L’insufficienza cardiaca può essere rintracciata da un algoritmo sviluppato attraverso l‘intelligenza artificiale ed è stato addestrato anche per riconoscere ed individuare sottili cambiamenti negli elettrocardiogrammi (conosciuti come ECG o ECG): a dichiararlo sono stati i ricercatori dell’Hasso Plattner Institute for Digital Health at Mount Sinai.
Lo studio è stato pubblicato sulla rivista scientifica Journal of the American College of Cardiology: Cardiovascular Imaging.
Insufficienza cardiaca diacoscicata con l’A.I.: qualche dettaglio sulla ricerca
“Abbiamo dimostrato che gli algoritmi di apprendimento profondo possono riconoscere i problemi di pompaggio del sangue su entrambi i lati del cuore dai dati della forma d’onda ECG”, ha affermato Benjamin S. Glicksberg, Ph.D., professore assistente di genetica e scienze genomiche, membro dell’Hasso Plattner Institute for Digital Health at Mount Sinai e autore senior dello studio: “Di solito, la diagnosi di questo tipo di condizioni cardiache richiede procedure costose e dispendiose in termini di tempo. Speriamo che questo algoritmo consenta una diagnosi più rapida dello scompenso cardiaco o insufficienza cardiaca”.
Lo studio è stato condotto da Akhil Vaid, MD, uno ricercatore che lavora sia nel laboratorio Glicksberg che in quello guidato da Girish N. Nadkarni, MD, MPH, CPH, Professore Associato di Medicina presso la Icahn School of Medicine at Mount Sinai, Capo della Division of Data-Driven and Digital Medicine (D3M) e autore senior dello studio.
L’insufficienza cardiaca i l’insufficienza renale congestizia interessa circa 6,2 milioni di americani e si verifica quando il cuore pompa meno sangue di quanto il corpo abbia normalmente bisogno. Per anni i medici hanno fatto molto affidamento su una tecnica di imaging chiamata ecocardiogramma per valutare se un paziente potrebbe soffrire di insufficienza cardiaca.
Sebbene utili, gli ecocardiogrammi possono essere procedure ad alta intensità di lavoro che vengono offerte solo in ospedali selezionati.
Tuttavia, recenti scoperte nell’intelligenza artificiale suggeriscono che gli elettrocardiogrammi, dispositivi di registrazione elettrico ampiamente utilizzati, potrebbero essere un’alternativa rapida e prontamente disponibile in questi casi. Ad esempio, molti studi hanno dimostrato come un algoritmo di “apprendimento profondo” può rilevare la debolezza nel ventricolo sinistro del cuore, che spinge il sangue appena ossigenato verso il resto del corpo.
In questo studio, i ricercatori hanno descritto lo sviluppo di un algoritmo che non solo valutava la forza del ventricolo sinistro, ma anche del ventricolo destro, che preleva il sangue deossigenato che scorre dal corpo e lo pompa ai polmoni.
“Anche se attraente, tradizionalmente è stato difficile per i medici utilizzare gli ECG per diagnosticare l’insufficienza cardiaca. Ciò è in parte dovuto al fatto che non esistono criteri diagnostici stabiliti per queste valutazioni e perché alcuni cambiamenti nelle letture ECG sono semplicemente troppo sottili per essere rilevati dall’occhio umano”, ha detto il dottor Nadkarni.
“Questo studio rappresenta un entusiasmante passo avanti nella ricerca di informazioni nascoste all’interno dei dati ECG che possono portare a migliori paradigmi di screening e trattamento utilizzando un test relativamente semplice e ampiamente disponibile“, ha continuato il ricercatore.
In genere, un elettrocardiogramma prevede un processo in due fasi. I cavi sono fissati a diverse parti del torace del paziente e in pochi minuti una macchina portatile appositamente progettata stampa una serie di linee ondulate, o forme d’onda, che rappresentano l’attività elettrica del cuore.
