Metody przewidywania rokowania po zawale serca – nowoczesne narzędzia

Współczesne metody przewidywania rokowania po zawale mięśnia sercowego przeszły rewolucyjną zmianę dzięki zastosowaniu sztucznej inteligencji i uczenia maszynowego. Te zaawansowane technologie umożliwiają znacznie dokładniejsze prognozowanie niż tradycyjne skale ryzyka, co przekłada się na lepsze wyniki leczenia i bardziej precyzyjne podejście terapeutyczne¹.

Systemy oparte na sztucznej inteligencji

System RIAS (Reliable and Interpretable AI System) stanowi przełom w przewidywaniu śmiertelności po ostrym zawale mięśnia sercowego. Ten kompleksowy system wykorzystuje optymalizowany model dla danego zestawu danych i zapewnia zarówno niezawodność, jak i interpretowalność wyników. RIAS osiągnął najlepsze rezultaty w przewidywaniu śmiertelności szpitalnej z obszarem pod krzywą ROC wynoszącym 0,990 i wynikiem F1 równym 0,833².

Kluczową zaletą systemu RIAS jest rozwiązanie problemu „czarnej skrzynki” w sztucznej inteligencji poprzez dostarczanie zarówno globalnych (ogólnych), jak i lokalnych (dla indywidualnego pacjenta) wyjaśnień opartych na wartościach SHAP oraz niezawodnych przewidywań, które można interpretować jako rzeczywiste prawdopodobieństwa².

System SEER do przewidywania ryzyka sercowo-naczyniowego

System SEER (System for Early Evaluation of Risk) reprezentuje kolejne osiągnięcie w dziedzinie przewidywania rokowania sercowo-naczyniowego. Ten system oparty na głębokich sieciach neuronowych konwolucyjnych może dokładnie przewidywać długoterminowe ryzyko śmiertelności i chorób sercowo-naczyniowych wyłącznie na podstawie spoczynkowego elektrokardiogramu³.

SEER przewiduje 5-letnie ryzyko śmiertelności sercowo-naczyniowej z obszarem pod krzywą ROC wynoszącym 0,83 w zestawie testowym Stanford oraz 0,78 i 0,83 odpowiednio w niezależnych ocenach w Cedars-Sinai Medical Center i Columbia University Irving Medical Center³. System może również przewidywać kilka innych stanów sercowo-naczyniowych, takich jak niewydolność serca i migotanie przedsionków.

System CoDE-ACS w diagnostyce zawału

System CoDE-ACS (Collaborative Decision Support for Acute Coronary Syndromes) wykorzystuje uczenie maszynowe z pojedynczymi lub seryjnymi pomiarami wysokoczułej troponiny sercowej do określania prawdopodobieństwa ostrego zawału mięśnia sercowego. System ten wykazał doskonałą dyskryminację dla zawału mięśnia sercowego z obszarem pod krzywą wynoszącym 0,953⁴.

CoDE-ACS identyfikował więcej pacjentów przy prezentacji jako mających niskie prawdopodobieństwo zawału mięśnia sercowego niż stałe progi troponiny sercowej (61% versus 27%) przy podobnej wartości predykcyjnej ujemnej oraz mniej jako mających wysokie prawdopodobieństwo zawału (10% versus 16%) przy większej wartości predykcyjnej dodatniej⁴.

Techniki uczenia maszynowego w kardiologii

Technika losowych lasów przeżycia (Random Survival Forests) stanowi jedną z najskuteczniejszych metod uczenia maszynowego w przewidywaniu zdarzeń sercowo-naczyniowych. W porównaniu ze standardowymi skalami ryzyka sercowo-naczyniowego, technika RF wykazała lepsze wyniki z zwiększoną dokładnością przewidywania (zmniejszenie wyniku Brier o 10-25%)⁵.

Sztuczne sieci neuronowe (ANN) również wykazują doskonałe możliwości przewidywania wyników. W badaniach nad zatrzymaniem krążenia poza szpitalem, model oparty na ANN z wykorzystaniem 54 zmiennych klinicznych dostępnych przy przyjęciu do szpitala osiągnął obszar pod krzywą ROC wynoszący 0,891⁶. Co więcej, wykorzystanie tylko trzech najważniejszych niezależnych czynników (wiek, czas do powrotu spontanicznej cyrkulacji i pierwszy monitorowany rytm) w sieci ANN prowadziło do modelu z doskonałą zdolnością predykcyjną z obszarem pod krzywą ROC wynoszącym 0,852⁷.

Przewaga nad tradycyjnymi metodami

Metody uczenia maszynowego w połączeniu z głębokim fenotypowaniem poprawiają dokładność przewidywania w przewidywaniu zdarzeń sercowo-naczyniowych w początkowo bezobjawowej populacji⁵. Wyniki badań sugerują, że metody uczenia maszynowego są dobrze przystosowane do znaczącego przewidywania ryzyka w obszernie fenotypowanych badaniach epidemiologicznych na dużą skalę⁸.

Szczególnie istotne jest to, że SEER identyfikuje 16% pacjentów błędnie sklasyfikowanych jako niskiego ryzyka przez PCE (Pooled Cohort Equations), wskazując na nową kohortę pacjentów, którzy mogliby skorzystać ze statyn i zostaliby przeoczeni zgodnie z obecnymi praktykami³.