Μια καινοτόμα εφαρμογή τεχνητής νοημοσύνης από το Πανεπιστήμιο Τζονς Χόπκινς στις ΗΠΑ δείχνει ότι ένα απλό καρδιογράφημα μπορεί να αποκαλύψει ποιοι ασθενείς κινδυνεύουν από εγκεφαλικό, καρδιακή προσβολή ή ακόμη και θάνατο μέσα στις πρώτες 30 ημέρες μετά από μια μεγάλη χειρουργική επέμβαση.
Οι ερευνητές ανέλυσαν προεγχειρητικά ηλεκτροκαρδιογραφήματα (ECG) 37.000 ασθενών στο ιατρικό κέντρο Beth Israel Deaconess στη Βοστώνη και εκπαίδευσαν δύο μοντέλα μηχανικής μάθησης (machine learning). Το πρώτο βασίστηκε αποκλειστικά στα σήματα του καρδιογραφήματος, ενώ το δεύτερο, το λεγόμενο «fusion model», συνδύασε τα δεδομένα με 34 κλινικές μεταβλητές, όπως ηλικία, φύλο και ιστορικό υγείας. Και τα δύο μοντέλα ξεπέρασαν σε αποτελεσματικότητα τα παραδοσιακά εργαλεία πρόβλεψης κινδύνου, με το δεύτερο να επιτυγχάνει ακρίβεια 85%.
«Ένα απλό ηλεκτροκαρδιογράφημα κρύβει κρίσιμες πληροφορίες που δεν είναι ορατές στο ανθρώπινο μάτι. Μόνο με τεχνικές μηχανικής μάθησης μπορούμε να τις αποκαλύψουμε», εξήγησε ο Δρ Ρόμπερτ Στίβενς, επικεφαλής της μελέτης και διευθυντής του Τμήματος Πληροφορικής και Καινοτομίας στην Ιατρική Σχολή του Johns Hopkins.
Η ομάδα υποψιαζόταν ότι τα «κύματα» ενός ECG δεν αποτυπώνουν μόνο τη λειτουργία της καρδιάς, αλλά και πιο σύνθετες φυσιολογικές διαδικασίες, όπως τη φλεγμονή, τον μεταβολισμό και την ισορροπία υγρών. Η τεχνητή νοημοσύνη εντόπισε λεπτές ανωμαλίες στο καρδιογράφημα που συνδέονται με μεγαλύτερο κίνδυνο επιπλοκών, όπως αλλαγές στον ρυθμό και στην ένταση του ηλεκτρικού σήματος της καρδιάς, οι οποίες συνήθως περνούν απαρατήρητες από τους γιατρούς.