเสียชีวิตยังคงเป็นกล่องดำ" (black box)

การทดสอบมาตรฐานในปัจจุบันคือการวัด Left Ventricular Ejection Fraction (LVEF) หรือเปอร์เซ็นต์ของเลือดที่หัวใจสูบฉีดออกในแต่ละครั้ง ซึ่งถือเป็นเครื่องมือที่ค่อนข้างทื่อ (blunt instrument) เพราะมีผู้ป่วยจำนวนมากที่เสียชีวิตจากภาวะหัวใจหยุดเต้นเฉียบพลัน แต่กลับมีค่า LVEF ปกติ ในขณะที่ผู้ป่วยจำนวนมากที่มีค่า LVEF ต่ำก็ไม่เคยเกิดภาวะนี้เลย การตรวจแบบเดิมจึงพลาดโอกาสในการช่วยชีวิตผู้ที่ต้องการความช่วยเหลืออย่างแท้จริง

ผลลัพธ์เชิงปฏิบัติ เทียบกับการทดสอบมาตรฐาน

AI ระบุกลุ่มเสี่ยงสูงที่มีสัดส่วนประมาณ 2.2% ของประชากรที่ตรวจคัดกรอง อัตราการเสียชีวิต 7.0% ต่อปีในกลุ่มนี้สูงพอๆ หรือดีกว่าเกณฑ์ความเสี่ยงที่ใช้ในการทดลองทางคลินิกเพื่อพิจารณาใส่เครื่องกระตุกหัวใจไฟฟ้าชนิดฝังใน (ICD) นั่นหมายความว่า ผู้ป่วยจำนวนมากที่ถูกมองข้ามตามแนวทางปัจจุบัน อาจมีสิทธิ์ได้รับอุปกรณ์ช่วยชีวิตนี้

ขั้นตอนต่อไป: จากห้องวิจัยสู่การรักษาจริง

งานวิจัยนี้ปูทางไปสู่สามขั้นตอนหลักต่อไป:

1. นำไปใช้ในคลินิกเพื่อตัดสินใจใส่เครื่องกระตุกหัวใจ: คลื่นไฟฟ้าหัวใจ (EKGs) เป็นการตรวจที่ราคาถูก ไม่รุกราน และมีอยู่ในคลินิกแทบทุกแห่งทั่วโลก โมเดล AI สามารถช่วยให้แพทย์ตัดสินใจได้อย่างแม่นยำมากขึ้นว่าผู้ป่วยรายใดควรได้รับการฝังเครื่องกระตุกหัวใจไฟฟ้าชนิดฝังใน (ICD) ดังที่ศาสตราจารย์ Obermeyer กล่าวไว้ว่า "ถ้าคุณรู้ว่าคุณคือหนึ่งในคนที่กำลังจะล้มลงเสียชีวิต คุณจะไปหาหมอโรคหัวใจและรับการฝังเครื่องกระตุกหัวใจ ปัญหาคือแพทย์ไม่สามารถรู้ได้ว่าใครควรได้รับการฝังก่อนที่มันจะสายเกินไป"

2. ความเข้าใจทางสรีรวิทยาแบบใหม่: รูปแบบคลื่นไฟฟ้าหัวใจที่ AI ค้นพบโดยที่มนุษย์ไม่ต้องบอกให้มันหาสิ่งใด เป็นการเปิดประตูสู่ทิศทางวิจัยใหม่ การทำความเข้าใจกลไกทางไฟฟ้าที่แน่นอนเบื้องหลังคลื่น R ที่เลอะเลือนใน lead aVL อาจช่วยตอบคำถามว่า ทำไม หัวใจของบางคนถึงเกิดสัญญาณผิดพลาดขึ้นมา Obermeyer กล่าวเสริมว่า "เราไม่เพียงแต่สามารถตัดสินใจได้ดีขึ้น แต่ยังเริ่มเข้าใจว่าเกิดอะไรขึ้นกับผู้ป่วยเหล่านี้ก่อนที่หัวใจของพวกเขาจะหยุดเต้นอีกด้วย"

3. การทดลองเชิงคาดการณ์ (Prospective trials) ก่อนนำมาใช้ในวงกว้าง: แม้ว่าการตรวจสอบความถูกต้องจากต่างประเทศทั่วสามทวีป (สวีเดน, สหรัฐอเมริกา, ไต้หวัน) จะเป็นหลักฐานที่แข็งแกร่ง แต่โมเดลนี้ยังคงต้องผ่านการทดสอบในการทดลองทางคลินิกเชิงคาดการณ์ (prospective clinical trials) ก่อนที่จะนำมาใช้ในเวชปฏิบัติประจำวัน ผลงานของทีมวิจัยครั้งนี้แสดงให้เห็นถึงการตรวจสอบที่เข้มงวดข้ามกลุ่มประชากร ซึ่งทำให้การค้นพบนี้มีแนวโน้มว่าจะเป็นประโยชน์อย่างสูง