Susirūpinęs dėl dirbtinio intelekto modelių, mokančių pagal miesto demografinius rodiklius, gebėjimas pateikti teisingas medicinines diagnozes kaimo gyventojams, Vakarų Virdžinijos universiteto kompiuterių mokslininkai sukūrė kelis AI modelius, kurie pacientams iš Apalachijos gali nustatyti širdies nepakankamumo požymius.
WVU Benjamin M. Statler inžinerijos ir mineralinių išteklių koledžo Prashnna Gyawali, WVU Benjamin M. Statler koledžo inžinerijos ir mineralinių išteklių koledžo docentas, sakė, kad širdies nepakankamumas – lėtinė, nuolatinė būklė, kai širdis negali pakankamai išpumpuoti kraujo, kad patenkintų kūno poreikį deguonies poreikiui – yra vienas iš aktualiausių nacionalinių ir pasaulinių sveikatos klausimų ir viena, kuriai sunku tenkinti mūsų sunkius kūno poreikius.
Nepaisant didelio širdies nepakankamumo poveikio kaimo gyventojams, šiuo metu AI modeliai yra mokomi diagnozuoti ligą, naudojant duomenis, atstovaujančius pacientams iš miesto ir priemiesčių, tokių kaip Stanfordas, Kalifornija, sakė Gyawali.
„Įsivaizduokite Jane Doe, 62 metų moterį, gyvenančią Apalačų kaimo bendruomenėje“,-pasiūlė jis. „Ji turi ribotą prieigą prie specialios priežiūros, remiasi maža vietine klinika, o jos gyvenimo būdas, dieta ir sveikatos istorija atspindi jos aplinkos realijas: didelė fizinė jėga, minimali prevencinė priežiūra ir padidėjęs aplinkos rizikos veiksnių, tokių kaip anglies dulkės ar prasta oro kokybė. Jane pradeda patirti nuovargį ir dusulį – susiformavimą, kuris gali parodyti širdies nesėkmę.
„PG sistema, daugiausia mokanti duomenis iš miesto ligoninių turtingesnėse, pakrančių teritorijose, įvertina Jane laboratorinius rezultatus. Bet kadangi sistema nebuvo mokoma pacientų, kurie dalijasi Jane socialiniu ir ekonominiu ir aplinkos kontekstu, jos būklė nepripažįsta kaip skubus ar nenormalus”, – teigė Gyawali. „Štai kodėl šis darbas yra svarbus. Mokydami AI modelius iš Vakarų Virdžinijos pacientų duomenų, mes siekiame užtikrinti, kad tokie žmonės kaip Džeinė gautų tikslias diagnozes, nesvarbu, kur jie gyvena ar kaip jų gyvenimas skiriasi nuo nacionalinių vidurkių.”
Tyrėjai nustatė AI modelius, kurie tiksliausiai diagnozavo širdies nepakankamumą anonimizuotame daugiau kaip 55 000 pacientų, kuriems buvo suteikta medicininė priežiūra Vakarų Virdžinijoje. Jie taip pat tiksliai nustatė tikslus AI modelių pateikimo parametrus duomenimis, kurie labiausiai padidino diagnostinį tikslumą. Išvados rodomos Mokslinės ataskaitosGamtos portfelio žurnalas.
Daktaro studentė Alina Devkota pabrėžė, kad jie mokė AI modelius dirbti iš pacientų elektrokardiogramos rezultatų, o ne echokardiogramos rodmenis, būdingus pacientų duomenims iš miesto teritorijų.
Elektrokardiogramos priklauso nuo apvalių elektrodų, prilipusių prie paciento liemens, kad būtų užfiksuoti elektriniai signalai iš širdies. Anot Devkotos, jie nereikalauja specializuotos įrangos ar specializuoto mokymo, kad galėtų veikti, tačiau jie vis tiek suteikia vertingų įžvalgų apie širdies funkciją.
„Vienas iš širdies nepakankamumo diagnozavimo kriterijų yra išmatuoti„ išstūmimo frakciją “arba kiek kraujo išpumpuojama iš širdies su kiekvienu ritmu, o aukso standartas – tai su echokardiografija, kuri naudoja garso bangas, kad sukurtų širdies atvaizdus ir kraujo, tekančio per jo vožtuvus“, – sakė ji.
„Tačiau echokardiografija yra brangi, daug laiko reikalaujanti ir dažnai negalima pacientams tose pačiose Apalačų kaimo valstijose, kuriose yra didžiausias širdies nepakankamumo paplitimas visoje šalyje. Pvz. Ar AI modeliai galėtų naudoti elektrokardiogramų rodmenis, kad būtų galima numatyti paciento išstūmimo frakciją “.
Devkota, Gyawali ir jų kolegos mokė kelis AI modelius pacientų įrašuose iš 28 ligoninių visoje Vakarų Virdžinijoje. PG modeliuose buvo naudojami „gilus mokymasis“, kuris remiasi daugiasluoksniais nervų tinklais, arba „ne gilus mokymasis“, kuris remiasi paprastesniais algoritmais, norėdami išanalizuoti paciento įrašus ir padaryti išvadas.
Tyrėjai nustatė, kad giluminio mokymosi modeliai, ypač vadinami RENET, geriausiai sekėsi teisingai numatyti paciento išstūmimo frakciją, pagrįstą 12 švino elektrokardiogramų duomenimis, o rezultatai rodo, kad didesnis duomenų rinkinys duos dar geresnius rezultatus. Jie taip pat nustatė, kad AI modeliams pateikiant specifinius „laidus“ arba skirtingų elektrodų porų duomenų derinius, paveikė, kokie tikslūs buvo modelių išstūmimo frakcijos prognozės.
Gyawali teigė, kad nors AI modeliai dar nenaudojami klinikinėje praktikoje dėl patikimumo susirūpinimo, mokant AI sėkmingai įvertinti išstūmimo frakciją iš elektrokardiogramos signalų, netrukus gydytojams gali būti suteikta galimybė apsaugoti pacientų širdies sveikatą.
„Širdies nepakankamumas šiandien paveikia daugiau nei šešis milijonus amerikiečių. Tokie veiksniai, kaip mūsų senėjanti gyventojų skaičius, reiškia, kad rizika sparčiai auga – akivaizdžiai 1 iš 4 žmonių, kurie šiandien gyvi, patirs širdies nepakankamumą per savo gyvenimą. Apalachijos kaimo kaime paplitimas yra dar didesnis, todėl kritiškai svarbu, kad žmonės čia nebūtų paminėti.”
Papildomi WVU tyrimų dalyviai apėmė Rukesh Prajapati, absolventų tyrimų asistentą; Amr El-Wakeel, docento padėjėjas; Donaldas Adjerohas, informatikos profesorius ir pirmininkas; ir Brijeshas Patelas, WVU sveikatos mokslų medicinos mokyklos docentas.