Исследователи из Массачусетского технологического института, Массачусетской больницы общего профиля Бригхэм и Гарвардской медицинской школы разработали модель глубокого обучения для прогнозирования прогноза развития сердечной недостаточности у пациента на срок до года вперед. 
Аспирантки Массачусетского технологического института Тиффани Яу (слева) и Тейя Бергамаски являются двумя соавторами новой статьи, в которой представлена модель глубокого обучения, способная прогнозировать, у каких пациентов с сердечной недостаточностью существует риск ухудшения состояния, за год вперед. Фото: Алекс Оуян/Клиника Джамиля Массачусетского технологического института.
Сердечная недостаточность, характеризующаяся ослаблением или повреждением сердечной мускулатуры, приводит к постепенному накоплению жидкости в легких, ногах, ступнях и других частях тела пациента. Это хроническое и неизлечимое заболевание, часто приводящее к аритмиям или внезапной остановке сердца. На протяжении многих веков кровопускание и пиявки были предпочтительным методом лечения, широко распространенным среди хирургов-цирюльников в Европе, в те времена, когда врачи редко проводили операции.
В XXI веке подход к лечению сердечной недостаточности заметно отошел от средневекового: сегодня пациенты проходят курс лечения, включающий в себя изменение образа жизни, назначение лекарств, а иногда и использование кардиостимуляторов. Тем не менее, сердечная недостаточность остается одной из ведущих причин заболеваемости и смертности, создавая значительную нагрузку на системы здравоохранения во всем мире.
«Примерно половина людей, у которых диагностирована сердечная недостаточность, умирают в течение пяти лет после постановки диагноза», — говорит Тейя Бергамаски, аспирантка Массачусетского технологического института, работающая в лаборатории профессора Коллина Штульца, занимающегося исследованиями Нины Т. и Роберта Х. Рубина, и соавтор новой статьи, представляющей модель глубокого обучения для прогнозирования сердечной недостаточности. «Понимание того, как пациент будет себя чувствовать после госпитализации, действительно важно для распределения ограниченных ресурсов».
В статье, опубликованной в журнале Lancet eClinical Medicine группой исследователей из Массачусетского технологического института (MIT), Массачусетской больницы общего профиля Бригхэм и Гарвардской медицинской школы, представлены результаты разработки и тестирования PULSE-HF, что расшифровывается как «Прогнозирование изменений систолической функции левого желудочка на основе ЭКГ пациентов с сердечной недостаточностью». Проект проводился в лаборатории Штульца, которая связана с Клиникой машинного обучения в здравоохранении им. Абдула Латифа Джамиля при MIT. Разработанная и ретроспективно протестированная на трех различных группах пациентов из Массачусетской больницы общего профиля, Бригхэмской женской больницы и MIMIC-IV (общедоступный набор данных), модель глубокого обучения точно прогнозирует изменения фракции выброса левого желудочка (ФВЛЖ), которая представляет собой процент крови, выкачиваемой из левого желудочка сердца.
Здоровое человеческое сердце за каждый удар выкачивает из левого желудочка от 50 до 70 процентов крови — всё, что меньше, считается признаком потенциальной проблемы. «Модель берёт [электрокардиограмму] и выдаёт прогноз того, будет ли фракция выброса в течение следующего года ниже 40 процентов», — говорит Тиффани Яу, аспирантка Массачусетского технологического института в лаборатории Штульца, которая также является соавтором статьи PULSE-HF. «Это наиболее тяжёлая подгруппа сердечной недостаточности».
Если PULSE-HF прогнозирует, что фракция выброса пациента, вероятно, ухудшится в течение года, врач может определить приоритетность дальнейшего наблюдения за пациентом. Впоследствии пациенты с более низким риском могут сократить количество посещений больницы и время, затрачиваемое на установку 10 электродов для 12-канальной ЭКГ. Модель также может быть использована в условиях ограниченных ресурсов, в том числе в кабинетах врачей в сельской местности, где обычно нет специалиста по ультразвуковой диагностике сердца, который бы проводил ультразвуковые исследования ежедневно.
