STUDIU. Diagnosticul timpuriu al sindromului QT lung: un algoritm AI a depășit capacitatea specialiștilor în interpretarea EKG




Sindromul de QT lung (LQTS) este o tulburare de ritm cardiac care determină un risc crescut de moarte subită cardiacă. O persoană poate fi născută cu mutații genetice care cresc riscul de sindrom de QT lung. Deși prelungirea intervalului QT este caracteristica distinctivă a LQTS, aproximativ 40% dintre pacienții cu LQTS confirmat genetic au un QT corectat (QTc) normal în repaus, iar specialiștii care citesc electrocardiograma (EKG) nu reușesc să îi diagnosticheze. Diferențierea pacienților cu LQTS de cei cu QTc normal este importantă pentru diagnosticarea corectă a bolii, implementarea măsurilor preventive și inițierea terapiei profilactice, mai ales că nu există un tratament curativ pentru acest sindrom, iar neadresat duce la moarte cardiacă subită.

În acest context, specialiștii de la Mayo Clinic au realizat un studiu (publicat în Jama Cardiology) în care au utilizat rețele neuronale profunde (deep neural networks – DNN) convoluționale pentru a încerca să ofere o soluție la problema diagnosticării (AI-ECG). Au fost utilizate EKG-uri cu 12 derivații.

abonare

AI-ECG a reușit să distingă pacienții cu sindrom QT lung care nu este evident pe EKG, de cei externați fără diagnostic de LQTS, oferind o anticipare precisă, de aproape 80%, a genotipului LQTS. Mai mult, AI-ECG a clasificat cu aceeași acuratețe pacienții în 3 subgrupuri bazate pe genotipul LQTS (datele unora dintre pacienți, utilizate în studiu, includeau și încadrare genetică a sindromului). Așadar, eficacitatea unei soluții bazată pe inteligență artificială a depășit capacitatea specialiștilor în interpretarea EKG pentru identificarea acestei afecțiuni particulare.

„Acești pacienți cu sindrom QT lung mediat genetic și valori QTc bune, în intervalul normal, sunt detectați în cea mai mare parte în prezent prin testarea genetică în cascadă, în urma descoperirii unei rude cu o mutație cauzatoare de LQTS”, a declarat dr. Michael J. Ackerman, unul dintre autorii studiului, pentru Medscape News.

Conform acestuia, avantajul utilizării unei soluții de diagnostic bazată pe AI constă în faptul că evaluează toate cele 60.000 de puncte care rezultă din intersecția celor 12 derivații, măsurate timp de 12 secunde, de pe forma de undă a EKG-ului. Aceste particularități pot scăpa ochiului uman, chiar și atunci când este foarte experimentat. Un dezavantaj ar fi însă că, deși soluția AI rafinează mult mai corect diagnosticul, nu are capacitatea de a indica specialistului uman care sunt punctele cheie care au îmbunătățit diagnosticul oferit.

„Pot să fac o treabă mai bună în a determina QTc decât ceea ce oferă computerul EKG cu 12 derivări. Cred că nu sunt de acord cu valoarea QTc a computerului în aproximativ 5 – 10% din timp. Dar chiar și creierul meu antrenat să identifice intervalul QT nu poate începe să concureze cu creierul AI profund din rețeaua neuronală”, a completat Dr. Ackerman, referindu-se la citirile convenționale de pe un computer digital de EKG.

Desfășurarea studiului

Au fost utilizate date înregistrate între 1999 și 2018 – un total de 2.059 de pacienți (cărora li s-au efectuat multiple EKG-uri de-a lungul timpului). Pacienții au fost incluși dacă au avut un diagnostic clinic și / sau genetic definitiv de LQTS tip 1, 2 sau 3 (LQT1, 2 sau 3) sau au fost consultați din cauza unei suspiciuni inițiale pentru LQTS, dar au fost externați fără acest diagnostic. Rețeaua a utilizat aproximativ 9.000 EKG: 60% dintre ele pentru antrenare – „învățare”, 10% pentru validare și restul de 30% pentru testare.

Rețelele neuronale convoluționale au nevoie de împărțirea datelor în aceste 3 seturi, iar setul de antrenare este cel mai voluminos, pentru ca rețeaua să poată fi „învățată” cât mai mult, crescând astfel eficacitatea și acuratețea. La nivel intuitiv, CNN – rețelele neuronale convoluționale funcționează prin trierea datelor în seturi de date mai mici și încercarea tuturor combinațiilor posibile. Cu cât rețeaua este setată să aibă mai multe cicluri de citire a datelor pentru antrenare, cu atât procesul devine mai complex, fiecare strat convoluțional devenind o cutie neagră – „black box”. De aici rezultă și provocarea de a înțelege pattern-urile pe care algoritmul le-a identificat în procesul de citire a datelor.

Adevărata revoluție va veni în urma dezvoltării unui astfel de algoritm care să utilizeze date colectate cu dispozitivele de tip wearables care înregistrează EKG. S-au făcut pași importanți în acest sens, însă majoritatea soluțiilor vizează fibrilația atrială.

Citește și: