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.
Градиентно-взвешенные карты активации класса репрезентативных рентгенограмм грудной клетки у (A) 85-летнего мужчины с острым коронарным синдромом (ОКС), (B) 77-летнего мужчины с расслоением аорты (AD), (C) a 39-летний здоровый мужчина и (D)здоровая женщина 27 лет. Карты показывают, какие части изображений повлияли на прогнозы модели глубокого обучения (DL) для составного результата. Градиент цвета показывает уровень активации данной области, где красный цвет указывает на самую высокую активацию, синий — на самую низкую активацию, а отсутствие цвета указывает на отсутствие активации. Области сердца и легких внесли наибольший вклад в модельные прогнозы. Тонкая настройка повысила диагностическую точность нашей модели глубокого обучения и привела к тому, что более важные области способствовали прогнозам. ОКС = острый коронарный синдром, КТА = коронарная КТ-ангиография, ВКА = инвазивная коронарная ангиография, ОФЭКТ = однофотонная эмиссионная КТ.
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.