Лента новостей → Исследователи используют ИИ для сортировки пациентов с болью в груди
Инструмент глубокого обучения значительно улучшил предсказание неблагоприятных исходов
Согласно исследованию, опубликованному в журнале Radiology , ИИ может помочь улучшить уход за пациентами, которые обращаются в больницу с острой болью в груди .
«Насколько нам известно, наша модель искусственного интеллекта для глубокого обучения является первой, которая использует рентгенографию грудной клетки для выявления людей среди пациентов с острой болью в груди, которым требуется немедленная медицинская помощь», — сказал ведущий автор исследования, Мартон Колосвари, доктор медицинских наук. научный сотрудник по радиологии Массачусетской больницы общего профиля (MGH) в Бостоне.
Синдром острой боли в груди может проявляться стеснением, жжением или другим дискомфортом в груди или сильной болью, которая распространяется на спину, шею, плечи, руки или челюсть. Может сопровождаться одышкой.
На синдром острой боли в груди приходится более 7 миллионов посещений отделений неотложной помощи ежегодно в США, что делает его одной из самых распространенных жалоб.
Менее чем у 8% этих пациентов диагностированы три основные сердечно-сосудистые причины синдрома острой боли в груди: острый коронарный синдром, тромбоэмболия легочной артерии или расслоение аорты. Однако опасный для жизни характер этих состояний и низкая специфичность клинических тестов обуславливают широкое использование сердечно-сосудистой и легочной диагностической визуализации, часто дающей отрицательные результаты.
Поскольку отделения неотложной помощи борются с большим количеством пациентов и нехваткой больничных коек, важна эффективная сортировка пациентов с очень низким риском этих серьезных состояний.
Глубокое обучение может быть обучено поиску рентгеновских изображений, чтобы найти закономерности, связанные с болезнью.
Модель поддерживала диагностическую точность по возрасту, полу, этнической принадлежности и расе
Для исследования д-р Колосвари и его коллеги разработали модель глубокого обучения с открытым исходным кодом для выявления пациентов с синдромом острой боли в груди, которые были подвержены риску 30-дневного острого коронарного синдрома, легочной эмболии, расслоения аорты или смертности от всех причин, на основе на рентгенограмме грудной клетки.
В исследовании использовались электронные медицинские карты пациентов с синдромом острой боли в груди, которым в период с января 2005 г. по декабрь 2015 г. были проведены рентгенография грудной клетки и дополнительные сердечно-сосудистые или легочные изображения и/или стресс-тесты в MGH или Brigham and Women’s Hospital в Бостоне. В исследовании приняли участие 5750 пациентов (средний возраст 59 лет, включая 3329 мужчин).
Модель глубокого обучения была обучена на 23 005 пациентах из MGH для прогнозирования 30-дневной комбинированной конечной точки острого коронарного синдрома, легочной эмболии или расслоения аорты и смертности от всех причин на основе рентгенограмм грудной клетки.
Инструмент глубокого обучения значительно улучшил прогнозирование этих неблагоприятных исходов, помимо возраста, пола и обычных клинических маркеров, таких как анализы крови на d-димер. Модель сохраняла свою диагностическую точность по возрасту, полу, этнической принадлежности и расе. Используя порог чувствительности 99%, модель смогла отложить дополнительное тестирование у 14% пациентов по сравнению с 2% при использовании модели, включающей только данные о возрасте, поле и биомаркерах.
«Анализируя первоначальные рентгенограммы грудной клетки этих пациентов с использованием нашей автоматизированной модели глубокого обучения, мы смогли предоставить более точные прогнозы относительно результатов лечения пациентов по сравнению с моделью, которая использует информацию о возрасте, поле, тропонине или d-димере», — говорит доктор. — сказал Колосвари. «Наши результаты показывают, что рентгенографию грудной клетки можно использовать для сортировки пациентов с болью в груди в отделении неотложной помощи».
По словам доктора Колосвари, в будущем такая автоматизированная модель сможет анализировать рентгенограммы грудной клетки в фоновом режиме и помогать выбирать тех, кому больше всего будет полезна неотложная медицинская помощь, а также может помочь выявить пациентов, которых можно безопасно выписать из отделения неотложной помощи.