Autor: MUDr. Vlasta Raušová
Aplikace umělé inteligence (AI) v hematologii nabízejí možnost zásadních inovací v diagnostice nemocí. Na zasedání 66. výročního sjezdu Americké hematologické společnosti byla prezentována data dále potvrzující výkonnost algoritmu AI pro predikci pravděpodobné přítomnosti plicní embolie (PE) na základě nálezů z elektrokardiogramu (EKG).

Přesná diagnostika PE je pro lékaře na pohotovosti náročná, protože klinický obraz může být velmi různorodý a PE může být obtížné odlišit od jiných akutních kardiovaskulárních problémů. Podle Agentury pro výzkum a kvalitu zdravotní péče (AHRQ) je žilní tromboembolismus pátou nejčastější příčinou závažných pochybení v diagnostice. Správná a včasná diagnóza PE je zásadní, zejména u pacientů s rozsáhlejší PE, kteří vyžadují léčbu fibrinolytiky, antikoagulancii nebo obojím.

Pro hodnocení rizika PE bylo vyvinuto několik dobře ověřených klinických nástrojů, například PERC (Pulmonary Embolism Rule-Out Criteria) nebo Wellsovo skóre; ty zahrnují různé klinické faktory, které pomáhají odhadnout riziko. Skórovacích systémů lze při dia­gnostice tromboembolické nemoci využít pouze k určení jisté míry pravděpodobnosti, neumožňují diagnostický závěr jen na základě samotného zjištění jejich zvýšených hodnot. Jejich využití v klinické praxi je variabilní a u lékařů první linie nejsou vždy přijímány. Navíc jejich diagnostická přesnost není příliš vysoká.

K vyloučení PE lze použít CT plicní angiografie (CTPA), a to zejména u pacientů, u kterých klinické příznaky a skóre D-dimerů znamenají vyšší riziko. Toto vyšetření je však drahé, nemusí být vždy dostupné, není bezpečné u pacientů s onemocněním ledvin a nese standardní rizika spojené s ozářením. Naopak EKG je rychlé, snadné a neinvazivní vyšetření, které podstupují téměř všichni pacienti s potenciálními kardiopulmonálními příznaky na oddělení urgentního příjmu.

Hematologové a specialisté na cévní medicínu v Mayo Clinic v Rochesteru v Minnesotě již dříve vyvinuli model hluboké neuronové sítě umělé inteligence, který využívá techniky strojového učení k analýze EKG dat a pomáhá predikovat PE. Tato počáteční analýza zahrnovala více než 79 000 pacientů, z nichž u 7 400 byla na pohotovosti pomocí CTPA zjištěna akutní PE.

Ve své prezentaci představili lékaři validační data na nové populaci a informovali o výsledcích u více než 18 000 pacientů, u kterých bylo EKG provedeno do šesti hodin od přijetí do nemocnice. U 455 z nich byla následně potvrzena PE pomocí CTPA nebo testu na D-dimer.

Pomocí dříve vyvinutého algoritmu zjistil tým lékařů, že hodnota AUC (plocha pod křivkou) byla 0,69, což je stejná hodnota jako u jejich původní kohorty. Pouze na základě EKG mohli být pacienti rozděleni do kategorií s nízkým (0,74 %; negativní prediktivní hodnota [NPV] 99,3 %), středně zvýšeným (2,27 %; NPV 97,7 %) a vysokým rizikem (8,02 %; NPV 92,0 %). Dále pak byla přidána další klinická data pro vývoj nových algoritmů – např. věk, pohlaví nebo saturace kyslíkem. Nejlepších výsledků dosáhl algoritmus, který využíval jak výsledky AI-EKG, tak výsledky D-dimerů, a dosáhl AUC 0,93. Při použití negativního D-dimeru ve skupině se středně zvýšeným rizikem se NPV zvýšila na více než 99,9 %, což dále snižuje potřebu provádět CTPA.

Autoři práce poukázali na to, že i další výzkumné týmy použily AI k vývoji EKG algoritmů pro detekci PE a jejich výsledky byly rovněž velmi slibné. Lze se proto domnívat, že ve srovnání s tradičními nástroji pro stratifikaci rizika by pracovní postup založený na AI a EKG mohl vést k dřívější diagnostice PE a potenciálně pomoci zabránit zmeškané nebo opožděné diagnóze.

Zjednodušený dvousložkový nástroj pro stratifikaci rizika pomocí EKG/D-dimeru by mohl celkově zjednodušit stratifikaci rizika PE ve srovnání se stávajícími modely. Tento algoritmus by se velmi dobře hodil pro reálnou klinickou praxi.

 Reference: https://ashpublications.org/ashclinicalnews/news/8274/AI-Algorithm-Using-ECG-D-Dimer-Provides-Impressive