Onderzoekers van Mount Sinai hebben een nieuwe kunstmatige intelligentie technologie ontwikkeld die kleine veranderingen in het hart kan identificeren en hartfalen nauwkeurig kan voorspellen. De resultaten van dit onderzoek hebben ze onlangs gepubliceerd in het Journal of the American College of Cardiology.
Het onderzoek zou kunnen leiden tot een snellere diagnose en eerdere detectie van congestief hartfalen, waardoor artsen patiënten effectiever kunnen behandelen en de ziekteprogressie kunnen vertragen. Ze hebben aangetoond dat deep-learning algoritmen bloedpompproblemen aan beide zijden van het hart kunnen herkennen aan de hand van ECG-golfvormgegevens.
Gewoonlijk vereist het diagnosticeren van dit soort hartaandoeningen dure en tijdrovende procedures. In een persbericht sprak senior auteur Benjamin S. Glicksberg, een assistent-professor Genetica en Genomische Wetenschappen aan Mount Sinaï, de hoop uit dat dit kunstmatige intelligentie algoritme een snellere diagnose van hartfalen mogelijk zal maken.
Als de meest voorkomende diagnose bij ziekenhuispatiënten ouder dan 65, hebben meer dan zes miljoen mensen in de VS congestief hartfalen. De aandoening treedt op wanneer het hart het bloed niet efficiënt door het lichaam kan pompen, waarbij het bloed sneller naar het hart terugkeert dan het kan worden weggepompt en congestie veroorzaakt. Naarmate het lichaam compenseert en de ziekte voortschrijdt, treden verschillende bijwerkingen op, zoals een vergroot hart, nierfalen, hartkloppingen en lage zuurstofvoorziening van organen. Bij het diagnosticeren van hartaandoeningen gebruiken artsen vaak elektrocardiogrammen voor het meten van de hartslag en elektrische activiteit, samen met echocardiogrammen voor gedetailleerde hartbeelden.
Het diagnosticeren van hartfalen vereist echter expertise, speciale apparatuur die niet altijd direct beschikbaar is en kan tijdrovend zijn. Vaak kunnen veranderingen op het elektrocardiogram ook te subtiel zijn voor het menselijk oog om te detecteren, wat leidt tot een vertraagde diagnose.
Eerdere studies hebben kunstmatige intelligentie technologie algoritmen ontwikkeld voor het detecteren van zwakte in de linker hartkamer – de kant die zuurstofrijk bloed in het lichaam duwt. Tot nu toe bestonden er echter geen hulpmiddelen voor het schatten van de rechterventrikelfunctie – die zuurstofarm bloed van het lichaam naar de longen verplaatst -, wat resulteerde in een onvolledige samenvatting van de volledige hartfunctie van een patiënt.
De onderzoekers hebben gewerkt aan het creëren van een diepgaand leerraamwerk dat de functie van de linker- en rechterventrikels evalueert. Het team gebruikte natuurlijke taalverwerking om een computer te trainen om geschreven rapporten te lezen en te verwerken, samen met correlerende echocardiogrammen en elektrocardiogrammen van 148.227 patiënten.
Met behulp van meer dan 700.000 echocardiogram- en elektrocardiogramrapporten van vier verschillende ziekenhuizen in het Mount Sinai Health System, trainden de onderzoekers het neurale netwerk om patronen te vinden en pompkrachten te herkennen.
Voor het testen van het algoritme zijn gegevens van een vijfde ziekenhuis gebruikt. De modellen zijn getraind op een HIPAA-compatibele NVIDIA GPU-versnelde virtuele Azure Cloud-machine met NVIDIA V100 Tensor Core GPU’s.
Het algoritme voorspelde welke patiënten een gezond pompende linkerventrikel hadden met een nauwkeurigheid van 94%, en identificeerde patiënten met zwakke linkerventrikels ongeveer 87% van de tijd. De rechterventrikelfunctie was moeilijker te voorspellen en het algoritme bereikte een nauwkeurigheid van 84% bij het voorspellen welke patiënten zwakke rechterkleppen hadden.
De resultaten suggereren dat dit kunstmatige intelligentie algoritme een nuttig hulpmiddel zou kunnen zijn om klinische beoefenaars te helpen bij het bestrijden van hartfalen bij een verscheidenheid aan patiënten”, zei Glicksberg. “We zijn bezig met het zorgvuldig ontwerpen van prospectieve onderzoeken om de effectiviteit ervan in een meer realistische omgeving te testen.”
Het volledige onderzoek is te vinden op:
https://www.sciencedirect.com/science/article/pii/S1936878X21006276?via%3Dihub
Geef een reactie