Atrijalna fibrilacija je najčešća srčana aritmija širom sveta sa oko 59 miliona ljudi u 2019. godini. Ovaj nepravilan rad srca je povezan sa povećanim rizikom od srčane insuficijencije, demencije i moždanog udara. Predstavlja značajno opterećenje za zdravstvene sisteme, što njegovo rano otkrivanje i lečenje čini glavnim ciljem.
Istraživači iz Luksemburškog centra za sistemsku biomedicinu (LCSB) Univerziteta u Luksemburgu nedavno su razvili model dubokog učenja koji je sposoban da predvidi prelazak sa normalnog srčanog ritma na atrijalnu fibrilaciju. Daje rana upozorenja u proseku 30 minuta pre početka, sa tačnošću od oko 80%. Ovi rezultati, objavljeni u naučnom časopisu Patterns, otvaraju put za integraciju u nosive tehnologije, omogućavajući rane intervencije i bolje ishode za pacijente.
Tokom atrijalne fibrilacije, gornje komore srca kucaju nepravilno i nisu u sinhronizaciji sa komorama. Vraćanje na uobičajeni ritam može zahtevati intenzivne intervencije, od vraćanja šoka srca u normalan sinusni ritam do uklanjanja određene oblasti odgovorne za neispravne signale.
Mogućnost da se predvidi epizoda atrijalne fibrilacije dovoljno rano bi omogućila pacijentima da preduzmu preventivne mere kako bi njihov srčani ritam bio stabilan. Međutim, sadašnje metode zasnovane na analizi pulsa i podataka elektrokardiograma (EKG) mogu otkriti samo atrijalnu fibrilaciju neposredno pre njenog početka i ne daju rano upozorenje.
„Nasuprot tome, naš rad odstupa od ovog pristupa ka perspektivnijem modelu predviđanja“, objašnjava prof. Horhe Goncalves, šef grupe za kontrolu sistema u LCSB.
„Koristili smo podatke o pulsu da obučimo model dubokog učenja koji može prepoznati različite faze – sinusni ritam, preatrijalnu fibrilaciju i atrijalnu fibrilaciju – i izračunati ‘verovatnoću opasnosti’ da će pacijent imati neposrednu epizodu. Kada se približi atrijalnoj fibrilaciji, verovatnoća se povećava sve dok ne pređe određeni prag, pružajući rano upozorenje.
Ovaj model veštačke inteligencije, nazvan VARN (Upozorenje o atrijalnoj fibrilaciji), obučen je i testiran na 24-časovnim snimcima prikupljenim od 350 pacijenata u bolnici Tongđi (Vuhan, Kina) i davao je rana upozorenja, u proseku 30 minuta pre početka atrijalne fibrilacije, sa velikom tačnošću. U poređenju sa prethodnim radom na predviđanju aritmije, VARN je prvi metod koji daje upozorenje daleko od početka.
„Još jedan zanimljiv aspekt je da naš model ima visoke performanse koristeći samo R-to-R intervale, u osnovi samo podatke o pulsu, koji se mogu dobiti od jednostavnih za nošenje i pristupačnih snimača pulsnih signala kao što su pametni satovi“, kaže dr. Marino Gavidia, prvi autor publikacije, koji je radio na ovom projektu tokom svog doktorata. u okviru grupe za kontrolu sistema i Jedinice za doktorsku obuku CriTiCS (vidi okvir ispod).
„Ove uređaje pacijenti mogu da koriste svakodnevno, tako da naši rezultati otvaraju mogućnosti za razvoj praćenja u realnom vremenu i ranih upozorenja sa udobnih nosivih uređaja“, dodaje dr Artur Montanari, istraživač LCSB-a uključen u projekat.
Pored toga, model dubokog učenja koji su razvili istraživači mogao bi se implementirati u pametne telefone za obradu podataka sa pametnog sata. Ova niska cena računara čini ga idealnim za integraciju u nosive tehnologije.
Dugoročni cilj je da pacijenti budu u stanju da kontinuirano prate svoj srčani ritam i dobijaju rana upozorenja koja mogu obezbediti dovoljno vremena za uzimanje antiaritmičkih lekova ili korišćenje nekih ciljanih tretmana za sprečavanje pojave atrijalne fibrilacije. Ovo bi zauzvrat smanjilo hitne intervencije i poboljšalo ishode pacijenata.
„Napred, fokusiraćemo se na razvoj personalizovanih modela. Svakodnevna upotreba jednostavnog pametnog sata konstantno pruža nove informacije o ličnoj dinamici srca, omogućavajući nam da kontinuirano usavršavamo i ponovo obučavamo naš model za tog pacijenta kako bismo postigli poboljšane performanse sa još ranijim upozorenjima“, zaključuje prof Gonkalves. „Na kraju, ovaj pristup bi čak mogao dovesti do novih kliničkih ispitivanja i inovativnih terapijskih intervencija.“