«Главное отличие [PULSE-HF] от других методов ЭКГ при сердечной недостаточности заключается в том, что вместо обнаружения он занимается прогнозированием», — говорит Яу. В статье отмечается, что на сегодняшний день не существует других методов прогнозирования будущего снижения фракции выброса левого желудочка у пациентов с сердечной недостаточностью.
В процессе тестирования и валидации исследователи использовали метрику, известную как «площадь под кривой рабочей характеристики приемника» (AUROC), для оценки производительности PULSE-HF. AUROC обычно используется для измерения способности модели различать классы по шкале от 0 до 1, где 0,5 — случайность, а 1 — идеальное соответствие. PULSE-HF достиг значений AUROC от 0,87 до 0,91 во всех трех группах пациентов.
Примечательно, что исследователи также разработали версию PULSE-HF для одноканальной ЭКГ, что означает, что на тело нужно разместить только один электрод. Хотя 12-канальная ЭКГ обычно считается более полной и точной, производительность одноканальной версии PULSE-HF оказалась такой же высокой, как и у 12-канальной версии.
Несмотря на элегантную простоту идеи PULSE-HF, как и большинство клинических исследований в области ИИ, за ней скрывается трудоемкая реализация. «На завершение этого проекта ушли годы», — вспоминает Бергамаски. «Он прошел через множество итераций».
Одной из самых больших проблем для команды был сбор, обработка и очистка данных ЭКГ и эхокардиограмм. Хотя модель предназначена для прогнозирования фракции выброса пациента, метки для обучающих данных не всегда были легкодоступны. Подобно студенту, изучающему материал по учебнику с ответами, маркировка имеет решающее значение для того, чтобы модели машинного обучения могли правильно выявлять закономерности в данных.
Чистый, линейный текст в виде TXT-файлов обычно лучше всего подходит для обучения моделей. Но файлы эхокардиограмм обычно поставляются в формате PDF, и при преобразовании PDF-файлов в TXT-файлы текст (разбитый на переносы строк и форматирование) становится трудночитаемым для модели. Непредсказуемый характер реальных ситуаций, таких как беспокойный пациент или неплотно прилегающий электрод, также ухудшал качество данных. «В сигнале много артефактов, которые необходимо удалить», — говорит Бергамаски. «Это своего рода бесконечная кроличья нора».
Хотя Бергамаски и Яу признают, что более сложные методы могли бы помочь отфильтровать данные для получения более четких сигналов, полезность таких подходов имеет свои пределы. «В какой момент следует остановиться?» — спрашивает Яу. «Нужно подумать о конкретном случае — проще ли использовать модель, которая работает с немного неструктурированными данными? Потому что, вероятно, так и будет».
Исследователи предполагают, что следующим шагом для PULSE-HF станет тестирование модели в проспективном исследовании на реальных пациентах, у которых неизвестна будущая фракция выброса.
Несмотря на трудности, связанные с завершением разработки клинических инструментов искусственного интеллекта, таких как PULSE-HF, включая возможный риск продления срока защиты диссертации еще на год, студенты считают, что годы упорной работы не прошли даром.
«Я думаю, что отчасти это приносит удовлетворение, потому что это непросто», — говорит Бергамаски. «Один друг сказал мне: „Если ты думаешь, что найдешь свое призвание после окончания университета, если твое призвание действительно твое призвание, оно обязательно появится за тот дополнительный год, который тебе понадобится до окончания учебы“. … Нас, исследователей в области машинного обучения и здравоохранения, оценивают иначе, чем других исследователей в этой области. Все в этом сообществе понимают уникальные проблемы, которые здесь существуют».
«В мире слишком много страданий», — говорит Яу, которая присоединилась к лаборатории Штульца после того, как случай в сфере здравоохранения заставил ее осознать важность машинного обучения в здравоохранении. «Все, что пытается облегчить страдания, я считаю ценным использованием своего времени».
Источник: news.mit.edu
