Sztuczna inteligencja wykryła w EKG sygnał ryzyka nagłej śmierci sercowej

Naukowcy z UC Berkeley, wykorzystując analizę ponad 440 tysięcy zapisów EKG oraz dane z aktów zgonu, odkryli wcześniej nieznany biomarker elektrokardiograficzny związany z podwyższonym ryzykiem nagłej śmierci sercowej. Model głębokiego uczenia może skuteczniej niż obecnie stosowane metody identyfikować pacjentów wymagających dalszej diagnostyki oraz rozważenia implantacji kardiowertera-defibrylatora.

W artykule:

• Dlaczego nagła śmierć sercowa pozostaje jednym z największych wyzwań współczesnej kardiologii
• Jak sztuczna inteligencja analizowała ponad 440 tysięcy zapisów EKG
• Czym nowy biomarker różni się od klasycznej oceny frakcji wyrzutowej lewej komory
• Jak odkrycie może wpłynąć na kwalifikację pacjentów do implantacji kardiowertera-defibrylatora
• Dlaczego wysokiej jakości dane medyczne są kluczowe dla rozwoju klinicznej sztucznej inteligencji
• Jakie są kolejne etapy badań nad wykorzystaniem algorytmu w praktyce klinicznej

Każdego roku w Stanach Zjednoczonych ponad 300 tysięcy osób umiera z powodu nagłej śmierci sercowej (Sudden Cardiac Death, SCD), będącej najczęściej następstwem nagłego zatrzymania krążenia wywołanego groźnymi zaburzeniami rytmu serca. To stan, który może dotyczyć zarówno starszych pacjentów z chorobami układu sercowo-naczyniowego, jak i młodych sportowców bez wcześniejszej rozpoznanej choroby serca. Choć wszczepialne kardiowertery-defibrylatory (ICD) mogą skutecznie zapobiegać wielu takim zgonom poprzez dostarczenie terapeutycznego wyładowania elektrycznego przerywającego złośliwą arytmię komorową, ustalenie, którzy pacjenci rzeczywiście odniosą korzyść z implantacji urządzenia, pozostaje jednym z najtrudniejszych problemów współczesnej kardiologii.

Naukowcy z University of California, Berkeley opracowali narzędzie, które może w przyszłości znacząco poprawić stratyfikację ryzyka nagłej śmierci sercowej. W badaniu wykazali, że w standardowych zapisach elektrokardiograficznych (EKG) istnieje wcześniej nieznany biomarker elektrokardiograficzny, pozwalający skuteczniej identyfikować osoby należące do grupy wysokiego ryzyka jeszcze przed wystąpieniem śmiertelnego incydentu.

Analiza ponad 440 tysięcy zapisów EKG

Badacze wykorzystali ponad 440 tysięcy zapisów EKG pochodzących ze Szwecji, które zestawiono z informacjami zawartymi w aktach zgonu. Na tej podstawie wytrenowano model głębokiego uczenia analizujący charakterystyczne załamki, odcinki oraz kształt fal odzwierciedlających aktywność elektryczną serca.

Do modelu wprowadzano zapisy osób zdrowych, pacjentów z grup ryzyka oraz osób, u których w kolejnych latach doszło do nagłej śmierci sercowej. Dzięki temu algorytm nauczył się rozpoznawać subtelne wzorce elektrokardiograficzne niewidoczne podczas standardowej interpretacji zapisu, ale związane z podwyższonym ryzykiem przyszłego zgonu sercowego.

Następnie model był przez kilka lat testowany na tysiącach kolejnych zapisów EKG pochodzących z systemów ochrony zdrowia w Stanach Zjednoczonych oraz na Tajwanie. Wyniki wykazały, że algorytm skuteczniej identyfikował osoby należące do grupy wysokiego ryzyka niż obecnie najczęściej stosowane kryterium kliniczne oparte na ocenie frakcji wyrzutowej lewej komory (Left Ventricular Ejection Fraction, LVEF), czyli odsetka krwi wypompowywanej przez lewą komorę podczas każdego skurczu.

