Mākslīgā intelekta risinājums, kas var palīdzēt uzlabot sirds mazspējas pacientu aprūpi
Jaunais MI rīks uzlabo esošos sirds mazspējas riska novērtēšanas rīkus, izmantojot mašīnmācības (ML) un mākslīgā intelekta (MI) spējas, lai noteiktu pacientam specifiskus riskus nelabvēlīgu sirds mazspējas iznākumu attīstībai.
“Sirds mazspēja ir progresējošs stāvoklis, kas ietekmē ne tikai dzīves kvalitāti, bet arī kvantitāti. Visi sirds mazspējas pacienti nav vienādi. Katrs pacients atrodas spektrā, kurā pastāv blakusparādību risks," sacīja pētniece Sula Mazimba. "Katra pacienta riska pakāpes noteikšana sola palīdzēt ārstiem pielāgot terapiju, lai uzlabotu rezultātus."
Sirds mazspēja rodas, ja sirds nespēj sūknēt pietiekami daudz asiņu ķermeņa vajadzībām. Tas var izraisīt nogurumu, vājumu, kāju un pēdu pietūkumu un rezultēties ar nāvi. Sirds mazspēja ir progresējošs stāvoklis, tāpēc ir ārkārtīgi svarīgi, lai ārsti spētu identificēt pacientus, kuriem ir nelabvēlīgu iznākumu risks. Turklāt sirds mazspēja ir pieaugoša problēma. Vairāk nekā 6 miljoniem amerikāņu jau ir sirds mazspēja, un paredzams, ka līdz 2030. gadam šis skaits pieaugs līdz vairāk nekā 8 miljoniem. UVA pētnieki izstrādāja savu jauno modeli, ko sauc par CARNA, lai uzlabotu šo pacientu aprūpi.
Pētnieki izstrādāja savu modeli, izmantojot anonimizētus datus, kas iegūti no tūkstošiem pacientu, kuri piedalījās sirds mazspējas klīniskajos pētījumos, kurus iepriekš finansēja Nacionālais veselības institūts Nacionālais sirds, plaušu un asins institūts. Pārbaudot modeli, viņi atklāja, ka tas pārspēj esošos prognozētājus, lai noteiktu, kā plašam pacientu lokam veiksies tādās jomās kā nepieciešamība pēc sirds operācijas vai transplantācijas, atkārtotas hospitalizācijas risks un nāves risks.
Pētnieki modeļa panākumus saista ar ML/MI izmantošanu un "hemodinamisko" klīnisko datu iekļaušanu, kas apraksta, kā asinis cirkulē caur sirdi, plaušām un pārējo ķermeni.
"Šis modelis ir izrāviens, jo tas iekļauj sarežģītas datu kopas un var pieņemt lēmumus pat starp trūkstošiem un pretrunīgiem faktoriem," sacīja pētniece Džozefīne Lampa no Virdžīnijas Universitātes Inženierzinātņu skolas Datorzinātņu nodaļas. "Tas ir patiešām aizraujoši, jo modelis gudri parāda un apkopo riska faktorus, kas samazina lēmumu slogu, lai ārsti varētu ātri pieņemt lēmumus par ārstēšanu."
Izmantojot šo modeli, ārsti būs labāk sagatavoti, lai personalizētu aprūpi atsevišķiem pacientiem, palīdzot viņiem dzīvot ilgāk un veselīgāk, cer pētnieki.
"Sadarbības pētniecības vide Virdžīnijas Universitātē padarīja šo darbu iespējamu, apvienojot sirds mazspējas, datorzinātņu, datu zinātnes un statistikas ekspertus," sacīja pētnieks Kenets Bilčiks, MD, UVA Health kardiologs. "Daudzdisciplīnu biomedicīnas pētījumi, kas apvieno talantīgus datorzinātniekus ar klīniskās medicīnas ekspertiem, būs ļoti svarīgi, lai palīdzētu mūsu pacientiem gūt labumu no MI nākamajos gados un desmitgadēs."
AVOTS: Lamp J, Wu Y, Lamp S, et al. Characterizing advanced heart failure risk and hemodynamic phenotypes using interpretable machine learning. American Heart Journal, 2024; 271: 1