Ученые из Университета Джонса Хопкинса создали модель искусственного интеллекта, способную выявлять в обычных электрокардиограммах (ЭКГ) ранее незаметные сигналы, которые позволяют с высокой точностью прогнозировать опасные осложнения после операций.
Эта технология значительно превосходит по эффективности традиционные методы оценки рисков, используемые медицинскими работниками. Результаты работы опубликованы в журнале British Journal of Anaesthesia (BJA).
«Мы продемонстрировали, что даже основная ЭКГ содержит критически важную информацию, которую невозможно обнаружить невооруженным глазом. Извлечь ее можно только с помощью машинного обучения», — отметил ведущий автор исследования Роберт Д. Стивенс, руководитель отдела информатики, интеграции и инноваций.
После крупных хирургических операций большая часть пациентов сталкивается с серьезными осложнениями — инфарктами, инсультами или летальным исходом в течение 30 дней. Современные шкалы риска способны предсказать такие исходы лишь в примерно 60% случаев.
Исследователи выдвинули гипотезу, что ЭКГ может содержать скрытые маркеры, связанные не только с состоянием сердца, но и с воспалительными процессами, обменом веществ, гормональной регуляцией и уровнем электролитов. Для проверки этой гипотезы они проанализировали данные предоперационных ЭКГ 37 тысяч пациентов, перенесших операции в Бостоне.
Были обучены два алгоритма: один использовал только ЭКГ, другой — так называемая «фьюжн-модель» — комбинировал данные ЭКГ с медицинскими показателями пациентов (возраст, пол, сопутствующие заболевания).
Оба алгоритма продемонстрировали большую точность, чем существующие шкалы риска, однако именно «фьюжн-модель» оказалась наиболее эффективной: она предсказывала осложнения с точностью 85%.
«Удивительно, что всего 10 секунд данных с ЭКГ позволяют так точно предсказать исход операции. Это действительно значимый результат, который может изменить подход к оценке хирургических рисков», — отметил соавтор исследования Карл Харрис, аспирант кафедры биомедицинской инженерии.
Следующий этап включает проверку алгоритма на еще более крупных выборках и его тестирование в реальном времени у пациентов, готовящихся к операциям.
Фото: hi-tech.mail.ru