ИИ научился предсказывать опасные осложнения после операции лучше врачей

Ученые из Университета Джонса Хопкинса разработали модель искусственного интеллекта, которая выявляет в обычных электрокардиограммах (ЭКГ) ранее незаметные сигналы, позволяющие с высокой точностью предсказать смертельно опасные осложнения после операций. Технология существенно превосходит по эффективности существующие методы оценки рисков, используемые врачами. Работа опубликована в журнале British Journal of Anaesthesia (BJA), передает Day.Az со ссылкой на Gazeta.ru.

"Мы показали, что даже базовая ЭКГ содержит важнейшую информацию, которую невозможно распознать невооруженным глазом. Извлечь ее позволяют только методы машинного обучения", - отметил ведущий автор работы Роберт Д. Стивенс, руководитель подразделения информатики, интеграции и инноваций.

После крупных хирургических вмешательств значительная часть пациентов сталкивается с тяжелыми осложнениями - инфарктом, инсультом или смертью в течение 30 дней. Сегодняшние шкалы риска предсказывают такие исходы лишь примерно в 60% случаев.

Исследователи предположили, что ЭКГ может содержать скрытые маркеры, связанные не только с состоянием сердца, но и с воспалением, обменом веществ, гормональной регуляцией и уровнем электролитов. Чтобы проверить гипотезу, они проанализировали данные предоперационных ЭКГ 37 тысяч пациентов, перенесших операции в Бостоне.

Были обучены два алгоритма: один работал только с ЭКГ, второй - так называемая "фьюжн-модель" - комбинировал данные ЭКГ с медицинскими показателями пациентов (возраст, пол, сопутствующие болезни).

Оба варианта превзошли по точности существующие шкалы риска, однако именно "фьюжн-модель" оказалась наиболее эффективной: она предсказывала осложнения с точностью 85%.

"Удивительно, что всего 10 секунд данных с ЭКГ позволяют так точно прогнозировать исход операции. Это по-настоящему значимый результат, способный изменить подход к оценке хирургических рисков", - отметил соавтор исследования Карл Харрис, аспирант кафедры биомедицинской инженерии.

Следующим шагом станет проверка алгоритма на еще более масштабных выборках и его тестирование в реальном времени у пациентов, готовящихся к операции.