Lepsza stratyfikacja ryzyka niż obecne metody

Obecnie wykorzystywana ocena LVEF pozwala wyodrębnić grupę pacjentów, u których roczne ryzyko nagłej śmierci sercowej wynosi około 4,6%. Model sztucznej inteligencji wyodrębnił natomiast grupę pacjentów, u których obserwowano około 7% roczne ryzyko nagłej śmierci sercowej. Oznacza to możliwość identyfikacji tysięcy dodatkowych osób zagrożonych zgonem, z których zdecydowana większość według obecnych standardów byłaby uznana za pacjentów niskiego ryzyka.

Innymi słowy, algorytm nie tylko identyfikował większą grupę pacjentów wysokiego ryzyka, ale również trafniej wskazywał osoby, u których rzeczywiście dochodziło do nagłej śmierci sercowej. Co szczególnie istotne, analiza opiera się na badaniu wykonywanym rutynowo niemal we wszystkich placówkach medycznych na świecie — standardowym zapisie EKG.

Badanie opublikowane na łamach czasopisma Nature może w przyszłości pomóc lekarzom znacznie trafniej kwalifikować pacjentów do implantacji wszczepialnych kardiowerterów-defibrylatorów. Jednocześnie odkrycie otwiera nowy kierunek badań nad mechanizmami biologicznymi odpowiedzialnymi za nagłe, śmiertelne zaburzenia rytmu serca.

Zawał serca i nagłe zatrzymanie krążenia to nie to samo

Autorzy przypominają, że zawał mięśnia sercowego jest następstwem ograniczenia lub całkowitego zatrzymania przepływu krwi przez tętnicę wieńcową, natomiast nagłe zatrzymanie krążenia wynika z nagłego zaburzenia czynności elektrycznej serca, najczęściej w postaci złośliwych arytmii komorowych. Chociaż szybkie rozpoczęcie resuscytacji krążeniowo-oddechowej oraz użycie automatycznego defibrylatora zewnętrznego (AED) może uratować życie, około 90% osób, u których nagłe zatrzymanie krążenia występuje poza szpitalem, umiera w ciągu kilku minut, jeśli nie zostanie natychmiast wdrożona skuteczna pomoc.

Dlaczego tak trudno przewidzieć nagłą śmierć sercową?

Zdaniem profesora Ziada Obermeyera z UC Berkeley School of Public Health nagła śmierć sercowa pozostaje jednym z najbardziej zagadkowych problemów współczesnej medycyny. Ponieważ śmierć następuje bardzo szybko, niezwykle trudno jest ustalić, jakie procesy zachodziły w sercu bezpośrednio przed wystąpieniem śmiertelnej arytmii.

Badanie pośmiertne może ujawnić niektóre zmiany strukturalne, takie jak zwężenia naczyń wieńcowych czy włóknienie mięśnia sercowego, jednak nie pozwala odtworzyć czynności elektrycznej serca w ostatnich chwilach życia. Z tego powodu rzeczywisty mechanizm prowadzący do nagłej śmierci sercowej pozostaje często nieznany.

Jak podkreśla Obermeyer, jest to jednocześnie problem, dla którego medycyna dysponuje skuteczną metodą zapobiegania. Gdyby lekarze potrafili z odpowiednim wyprzedzeniem wskazać osoby szczególnie zagrożone, wielu z nich mogłoby otrzymać wszczepialny kardiowerter-defibrylator jeszcze przed wystąpieniem śmiertelnej arytmii.

Ograniczenia obecnych metod kwalifikacji do ICD

Najczęściej stosowaną metodą kwalifikacji do implantacji ICD pozostaje ocena frakcji wyrzutowej lewej komory. Jeżeli wartość LVEF spada poniżej określonego progu, pacjent może zostać zakwalifikowany do zabiegu.

Takie badanie wymaga jednak bardziej zaawansowanej diagnostyki, a zdecydowana większość osób, które później umierają z powodu nagłej śmierci sercowej, nigdy nie została wcześniej zakwalifikowana do takiej oceny. Jednocześnie około dwie trzecie wszczepionych defibrylatorów u pacjentów uznanych za wysokiego ryzyka nigdy nie musi dostarczyć terapii. Oznacza to, że część chorych poddawana jest kosztownej i inwazyjnej procedurze, mimo że nigdy nie doświadcza potencjalnie śmiertelnej arytmii.

