Применение искусственного интеллекта в кардиологии

В клинике ИИ помогает точнее ставить диагнозы, повышать качество результатов инструментальных методов диагностики (например, анализ ЭКГ или рентген-изображений), группировать пациентов по риску и типу заболевания и прогнозировать исход. Современные алгоритмы ИИ умеют улавливать тонкие связи в огромных объёмах медицинских данных и поэтому справляются с задачами, сложными для традиционных статистических методов.

Искусственный интеллект (ИИ), как отрасль информатики, — новая техническая дисциплина, которая имитирует и расширяет возможности человеческого интеллекта для решения сложных задач. ИИ «подражает» работе мозга при обработке данных и играет важную роль в медицине: он умеет выявлять, обрабатывать, объединять и анализировать большие объёмы медицинской информации (истории болезни, изображения УЗИ, списки препаратов, результаты анализов).

Специальные алгоритмы, обученные на больших объемах данных, дают результаты, которые врачи могут использовать для улучшения диагностики. Например, обработка данных ЭКГ и/или эхокардиограмм с помощью ИИ уже применяется для распознавания сердечной недостаточности, фибрилляции предсердий, анемии, гипертрофической кардиомиопатии и лёгочной гипертензии. После валидации и клинического тестирования такие алгоритмы могут снизить нагрузку врачей: предлагать предварительные диагнозы, исправлять врачебные ошибки и снижать риск неправильной постановки диагноза.

ИИ во многом опирается на машинное обучение — методы, которые сами выявляют тонкие связи между различными данными. Благодаря этому можно находить скрытые закономерности, которые меняют подход к диагностике, лечению, прогнозу заболевания и этапам восстановления.

Машинное обучение — одна из самых популярных областей ИИ. По способу обучения его делят на три типа: контролируемое (supervised), неконтролируемое (unsupervised) и обучение с подкреплением (reinforcement learning).

- Контролируемое обучение: в систему вводят примеры с метками, и она подбирает параметры, чтобы правильно распознавать эти метки.

- Неконтролируемое обучение: алгоритм анализирует много данных без заранее заданных меток и сам выделяет группы и закономерности

- Обучение с подкреплением: сочетание двух подходов, где система учится через пробы и ошибки, получая «награду» за правильные действия — это помогает повысить точность в решении сложных задач.

Приведем пример. Для некоторых сердечно-сосудистых заболеваний (например дилатационная кардиомиопатия, миокардит, ИБС) золотыми стандартами диагностики служат ЭКГ, МРТ сердца с контрастированием, КТ-коронарография. Но эти исследования обычно проводят пациентам уже с клиническими проявлениями, а не массово среди людей без жалоб. Использование МРТ и других расширенных методов ограничено высокой стоимостью и потребностью в высококвалифицированном персонале, поэтому они плохо подходят для скрининга всего населения. В результате многие пациенты остаются недиагностированными до поздних стадий болезни, когда прогноз гораздо хуже. ИИ ускоряет и улучшает обработку Эхо и рентген/МРТ-данных, что помогает быстрее и точнее оценивать состояние сердца. Это даёт возможность более частого мониторинга (даже без постоянного участия специалиста) и способствует более ранней диагностике и улучшению прогноза.

ЭКГ (особенно 12- канальное) — простое, доступное и недорогое исследование, которое широко применяется даже в условиях с ограниченными ресурсами. Но интерпретация результатов сильно зависит от опыта врача. Кроме того, график ЭКГ содержит десятки тысяч точек данных, которые человеку тяжело полностью проанализировать — это ограничивает использование всего потенциала исследования.

Благодаря высокой вычислительной мощности, способности анализировать графики и учиться на данных, ИИ может находить тонкие, но значимые признаки в ЭКГ, которые незаметны для врача. Это позволяет выявлять связи между особенностями ЭКГ и конкретными сердечно-сосудистыми заболеваниями.

Таким образом, ИИ чаще помогает при дополняющем (скрининговом или предварительном) оценивании.

Однако до широкого применения ИИ в вспомогательной диагностике остаются нерешённые вопросы:

- Пояснимость моделей. Люди не всегда понимают, что происходит в промежуточных слоях нейросетей, поэтому во многих работах остаётся неясным, за счёт каких признаков модель обнаруживает болезнь. Это требует дополнительных исследований, чтобы повысить доверие пользователей к ИИ-инструментам.

- Ограниченная общность результатов. Существующие выводы часто получены на данных нескольких центров и ограниченных когортах пациентов. Нужны многоцентровые и крупномасштабные исследования, чтобы подтвердить надёжность моделей на разных популяциях.

- Экономическая обоснованность. Необходимо изучить стоимость внедрения ИИ в диагностический поток и оценить его влияние на клиническую практику (эффективность затрат, организационные изменения и т. п.).

В настоящий момент модели ИИ применяется только в исследовательских целях! Окончательное клиническое решение принимает врач.