Jednostavno rečeno
Običan snimak rada srca možda sadrži sitne znakove koji upozoravaju na opasnost, iako ih doktori ne mogu lako primijetiti. Istraživači su naučili računar da prepozna takve znakove na velikom broju snimaka. To bi moglo pomoći doktorima da ranije prepoznaju kome su potrebni dodatni pregledi, ali ne znači da računar može sa sigurnošću predvidjeti šta će se desiti pojedincu.
U bolnici se EKG često radi kao rutinski pregled koji traje svega nekoliko minuta. Ipak, ovaj snimak bilježi bogat obrazac električne aktivnosti srca. Istraživanje koje su vodili naučnici s University of California, Berkeley pokazuje da analiza tih obrazaca pomoću umjetne inteligencije može ukazati na ljude izložene opasnosti od iznenadne srčane smrti, čak i ako ih uobičajeni pregledi ne prepoznaju kao rizične.
To ne znači da je novi algoritam zamjena za kardiologa niti da će svaka osoba koju sistem svrsta u grupu s većim rizikom sigurno doživjeti srčani zastoj. Ideja je suptilnija: alat za analizu mogao bi u jednostavnom snimku pronaći osobine koje je standardnim pregledom teško uočiti, a zatim skrenuti pažnju doktora na ljude kojima bi moglo koristiti detaljnije praćenje.
Električni tragovi skriveni u svakodnevnom pregledu
Elektrokardiogram, skraćeno EKG ili ECG, bilježi električne signale koji usklađuju stezanje i opuštanje srca. Rezultat se obično prikazuje kao niz talasa, uspona i padova. Međutim, to nisu samo odvojene linije: njihov međusobni odnos i sitne promjene mogu sadržavati podatke o stanju srca koji nisu očigledni pri uobičajenom tumačenju pojedinačnog snimka.
Istraživači su obučili računarski program da u tim signalima traži obrasce povezane s kasnijom iznenadnom srčanom smrću. Nisu samo upoređivali EKG snimke zdravih ljudi sa snimcima osoba kojima je već bila utvrđena srčana bolest. Povezali su snimke i s podacima iz potvrda o smrti kako bi sistem mogao prepoznati obrasce zabilježene kod ljudi koji su kasnije iznenada umrli od srčanih uzroka.
Rad je vodio Ziad Obermeyer, vanredni profesor na School of Public Health pri University of California, Berkeley i doktor hitne medicine čija istraživanja povezuju medicinu, umjetnu inteligenciju i zdravstvenu politiku. Rezultati su objavljeni u časopisu Nature. Obermeyer učestvuje i u zajedničkom programu računske precizne medicine koji vode Berkeley i University of California, San Francisco.
Važnost signala koji je sistem naučio prepoznavati jeste u tome što on ne mora odgovarati očiglednom poremećaju koji bi doktor lako uočio na EKG-u. Program istovremeno razmatra više električnih osobina i iz njihovog preplitanja može izdvojiti obrazac povezan s većim rizikom. Istraživači, međutim, još ne znaju tačno koje biološke promjene stvaraju taj obrazac.
Srčani zastoj nije isto što i srčani udar
Da bismo razumjeli zašto je predviđanje važno, potrebno je razlikovati srčani udar od iznenadnog srčanog zastoja. Srčani udar nastaje kada se zbog začepljenja smanji ili prekine dotok krvi u dio srčanog mišića. Srčani zastoj, nasuprot tome, nastaje kada se poremeti električni sistem koji usklađuje otkucaje, pa srce više ne može djelotvorno pumpati krv.
Srčani zastoj može nastupiti bez jasnog upozorenja, zbog čega je teško pratiti i proučavati događaje koji mu prethode. Prema podacima navedenim u istraživanju, oko 90% ljudi koji dožive iznenadni srčani zastoj izvan bolnice umre u roku od nekoliko minuta. Kardiopulmonalna reanimacija i upotreba automatskog vanjskog defibrilatora mogu pomoći da se uspostavi normalan srčani ritam, ali mogućnost uspješne intervencije znatno je manja kada opasnost nije bila očekivana ili liječenje nije dostupno dovoljno brzo.
