Sztuczna inteligencja multimodalna może zrewolucjonizować diagnostykę i leczenie chorób sercowo-naczyniowych
Choć sztuczna inteligencja (AI) od dawna budzi nadzieje w kardiologii, większość istniejących narzędzi analizuje jedynie jeden typ danych — na przykład zapis EKG lub obrazowanie serca. Ogranicza to ich użyteczność kliniczną. Pojawienie się sztucznej inteligencji multimodalnej, która łączy informacje z wielu źródeł, otwiera nową erę diagnostyki i terapii, umożliwiając algorytmom naśladowanie holistycznego sposobu myślenia kardiologów i dostarczanie bardziej precyzyjnych, spersonalizowanych analiz.
Zespół badaczy z West China Hospital Uniwersytetu Syczuańskiego oraz Uniwersytetu w Kopenhadze przeanalizował ponad 150 najnowszych publikacji naukowych dotyczących tej technologii. Autorzy wykazali, że łączenie komplementarnych metod diagnostycznych – na przykład echokardiografii z tomografią komputerową lub rezonansu magnetycznego serca z danymi genomicznymi – znacząco zwiększa dokładność diagnozy. Jedna z analizowanych prac opisała sieć neuronową typu „transformer”, która połączyła zdjęcia RTG klatki piersiowej z danymi klinicznymi, jednocześnie identyfikując 25 istotnych patologii u pacjentów oddziałów intensywnej terapii z wysoką skutecznością (AUC = 0,77). W innym badaniu integracja danych z rezonansu serca i analizy całogenomowej pozwoliła zidentyfikować nowe loci genetyczne wpływające na funkcję zastawki aortalnej, co może w przyszłości umożliwić wczesne działania prewencyjne.
Technologie AI multimodalnej mają także ogromny potencjał terapeutyczny. Modele uczenia maszynowego, które łączą dane obrazowe, laboratoryjne i farmakologiczne, potrafią przewidzieć, którzy pacjenci z niewydolnością serca odniosą korzyść z terapii resynchronizującej (CRT), skutecznie rozróżniając tzw. „super-responderów” od osób nieodpowiadających na leczenie. Inne algorytmy pozwoliły zidentyfikować chorych, którzy nie odniosą korzyści z rekonstrukcji zastawki mitralnej, chroniąc ich przed niepotrzebnymi zabiegami. Co więcej, badacze opisali tzw. „wideomarkery” pozyskiwane rutynowo z echokardiogramów, które samodzielnie przewidują progresję stenozy aortalnej — bez konieczności wykonywania dodatkowych badań.
Nowym obszarem zastosowań jest także monitorowanie pacjentów w warunkach domowych. Algorytmy integrujące dane z urządzeń ubieralnych, aplikacji mobilnych i elektronicznej dokumentacji medycznej mogą wczesne wykrywać pogorszenie stanu zdrowia i automatycznie dostosowywać zalecenia terapeutyczne, co może znacząco zmniejszyć liczbę ponownych hospitalizacji. Autorzy szacują, że szerokie wdrożenie obecnych systemów multimodalnych może w ciągu pięciu lat obniżyć wydatki na leczenie chorób sercowo-naczyniowych o 5–10% dzięki większej efektywności i mniejszej liczbie powikłań.
Pomimo optymizmu, autorzy przeglądu zwracają uwagę na istotne bariery. Problemy z jakością danych, błędy systematyczne (bias) oraz brak przejrzystości algorytmów ograniczają ich wiarygodność. Modele trenowane na niepełnych lub niereprezentatywnych zestawach danych mogą działać gorzej w grupach etnicznych lub społecznych niedostatecznie uwzględnionych w badaniach. Dodatkowo, „czarna skrzynka” głębokiego uczenia utrudnia kliniczną interpretację wyników i budowanie zaufania wśród lekarzy. Naukowcy postulują zatem standaryzację procesów zbierania danych, rozwój platform uczenia federacyjnego oraz technik wyjaśnialnej sztucznej inteligencji (explainable AI), które przyspieszą bezpieczne wdrażanie tych rozwiązań do codziennej praktyki kardiologicznej.
Źródło: Precision Clinical Medicine, “Utilizing multimodal artificial intelligence to advance cardiovascular diseases”
DOI: http://dx.doi.org/10.1093/pcmedi/pbaf016