Równocześnie każdego roku tysiące osób, które według obecnych kryteriów nie należą do grup wysokiego ryzyka, umierają nagle z przyczyn sercowych. Zdaniem autorów badania część tych zgonów mogłaby zostać zapobiegnięta dzięki dokładniejszym narzędziom oceny ryzyka.

Dane ze Szwecji, Stanów Zjednoczonych i Tajwanu

Do opracowania i przetestowania modelu badacze wykorzystali trzy niezależne źródła danych. Pierwszym było sześć lat zapisów EKG pochodzących ze szwedzkiego systemu ochrony zdrowia, połączonych z informacjami zawartymi w aktach zgonu. To właśnie na tych danych model uczył się rozpoznawać wzorce związane z późniejszą nagłą śmiercią sercową.

Następnie algorytm został zwalidowany na dwóch latach zanonimizowanych zapisów EKG pochodzących z systemu szpitalnego w San Diego oraz na niezależnym zbiorze danych z Tajpej.

Jak podkreśla Ziad Obermeyer, rozwój wiarygodnych modeli sztucznej inteligencji wymaga dostępu do bardzo dużych, wysokiej jakości zbiorów danych medycznych. Uzyskanie takich danych jest jednak wyjątkowo trudne i stanowi jedną z głównych przeszkód ograniczających szersze wykorzystanie AI w praktyce klinicznej.

Zebranie materiału wykorzystanego w obecnym badaniu zajęło około dziesięciu lat. W projekt zaangażowane były również dwie współzałożone przez Obermeyera organizacje: Dandelion Health oraz Nightingale Open Science, zajmujące się wykorzystaniem sztucznej inteligencji w badaniach medycznych.

Kolejny etap badań już trwa

Następna faza projektu już się rozpoczęła. Badacze współpracują obecnie z systemami ochrony zdrowia w Szwecji, na Tajwanie oraz w Stanach Zjednoczonych, aby wdrożyć algorytm do analizy istniejących baz zapisów EKG.

Jeżeli model oznaczy zapis jako wysokiego ryzyka, lekarze mogliby zaprosić pacjenta do dalszej diagnostyki, między innymi z wykorzystaniem długotrwałego monitorowania pracy serca za pomocą specjalnego plastra rejestrującego zapis elektrokardiograficzny. Pozyskane w ten sposób dane mają pomóc lepiej zrozumieć mechanizmy fizjologiczne odpowiedzialne za sygnał wykrywany przez sztuczną inteligencję oraz zweryfikować, czy część pacjentów odniosłaby korzyść z implantacji ICD.

Zespół uruchomił również stronę internetową, za pośrednictwem której osoby zainteresowane oceną własnego ryzyka mogą pozostawić podstawowe dane kontaktowe. Gdy narzędzie będzie szerzej dostępne, badacze planują zapraszać zainteresowanych do wykonania analizy EKG z wykorzystaniem nowego algorytmu.

Potrzebne są dalsze badania kliniczne

Autorzy podkreślają, że mimo bardzo obiecujących wyników badanie miało charakter obserwacyjny. Opracowany model wymaga jeszcze prospektywnej walidacji klinicznej przed ewentualnym wdrożeniem do rutynowej praktyki i nie powinien obecnie stanowić samodzielnej podstawy do podejmowania decyzji terapeutycznych.

Zdaniem badaczy znaczenie sztucznej inteligencji wykracza jednak poza poprawę podejmowania decyzji klinicznych. Tego typu modele mogą również pomóc odkrywać nieznane dotąd mechanizmy chorób i przyspieszyć rozwój medycyny opartej na analizie dużych zbiorów danych.

Źródło: Nature, An ECG biomarker for sudden cardiac death discovered with deep learning.
DOI: http://dx.doi.org/10.1038/s41586-026-10674-6