Iznenadna smrt istraživačima često oduzima priliku da prate šta se u srcu dešavalo neposredno prije zastoja. Obdukcija može otkriti začepljene krvne sudove, ožiljke ili druge promjene u građi srca, ali ne može rekonstruisati njegovu električnu aktivnost u minutama prije smrti. Zato je pronalaženje ranih znakova kod živih ljudi i dalje važan medicinski izazov.
Predviđanje dodatno otežava to što uzroci i osobine slučajeva nisu uvijek isti, a ljudi koji umru možda prije toga nisu bili na specijalističkom pregledu srca. Ako se rutinski zdravstveni podaci analiziraju u velikom obimu, mogli bi se otkriti signali koji su već bili zabilježeni, ali nisu bili predmet ciljane analize.
Šta uobičajene procjene ne mogu otkriti?
Doktori dio rizika od iznenadne srčane smrti procjenjuju mjerenjem količine krvi koju srce izbaci pri svakom stezanju. Taj podatak pomaže da se procijeni koliko dobro srce pumpa krv. Rezultati se uzimaju u obzir i kada se odlučuje da li je pacijent kandidat za ugradnju kardioverter-defibrilatora, uređaja koji se ugrađuje u tijelo i može isporučiti električni impuls kada prepozna opasan poremećaj ritma.
Mjerenje efikasnosti pumpanja obično zahtijeva širu medicinsku procjenu od rutinskog EKG-a. Mnogi ljudi možda nikada neće biti upućeni na takve preglede, naročito ako nemaju simptome ili poznate razloge zbog kojih bi doktor posumnjao na opasnost. Tako važni znakovi mogu ostati neotkriveni kod osoba koje ne ulaze u sistem specijalističke procjene.
S druge strane, to što se zna da pacijent pripada grupi s većim rizikom ne znači da će ugrađeni uređaj sigurno morati isporučiti električni impuls. Prema podacima istraživanja, kod oko dvije trećine pacijenata kojima je ugrađen defibrilator uređaj nikada ne mora isporučiti impuls. Ugradnja je skup i invazivan zahvat, pa bi preciznije prepoznavanje ljudi kojima će najvjerovatnije koristiti moglo smanjiti nepotrebno liječenje, a da se pritom ne zanemare oni kojima je uređaj potreban.
Tu se javlja problem procjene: ako su kriteriji prestrogi, dio ljudi izloženih riziku može ostati neprepoznat. Ako se, pak, zbog nesigurnih pokazatelja proširi krug kandidata za liječenje, neki ljudi mogli bi proći kroz zahvat koji im nije potreban. Zato vrijednost umjetne inteligencije nije u donošenju konačne odluke, nego u mogućnosti da poboljša početnu procjenu i pomogne u odabiru ljudi kojima treba dodatna provjera.
Od stotina hiljada snimaka do međunarodne provjere
Sistem je prvo treniran na EKG snimcima prikupljanim tokom šest godina u okviru jedinstvenog zdravstvenog sistema u Švedskoj. Skup podataka za obuku obuhvatio je više od 440,000 snimaka. Kada su ih povezali s podacima iz potvrda o smrti, istraživači su mogli uporediti električne obrasce različitih grupa, uključujući ljude koji su kasnije iznenada umrli od srčanih uzroka.
Program je učio iz hiljada detalja na snimcima, kao što su oblik talasa, njihov redoslijed i odnosi među pojedinim dijelovima. Kod ovakve analize istraživači ne moraju unaprijed odrediti koja bi pojedinačna osobina trebalo da bude znak opasnosti. Sistem može sam tražiti kombinacije karakteristika koje se ponavljaju uz ishod koji pokušava predvidjeti.
Nakon obuke, tim je alat testirao na nezavisnim podacima izvan Švedske, što je važno da bi se provjerilo da li će dobro raditi i na ljudima koji nisu pripadali grupi na kojoj je učio. Testiranje je obuhvatilo hiljade dodatnih zapisa iz Sjedinjenih Američkih Država i Tajvana. Američki podaci uključivali su EKG snimke prikupljane tokom dvije godine u bolničkom sistemu u San Diegu, kao i zaseban skup podataka pacijenata iz Taipeija.