Queste macchine possono essere trovate nella maggior parte degli ospedali e delle ambulanze negli Stati Uniti e richiedono una formazione minima per funzionare.
Per questo studio, i ricercatori hanno programmato un computer per leggere gli elettrocardiogrammi dei pazienti insieme ai dati estratti da rapporti scritti che riassumono i risultati degli ecocardiogrammi corrispondenti prelevati dagli stessi pazienti. In questa situazione, i rapporti scritti fungevano da set standard di dati per il computer da confrontare con i dati dell’elettrocardiogramma e imparare a individuare i cuori più deboli.
I programmi di elaborazione del linguaggio naturale hanno aiutato il computer a estrarre i dati dai rapporti scritti. Nel frattempo, sono state incorporate speciali reti neurali in grado di scoprire modelli nelle immagini per aiutare l’algoritmo a imparare a riconoscere le forze di pompaggio.
“Volevamo promuovere lo stato dell’arte sviluppando un’intelligenza artificiale in grado di comprendere l’intero cuore in modo semplice ed economico”, ha affermato il dott. Vaid.
Il computer ha quindi letto più di 700.000 elettrocardiogrammi ed ecocardiogrammi ottenuti da 150.000 pazienti del Mount Sinai Health System dal 2003 al 2020. I dati di quattro ospedali sono stati utilizzati per addestrare il computer, mentre i dati di un quinto sono stati utilizzati per testare le prestazioni dell’algoritmo in un diverso ambiente sperimentale.
“Un potenziale vantaggio di questo studio è che ha coinvolto una delle più grandi raccolte di ECG di una delle popolazioni di pazienti più diverse al mondo”, ha affermato il dott. Nadkarni.
I risultati iniziali suggerivano che l’algoritmo era efficace nel predire quali pazienti avrebbero avuto ventricoli sinistri sani o molto deboli. Qui la forza è stata definita dalla frazione di eiezione del ventricolo sinistro , una stima di quanto fluido il ventricolo pompa fuori ad ogni battito come osservato sugli ecocardiogrammi. I cuori sani hanno una frazione di eiezione del 50 percento o superiore, mentre i cuori deboli hanno quelli uguali o inferiori al 40 percento.
L’algoritmo era accurato al 94% nel prevedere quali pazienti avevano una frazione di eiezione sana e all’87% accurato nel prevedere quelli che avevano una frazione di eiezione inferiore al 40%. L’algoritmo era accurato al 94% nel prevedere quali pazienti avevano una frazione di eiezione sana e all’87% accurato nel prevedere quelli che avevano una frazione di eiezione inferiore al 40%.
L’algoritmo però non era così efficace nel prevedere quali pazienti avrebbero avuto un cuore leggermente indebolito. In questo caso, il programma era accurato al 73% nel prevedere i pazienti che avevano una frazione di eiezione compresa tra il 40 e il 50%. Ulteriori risultati hanno suggerito che l’algoritmo ha anche imparato a rilevare i punti deboli della valvola destra dagli elettrocardiogrammi. In questo caso, la debolezza è stata definita da termini più descrittivi estratti dai referti dell’ecocardiogramma. Qui l’algoritmo era preciso all’84% nel predire quali pazienti avevano valvole destre deboli.
“I nostri risultati hanno suggerito che questo algoritmo potrebbe eventualmente aiutare i medici a diagnosticare correttamente il fallimento su entrambi i lati del cuore“, ha detto il dott. Vaid.
Infine, un’ulteriore analisi ha suggerito che l’algoritmo potrebbe essere efficace nel rilevare l’insufficienza cardiaca in tutti i pazienti, indipendentemente dalla razza e dal sesso: “I nostri risultati suggeriscono che questo algoritmo potrebbe essere uno strumento utile per aiutare i medici a combattere lo scompenso cardiaco sofferto da una varietà di pazienti”, ha aggiunto il dott. Glicksberg. “Stiamo progettando con cura studi potenziali per testarne l’efficacia in un ambiente più reale“.