Группа исследователей из MIT, Массачусетской больницы общего профиля и Гарвардской медицинской школы разработали инновационную модель глубокого обучения, способную предсказывать ухудшение состояния пациентов с сердечной недостаточностью за год до его наступления.
Сердечная недостаточность, характеризующаяся ослаблением или повреждением сердечной мышцы, может привести к накоплению жидкости в лёгких и других частях тела. Это хроническое заболевание, которое часто становится причиной серьёзных осложнений и внезапной остановки сердца. Современные методы лечения включают здоровый образ жизни, медикаменты и использование кардиостимуляторов, но болезнь всё ещё остаётся одной из ведущих причин смертности и вызывает значительные нагрузки на системы здравоохранения по всему миру.
Как работает модель PULSE-HF?
Новая модель, получившая название PULSE-HF, анализирует данные электрокардиограмм (ЭКГ), чтобы предсказать изменения в фракции выброса левого желудочка (LVEF) — важнейшем показателе эффективности работы сердца. Если фракция выброса падает ниже 40%, это свидетельствует о серьёзных проблемах с сердцем.
Разработчики протестировали модель на данных из трёх разных источников, включая публично доступный набор данных MIMIC-IV. Результаты показали, что PULSE-HF может точно предсказывать изменения в LVEF, что позволяет врачам заранее принимать решения о приоритетном обследовании пациентов.
Важность прогноза для медицины
По словам одного из авторов исследования, Теи Бергамаски из MIT, понимание вероятного хода болезни после госпитализации помогает оптимизировать распределение ресурсов в здравоохранении. Это особенно важно в условиях ограниченных ресурсов, например, в сельских клиниках.
Модель PULSE-HF выделяется тем, что вместо простого обнаружения проблем она делает прогнозы на будущее. Это уникальная особенность, которая отличает её от других методов работы с данными ЭКГ при сердечной недостаточности.
Технические вызовы и перспективы
Создание модели потребовало значительных усилий по обработке и очистке данных, что является одной из трудностей при разработке ИИ-инструментов для медицины. Исследователи продолжают работать над улучшением модели и планируют её тестирование в реальных условиях на живых пациентах.
Несмотря на все трудности, учёные уверены, что их работа может значительно облегчить страдания пациентов и улучшить качество медицинского обслуживания. Они надеются, что их исследования помогут в будущем внедрить ИИ в практику здравоохранения более активно.