Podaci iz različitih zemalja i zdravstvenih sistema pomažu da se procijeni može li se rezultat primijeniti i drugdje, ali sami po sebi ne dokazuju da će sistem jednako dobro raditi za svaku zajednicu ili grupu pacijenata. Na njegov učinak mogu uticati razlike među stanovništvom, načini prikupljanja podataka i dostupna zdravstvena njega. Zato je važno alat ispitati na više mjesta prije nego što se razmatra njegova široka primjena u kliničkoj praksi.
Prikupljanje i uređivanje podataka trajalo je skoro deset godina, rekao je Obermeyer. U tome su učestvovale dvije organizacije čijem je osnivanju pomogao: Dandelion Health i Nightingale Open Science. To pokazuje da razvoj medicinskog algoritma ne počinje samo pisanjem programa. Omogućiti pristup zdravstvenim zapisima, pouzdano ih povezati i pripremiti za istraživanje može biti dugotrajan posao sam po sebi.
Šta znači stopa od 7%?
Pri poređenju rezultata, u grupi koju su izdvojile tradicionalne metode godišnja stopa iznenadne srčane smrti iznosila je 4,6%. U grupi koju je sistem umjetne inteligencije označio kao rizičniju, godišnja stopa smrti bila je 7%. Dakle, sistem je prepoznao grupu u kojoj je zabilježeni rizik bio veći nego u grupi izdvojenoj uobičajenim metodama procjene.
Ovi procenti opisuju godišnju stopu za grupe ljudi i ne znače da sistem može sa sigurnošću predvidjeti šta će se dogoditi pojedincu. Razlika između 4,6% i 7% ne pretvara procjenu u izvjesnost niti dokazuje da svakoj osobi u rizičnijoj grupi treba ugraditi uređaj. Rezultat prije ukazuje na to da bi se ljudi mogli preciznije razvrstati prema riziku, što bi doktorima moglo pomoći da odaberu sljedeći korak.
Jedan od zanimljivih nalaza jeste da je algoritam označio i širu grupu ljudi s povećanim rizikom, među kojima su bile hiljade osoba koje prema važećim medicinskim smjernicama obično ne bi bile smatrane izrazito rizičnim. Većina njih bi se prema tradicionalnim metodama svrstala među one s relativno manjim rizikom. To otvara mogućnost da se neki slučajevi povećanog rizika kriju u rutinskim zdravstvenim zapisima i da ih uobičajena analiza ne prepoznaje.
Ipak, širenje kruga ljudi za koje se sumnja da su ugroženi ne bi smjelo automatski značiti i više medicinskih intervencija. Dodatni pregled, dugotrajnije praćenje i odluka o ugradnji uređaja različiti su koraci, a za svaki su potrebni sve čvršći dokazi. Zato bi prva praktična korist alata mogla biti upućivanje nekih pacijenata na pažljivije praćenje, a ne neposredan prelazak s rezultata algoritma na operativni zahvat.
Kako upozorenje pretvoriti u praćenje?
Obermeyer i njegov tim sarađuju sa zdravstvenim sistemima u Švedskoj, Tajvanu i Sjedinjenim Američkim Državama kako bi algoritam povezali s bolničkim bazama EKG snimaka. Predložena ideja je da se postojeći zapisi pregledaju i potraže pokazatelji vrijedni pažnje, a zatim da se kontaktiraju pacijenti čija procjena rizika bude visoka i ponudi im dodatno praćenje.
Jedna od mogućnosti jeste da neki pacijenti nose mali uređaj u obliku flastera koji neprekidno prati električnu aktivnost srca. To se razlikuje od EKG-a koji bilježi rad srca samo tokom kratkog vremena: duže praćenje može zabilježiti povremene poremećaje ili promjene koje se ne pojave na kratkom snimku. Takvi podaci mogli bi doktorima i istraživačima pružiti jasniju sliku o prirodi signala koji je prepoznala umjetna inteligencija.
