Modelele AI pot evalua riscul de stop cardiac brusc pe baza dosarelor medicale
Cercetătorii au dezvoltat modele de inteligență artificială (AI) capabile să analizeze dosarele medicale electronice (EHR) și electrocardiogramele pentru a identifica persoanele din populația generală care prezintă un risc crescut de stop cardiac brusc, o afecțiune ce provoacă anual peste 400.000 de decese în Statele Unite și are o rată de supraviețuire de doar 10%.
Descoperirea reprezintă un avans semnificativ în predicția unei urgențe medicale care, de cele mai multe ori, apare fără semne prealabile de boală cardiacă.
Folosind aplicații de inteligență artificială și date din dosarele medicale, cercetătorii au demonstrat că predicția stopului cardiac în populația generală este realizabilă, a declarat Dr. Neal Chatterjee, investigator principal al studiului, la Universitatea din Washington.
Articolul a fost publicat în JACC: Advances, o revistă a Colegiului American de Cardiologie. Ceilalți autori seniori provin de la Massachusetts General Hospital și Broad Institute al MIT și Harvard.
Populația testată de cercetători a inclus aproximativ 1,7 milioane de pacienți dintr-un mare sistem de sănătate din Statele Unite. Au fost dezvoltate trei modele AI cu seturi de date distincte: „doar EKG”, „doar EHR” (care evaluează 156 de caracteristici clinice ale dosarelor pacienților) și un model combinat ce integrează seturile de date EKG și EHR.
Investigatorii au dezvoltat și validat modelul AI folosind trei grupuri distincte de pacienți:
Cohorta de antrenament: Modelele au fost antrenate cu date de la 993 de indivizi care au suferit un stop cardiac în afara spitalului între 2013 și 2021 și 5.479 de pacienți de control, potriviți după vârstă și sex, care nu au avut astfel de incidente. Acest grup a învățat modelele AI să recunoască înregistrările EHR și citirile EKG asociate unui risc mai mare de stop cardiac.
Cohorta de testare: Pentru a verifica dacă modelele AI au distins corect factorii de risc înalt și scăzut, cercetătorii le-au aplicat la un grup separat de 463 de cazuri de stop cardiac din 2022-2023 și 2.979 de pacienți de control. Testul a arătat că asocierile de risc ale modelelor au fost similare cu cele stabilite de cohorta de antrenament.
Cohorta din lumea reală: Acest grup a inclus 39.911 indivizi care au primit EKG-uri în 2021, indiferent de starea lor de sănătate. Cercetătorii au analizat dosarele subgrupului de pacienți care au suferit un stop cardiac în următorii doi ani pentru a determina cât de bine s-au aliniat cu profilurile de risc stabilite de modelele AI, a explicat Chatterjee.
În cazul cohortei din lumea reală, modelul combinat EHR-EKG a prezis corect 153 din 228 de persoane cu risc ridicat care au experimentat un stop cardiac.
„Cu aceste modele, suntem capabili să îmbunătățim predicția riscului de la aproximativ 1 din 1.000 la 1 din 100”, a spus Chatterjee. „Dacă medicul dumneavoastră v-ar spune că riscul de stop cardiac este de 1 din 100, acest lucru v-ar atrage atenția. Aducem un risc teoretic în focus.”
O altă descoperire promițătoare a fost aceea că analiza EKG-ului îmbunătățită de AI a arătat o capacitate predictivă puternică, ușor mai modestă decât cele două modele care au integrat datele EHR.
„EKG-ul cu 12 derivații este un instrument de cost redus care ar putea stratifica riscul pacienților de stop cardiac în orice comunitate din întreaga lume”, a adăugat Chatterjee.
Studiul a identificat de asemenea caracteristici de risc pentru stop cardiac în afara celor asociate în mod obișnuit cu bolile cardiovasculare. Printre acești factori s-au numărat tulburările electrolitice, consumul de substanțe și interacțiunile medicamentelor.
„Arătăm câțiva factori de risc relativ ușor de modificat”, a observat Chatterjee. „Un model care semnalează un pacient ca având un risc ridicat ar putea determina persoana care se ocupă de pacient să revizuiască istoricul medical și medicamentele acestuia.”
Deși constatările demonstrează fezabilitatea predicției riscului, Chatterjee a subliniat că sunt necesare mai multe studii pentru a determina cele mai bune răspunsuri clinice atunci când un model semnalează un risc crescut de stop cardiac al unui pacient.
„Trebuie să ne dăm seama ce studii de urmărire să urmăm pentru a înțelege ce facem cu aceste informații despre pacienți. Ce screening, ce supraveghere, ce intervenție este justificată?”
Studiul are limitări importante. Toate datele provin dintr-un singur sistem de sănătate, iar generalizabilitatea în alte populații cu demografice și modele de îngrijire diferite este necunoscută. Cohorta din lumea reală a fost limitată la indivizi care au primit un EKG, care pot diferi de cei care nu au fost supuși evaluării EKG. Reprezentările EKG îmbunătățite de AI ar putea reflecta, de asemenea, prejudecăți legate de demografie și modele de îngrijire.
