Nieco historii…
Przedwczesne zespoły komorowe (PVC) to wczesne depolaryzacje mięśnia sercowego komory i występują u 1% do 4% ogólnej populacji dorosłych w 12-odprowadzeniowym badaniu elektrokardiograficznym
(EKG) i od 40% do 75% w badaniu holterowskim. Chociaż początkowo uważano je za łagodną przypadłość, w latach 90-tych XX wieku poznaliśmy koncepcję kardiomiopatii indukowanej PVC ( ang. PVC-CM), w której pacjenci z kardiomiopatią idiopatyczną zaobserwowali poprawę frakcji wyrzutowej lewej komory (LVEF) dzięki farmakologicznej supresji pobudzeń komorowych. Ablacja cewnikowa była również skuteczna w przywracaniu funkcji komór po wyeliminowaniu PVC. Liczne badania wykazały, że obciążenie PVC koreluje umiarkowanie ze stopniem dysfunkcji lewej lewej komory w próbach stratyfikacji ryzyka pacjentów, którym grozi kardiomiopatia lewej komory. U pacjentów z wysokim obciążeniem dobowym PVC częstość występowania PVC-CM wynosi ok. 33%, przy najniższym obciążeniu dobowym PVC powodującym kardiomiopatię wynoszącym ok. 10% (10% skurczów dobowo to skurcze PVC). Jednak u niektórych pacjentów z wysokim obciążeniem PVC nie dochodzi do spadku frakcji wyrzutowej (EF), podczas gdy u innych z niskim obciążeniem dochodzi do kardiomiopatii. Dlaczego tak się dzieje pozostaje zagadką, jednak każe nam to przypuszczać, że sama dobowa ilość PVC nie jest jedynym czynnikiem określającym możliwość kardiomiopatii serca, ale na pewno pozostaje pewnym wyznacznikiem.
W związku z powyższym grupa lekarzy kardiologów przeprowadziła badanie, którego celem było opracowanie metody wczesnego wykrywania kardiomiopatii, choroby mięśnia sercowego, która może prowadzić do niewydolności serca. Chcieli oni wykorzystać EKG, czyli powszechny i nieinwazyjny test, do identyfikacji osób zagrożonych przed postępem choroby, potencjalnie umożliwiając wcześniejszą interwencję i lepsze wyniki. Zespół wykorzystał zaawansowane techniki sztucznej inteligencji do analizy danych EKG, uznając, że wczesne wykrywanie może znacząco wpłynąć na opiekę nad pacjentem i strategie leczenia.
Jak oni to zrobili?
W badaniu wykorzystano komputerowy algorytm głębokiego uczenia się, w szczególności wstępnie wytrenowany model ResNet, do przewidywania kardiomiopatii u pacjentów z przedwczesnymi zespołami komorowymi (PVC) na podstawie danych z 12-odprowadzeniowego EKG. Algorytm został przeszkolony i przetestowany na 13 553 pacjentach z 25 995 zapisami EKG z jednego szpitala (80% wykorzystano do szkolenia, a 20% do testowania z podziałem na grupy), a następnie zweryfikowany zewnętrznie na podstawie połączonych danych z pozostałych 4 szpitali. Model ocenił obszar pod krzywą charakterystyki operacyjnej odbiornika (AUROC) i wykorzystał mapowanie aktywacji klasy ważonej gradientem (GradCAM) w celu wyjaśnienia, podkreślając obszary EKG najbardziej odpowiedzialne za przewidywania.
Nie rozumiem, możesz prościej?
W badaniach wykorzystano inteligentny program komputerowy do analizy sygnałów serca z EKG (badanie sprawdzające pracę serca) w celu ustalenia, czy ktoś może mieć problem z sercem zwany kardiomiopatią. Stworzono inteligentny komputer, ucząc go wielu obrazów sygnałów serca z różnych szpitali. Ten inteligentny program może następnie pokazać, które części sygnału serca są jego zdaniem ważne dla przewidywania, czy ktoś może mieć ten problem z sercem, nawet zanim to faktycznie nastąpi.
OK, ale jak to działa?
Sam program uczy się, które obszary są problematyczne poprzez proces zwany treningiem. Podczas tej fazy otrzymuje wiele przykładów EKG od osób z problemami z sercem i bez nich. Wraz z tymi przykładami otrzymuje informacje o tym, które z nich zakończyły się problemami. Z czasem, analizując te przykłady, program uczy się rozpoznawać wzorce lub sygnały w EKG, które mogą wskazywać na problemy z sercem. Nikt bezpośrednio nie mówi programowi, które obszary są problematyczne; program sam się tego dowiaduje, szukając wzorców, które często prowadzą do problemów z sercem.