Ako se tokom dugotrajnog praćenja otkriju povezani obrasci, oni bi mogli pomoći u razumijevanju električnih ili bioloških promjena zbog kojih je srce podložnije opasnom poremećaju. Nakon prikupljanja potrebnih dokaza, informacije bi mogle biti korisne pri donošenju odluka o preventivnom liječenju, uključujući ugradnju defibrilatora kod ljudi za koje se pokaže da će od njega imati najviše koristi.
Ovi koraci još su dio razvoja kliničke primjene, a ne najava pregleda koji je široko dostupan ili liječenja koje je potvrđeno kao prikladno za sve koje sistem svrsta u rizičniju grupu. Da bi se alat za predviđanje pretvorio u njegu koja poboljšava zdravstvene ishode, potrebno je potvrditi tačnost procjene, odrediti šta treba učiniti nakon rezultata i u stvarnim uslovima procijeniti koristi i rizike za pacijente.
Misterija koju je otkrila umjetna inteligencija
Važnost ovog rada ne svodi se samo na razvrstavanje pacijenata. Algoritam je uočio električne obrasce koje istraživači povezuju s rizikom, ali njihovo biološko značenje još nije sasvim jasno. Time se otvara važno naučno pitanje: šta se dešava u srcu pa ostavlja trag na običnom EKG-u prije nego što nastupi smrtonosni poremećaj?
Razumijevanje tih obrazaca moglo bi pomoći u otkrivanju promjena koje ranije nisu bile poznate ili u poboljšanju metoda procjene stanja srca. Ako istraživači uspiju povezati određeni signal s konkretnim mehanizmom, moći će preći s opažanja da neki EKG snimci predviđaju rizik na objašnjenje zašto se ti obrasci pojavljuju, a možda i na potragu za novim načinima prevencije.
Ovaj rad pokazuje i jednu drugačiju ulogu umjetne inteligencije u medicini. Ona ne služi samo za brže očitavanje nalaza ili automatizaciju rutinskog posla. Može pomoći da se u velikim količinama podataka uoče složene veze koje naučnici zatim mogu provjeravati eksperimentima i kliničkim posmatranjem. Ipak, algoritam je alat za prepoznavanje obrazaca, a medicinsko objašnjenje ne postaje činjenica samo zato što je program pronašao vezu između obrasca i zdravstvenog ishoda.
Da bi ovaj pristup bio pouzdan, doktori moraju razumjeti šta rezultat znači za pacijenta i imati jasne korake za dalje praćenje, primjerene procijenjenom nivou rizika. Također treba provjeriti da sistem dobro radi na različitim grupama ljudi i da njegovo korištenje ne dovede do lažnog osjećaja sigurnosti, nepotrebne zabrinutosti ili suvišnih pregleda.
Zaključak
Istraživanje University of California, Berkeley pokazuje da se u rutinskom EKG-u možda kriju suptilni znakovi povećane podložnosti iznenadnoj srčanoj smrti. Sistem umjetne inteligencije učio je na više od 440,000 EKG snimaka iz Švedske, prikupljenih tokom šest godina, a zatim je provjeren na hiljadama dodatnih zapisa iz Sjedinjenih Američkih Država i Tajvana. Izdvojio je grupu s godišnjom stopom smrti od 7%, naspram 4,6% u grupi koju su prepoznale tradicionalne metode, te ukazao i na ljude koje uobičajeni pregledi vjerovatno ne bi smatrali rizičnim.
Ovi rezultati nisu konačna prognoza za pojedinca i ne znače da uređaj za zaustavljanje opasnih poremećaja ritma treba ugraditi svima koje program označi kao rizične. Ipak, alat bi mogao pomoći doktorima da lakše prepoznaju kome je potrebno detaljnije praćenje, na primjer pomoću flastera koji duže bilježi rad srca. Ako buduća istraživanja potvrde njegovu korist i sigurnost, ovakav pristup mogao bi spriječiti neke smrti, a istovremeno pomoći da bolje razumijemo signale koji prethode smrtonosnom poremećaju srca.