Model AI terobosan yang dibangunkan oleh penyelidik Universiti Johns Hopkins boleh mengesan isyarat yang tidak kelihatan sebelum ini dalam ujian ECG, meramalkan komplikasi selepas pembedahan yang boleh membawa maut dengan ketepatan yang tidak pernah berlaku sebelum ini.
Model kecerdasan buatan yang baru dibangunkan ditetapkan untuk merevolusikan cara pakar bedah meramal dan mengurus komplikasi selepas pembedahan, dengan ketara mengatasi skor risiko tradisional yang digunakan oleh doktor pada masa ini. Kejayaan inovatif ini datang daripada penyelidik di Universiti Johns Hopkins, yang telah menggunakan AI untuk mendedahkan isyarat yang tidak dapat dikesan sebelum ini dalam ujian elektrokardiogram (ECG) rutin.
Dengan memanfaatkan data fisiologi yang lebih rumit dalam keputusan ECG, model AI berjanji untuk meningkatkan pembuatan keputusan dan pengiraan risiko untuk kedua-dua doktor dan pesakit.
"Kami menunjukkan bahawa elektrokardiogram asas mengandungi maklumat prognostik penting yang tidak boleh dikenal pasti dengan mata kasar," kata pengarang kanan Robert D. Stevens, ketua Bahagian Informatik, Integrasi dan Inovasi di Perubatan Johns Hopkins, dalam satu siaran berita. "Kami hanya boleh mengekstraknya dengan teknik pembelajaran mesin."
Diterbitkan hari ini dalam Jurnal Anestesia British, kajian itu menangani keperluan kritikal dalam komuniti perubatan.
Skor risiko tradisional, digunakan untuk mengenal pasti pesakit yang mungkin menghadapi komplikasi daripada pembedahan, memegang kadar ketepatan hanya 60%.
Kira-kira 37,000 data ECG praoperasi pesakit telah dianalisis untuk melatih model AI, dengan satu model memfokuskan semata-mata pada data ECG dan satu lagi model "gabungan" menyepadukan keputusan ECG dengan rekod perubatan pesakit.
Keputusannya menarik. Model ECG sahaja sudah melepasi penilaian risiko sedia ada, tetapi model gabungan pergi lebih jauh, mencapai ketepatan 85% yang mengagumkan dalam meramalkan komplikasi selepas pembedahan seperti serangan jantung, strok atau kematian dalam tempoh 30 hari selepas pembedahan.
"Mengejutkan bahawa kami boleh mengambil diagnostik rutin ini, data bernilai 10 saat ini dan meramalkan dengan baik jika seseorang akan mati selepas pembedahan," tambah pengarang utama Carl Harris, seorang pelajar kedoktoran dalam kejuruteraan bioperubatan. "Kami mempunyai penemuan yang sangat bermakna yang boleh meningkatkan penilaian risiko pembedahan."
Stevens menghuraikan implikasi yang lebih luas daripada penemuan ini, menonjolkan rangkaian luas maklumat fisiologi yang boleh ditangkap oleh ECG, termasuk data mengenai keradangan, sistem endokrin, metabolisme, cecair dan elektrolit.
"Sekiranya kami boleh mendapatkan set data keputusan ECG yang sangat besar, dan menganalisisnya dengan pembelajaran mendalam, kami beralasan kami boleh mendapatkan maklumat berharga yang tidak tersedia pada masa ini untuk doktor," tambah Stevens.
Pasukan itu juga mencipta kaedah untuk mengenal pasti ciri ECG yang boleh dikaitkan dengan serangan jantung atau strok selepas pembedahan.
"Anda boleh bayangkan jika anda menjalani pembedahan besar, bukannya hanya memasukkan ECG anda ke dalam rekod anda di mana tiada siapa akan melihatnya, ia dijalankan melalui model dan anda mendapat penilaian risiko dan boleh bercakap dengan doktor anda tentang risiko dan faedah pembedahan," tambah Stevens. "Ia adalah langkah transformatif ke hadapan dalam cara kami menilai risiko untuk pesakit."
Model AI baharu bukan sahaja memberikan lonjakan ketara dalam meramalkan risiko pembedahan tetapi juga menawarkan pandangan yang boleh membuka saluran penyelidikan selanjutnya.
Pasukan itu berminat untuk menguji model pada set data yang lebih besar dan dalam kajian prospektif yang melibatkan pesakit yang akan menjalani pembedahan.
Pasukan itu juga sedang meneroka mata data berharga berpotensi lain yang mungkin diekstrak AI daripada ECG pada masa hadapan.
sumber: Johns Hopkins University