Niniejsze badanie przedstawia nowatorski algorytm głębokiego uczenia oparty na 12-odprowadzeniowym EKG do przewidywania zmniejszenia frakcji wyrzutowej lewej komory do #40% i <50% w ciągu 6 miesięcy u pacjentów z PVC i bez zawału mięśnia sercowego w wywiadzie.
Najważniejsze wyniki tego badania są następujące:
1) algorytm może dokładnie przewidzieć kardiomiopatię w ciągu 6 miesięcy;
2) algorytm był dokładny dla obu płci i w różnych grupach etnicznych;
3) przewidywanie algorytmu jest niezależne od obciążenia dobowego PVC;
4) algorytm był przekonującym i niezależnym predyktorem zmniejszenia EF w skończonym, możliwym do podjęcia okresie klinicznym;
5) analiza wyjaśnialności podkreśliła znaczenie zespołu QRS i odcinka ST w rytmie zatokowym, a nie samej morfologii PVC, co sugeruje, że pochodzenie PVC nie napędza rozwoju kardiomiopatii, a przewidywanie modelu może identyfikować wrażliwe miokardium zagrożone dekompensacją pod wpływem stresora, takiego jak PVC;
6) LVEF poprawiła się w podgrupie pacjentów, którzy przeszli udane procedury ablacji PVC.
Być może najbardziej intrygującą obserwacją w tym badaniu jest to, że pozytywne przewidywanie algorytmu jest nie tylko związane ze znacznie zwiększonym prawdopodobieństwem późniejszego upośledzenia funkcji skurczowej lewej komory, ale jest również niezależne od obciążenia dobowego PVC. Sugeruje to, że częstość występowania PVC, będąca podstawą podejmowania decyzji klinicznych, nie jest głównym czynnikiem rozwoju kardiomiopatii w kontekście przewidywania algorytmu w tej populacji pacjentów.
Czy więc oznacza, to, że dobowa ilość PVC, która jest na obecną chwilę głównym czynnikiem decyzji kardiologów o ablacji, lub o agresywnym leczeniu PVC – jest błędnym wyznacznikiem i istnieją inne/lepsze? I tak i nie (grafika niżej).
W tym samym badaniu potwierdzono, że duża dobowa ilość skurczów komorowych koreluje z kardiomiopatią serca. Stosunek ryzyka (HR) dla obciążenia PVC jako niezależnego predyktora kardiomiopatii wyniósł 1,42, z przedziałem ufności (CI) od 1,3 do 1,6, a istotność statystyczna została oznaczona jako P < 0,01.
Można jaśniej?
To oznacza, że wedle tego badania, ludzie, którzy mają dużo komorówek, mają o 42% większe ryzyko zachorowania na kardiomiopatię, w porównaniu z ludźmi, którzy mają mniej takich nieregularnych uderzeń. Przedział ufności od 1,3 do 1,6 mówi nam, jak bardzo badacze są pewni swoich wyników. Myślą, że prawdziwe ryzyko wzrasta gdzieś pomiędzy 30% a 60% (szacują na 42%, ale jest w tym pewien margines błędu). P < 0,01 mówi o tym, że bardzo mało prawdopodobne jest, aby te wyniki wyszły przez przypadek (mniej niż 1% szansy na pomyłkę). Innymi słowy, badacze są bardzo pewni, że więcej PVC rzeczywiście zwiększa ryzyko kardiomiopatii.
Podsumowanie
Nikt raczej nie kwestionuje, że duża ilość PVC faktycznie zwiększa ryzyko kardiomiopatii serca. W tym badaniu kluczowa wydaje się jednak przesłanka, że sama ilość PVC nie jest głównym wyznacznikiem (jak do tej pory uważano), a istnieją inne, znacznie pewniejsze i dokładniejsze wzorce w zapisie EKG, które świadczą, czy u danej osoby rozwinie się kardiomiopatia, czy nie.
Czy więc już niedługo sztuczna inteligencja pomoże lekarzom ocenić komu grozi kardiomiopatia serca, a komu nie? Czy tacy pacjenci zostaną wcześniej zidentyfikowani i bardziej zaopiekowani przez kardiologów? Chyba za wcześnie, aby na to pytanie zdecydowanie odpowiedzieć, ale szanse są spore 🙂
Źródło:
Joshua Lampert, Akhil Vaid, William Whang, Jacob Koruth, Marc A. Miller, Marie-Noelle Langan, Daniel Musikantow, Mohit Turagam, Abhishek Maan, Iwanari Kawamura, Srinivas Dukkipati, Girish N. Nadkarni, Vivek Y. Reddy,
A Novel ECG-Based Deep Learning Algorithm to Predict Cardiomyopathy in Patients With Premature Ventricular Complexes,
JACC: Clinical Electrophysiology,
Volume 9, Issue 8, Part 2,
2023,
Pages 1437-1451,
ISSN 2405-500X,
https://doi.org/10.1016/j.jacep.2023.05.025.
