U posljednjih nekoliko desetljeća zatajenje srca ostaje jedan od najčešćih uzroka hospitalizacije i smrtnih slučajeva diljem svijeta. Iako su lijekovi, promjene životnog stila i implantabilni uređaji značajno poboljšali kvalitetu života pacijenata, prognoza ostaje ograničena. Nedavna studija iz MIT-a, Massachusetts General Brigham i Harvard Medical School otkrila je da umjetna inteligencija može predvidjeti koji pacijenti će se unutar godinu dana pogoršati, otvarajući vrata ranijoj intervenciji i boljem upravljanju.
Što je zatajenje srca i zašto je problem
Zatajenje srca je kronično stanje u kojem srce ne može pumpati krv dovoljno učinkovito da zadovolji potrebe tijela. Uzroci su raznoliki – od koronarne bolesti, visokog krvnog tlaka, do dijabetesa i genetskih predispozicija. Statistike pokazuju da oko polovice pacijenata s zatajenjem srca umre u roku od pet godina od dijagnoze, a čestost hospitalizacija je izuzetno visoka. Tradicionalni alati za procjenu rizika, poput starosti, krvnog tlaka, izbacivanja frakcije i laboratorijskih pokazatelja, ne otkrivaju sve skrivene signale koji mogu ukazivati na budući propadanje.
Kako umjetna inteligencija može pomoći
Umjetna inteligencija, a posebno duboko učenje, omogućuje analizu velikih količina podataka na način koji ljudski stručnjaci ne mogu. Na primjer, algoritmi mogu prepoznati sitne promjene u električnoj aktivnosti srca koje su nevidljive za klasične metode. Ova sposobnost otkrivanja skrivenih uzoraka može biti ključna za ranije otkrivanje pacijenata koji su skloni pogoršanju.
PULSE‑HF studija: duboko učenje u praksi
Studija objavljena u časopisu Lancet eClinical Medicine predstavila je PULSE‑HF (Predviđanje promjena lijeve komore iz elektrokardiograma). Algoritam je treniran na tisućama elektrokardiogramskih snimaka iz tri različita klinička okruženja: Massachusetts General Hospital, Brigham and Women’s Hospital i javni skup podataka MIMIC‑IV. Koristeći konvolucijsku neuralnu mrežu, istraživači su naučili algoritmu da prepozna suptilne promjene u električnoj aktivnosti koje koreliraju s budućim promjenama izbacivanja lijeve komore.
Ključni nalazi studije:
- Visoka točnost predviđanja – model je uočio promjene u pacijentima s točnošću od 85 % u predviđanju pogoršanja unutar 12 mjeseci.
- Brza obrada podataka – analiza se obavlja u nekoliko sekundi, što omogućuje brzu odluku u klinici.
- Neovisnost o dodatnim testovima – model koristi samo elektrokardiogram, što smanjuje potrebu za skupe i invazivne procedure.
- Prilagodljivost različitim populacijama – algoritam je testiran na pacijentima različitih dobnih skupina i etničkih pripadnosti, što ukazuje na široku primjenjivost.
Kako se to odražava na pacijenta i liječnika
Za pacijenta, to znači da se rizik od pogoršanja može otkriti ranije, što otvara mogućnost primjene dodatnih terapija, promjena načina života ili instalacije uređaja prije nego što se pojavi ozbiljna komplikacija. Za liječnika, PULSE‑HF pruža dodatni alat za donošenje odluka, čime se smanjuje subjektivnost i povećava preciznost.
Primjena u praksi bi mogla izgledati ovako:
- Pacijent se podvrg