Wykorzystanie metod uczenia maszynowego  w diagnostyce wybranych wrodzonych wad serca

Daniel Gondko; Nikodem Pietrzak; Jakub Roman; Wiktoria Haberko; Przemysław Bugajski

Wykorzystanie metod uczenia maszynowego w diagnostyce wybranych wrodzonych wad serca

Autorzy

Daniel Gondko - Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach ; Nikodem Pietrzak - Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach ; Jakub Roman - Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach ; Wiktoria Haberko - Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach ; Przemysław Bugajski - Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach

Słowa kluczowe:

uczenie maszynowe, kardiologia, wrodzone wady serca

Streszczenie

W codziennej praktyce lekarskiej, mimo stałego rozwoju technik diagnostycznych, diagnostyka niektórych jednostek chorobowych staje coraz bardziej skomplikowana ze względu na różnorodność objawów, a także złożoność niektórych patologii. Prężny rozwój nauk informatycznych może stanowić jedno z rozwiązań, które poprzez zastosowanie technik bazujących na sztucznej inteligencji, znacząco przyspieszy i usprawni proces diagnostyczny, dzięki czemu będzie możliwe będzie wcześniejsze postawienie celnego rozpoznania i wdrożenie adekwatnego leczenia, przy jednoczesnym ułatwieniu pracy personelu medycznego. Diagnostyka wrodzonych wad serca stanowi jedną z dziedzin, gdzie wykorzystanie wyżej opisanych metod zostało opisane przez autorów publikacji zawartych w przeglądzie. W dzisiejszych czasach techniki obrazowania stanowią jedno z jej podstawowych narzędzi. Istotne znaczenie ma przede wszystkim wykorzystanie echokardiografii (UCG), tomografii komputerowej (CT), rezonansu magnetycznego serca (CMR), kateteryzacji serca, elektrokardiografii (ECG) oraz ultrasonografii płodu. Metody te wnosząc istotną wartość kliniczną, niejednokrotnie wymagają wieloletniego doświadczenia personelu. Zastosowanie metod uczenia maszynowego (ang. machine learning, ML) jest ciągle testowane w wielu dyscyplinach naukowych, a wiele przesłanek mówi też, że w przyszłości mogą również służyć jako narzędzie optymalizujące diagnostykę kardiologiczną. Niniejsze opracowanie ma na celu omówienie perspektyw zastosowania najnowszych rozwiązań sztucznej inteligencji w usprawnieniu praktyki kardiologów, w szczególności w diagnostyce wrodzonych wad serca. Autorzy przeprowadzili przegląd literatury na temat zastosowania algorytmów uczenia maszynowego, stosując słowa kluczowe: (i) „diagnosing ventricular septal defect machine learning”, (ii) „diagnosing atrial septal defect machine learning”, (iii) diagnosing patent ductus arteriosus machine learning”, korzystając z bazy danych naukowych PUBMED i stosując wytyczne PRISMA dla przeglądów systematycznych. Liczba włączonych publikacji do przeglądu wyniosła 8. Zgodnie z wynikami analizy, zastosowanie algorytmów uczenia maszynowego w diagnostyce wrodzonych wad serca, zapewnia wysoką trafność diagnoz oraz interpretacji wyników. Należy jednak pamiętać, że metody te wymagają dalszego ewaluacji w celu zapewnienia najwyższych standardów świadczeń opieki zdrowotnej w przyszłości.

Bibliografia

Murni IK, Wirawan MT, Patmasari L, et al. Delayed diagnosis in children with congenital heart disease: a mixed-method study. BMC Pediatr. 2021;21(1):191. doi:10.1186/s12887-021-02667-3

Berner ES, Graber ML. Overconfidence as a Cause of Diagnostic Error in Medicine. Am J Med. 2008;121(5):S2-S23. doi:10.1016/j.amjmed.2008.01.001

Hoffman JIE, Kaplan S. The incidence of congenital heart disease. J Am Coll Cardiol. 2002;39(12):1890-1900. doi:10.1016/S0735-1097(02)01886-7

Bernier PL, Stefanescu A, Samoukovic G, Tchervenkov CI. The Challenge of Congenital Heart Disease Worldwide: Epidemiologic and Demographic Facts. Semin Thorac Cardiovasc Surg Pediatr Card Surg Annu. 2010;13(1):26-34. doi:10.1053/j.pcsu.2010.02.005

Tennant PW, Pearce MS, Bythell M, Rankin J. 20-year survival of children born with congenital anomalies: a population-based study. The Lancet. 2010;375(9715):649-656. doi:10.1016/S0140-6736(09)61922-X

Bjornard K, Riehle-Colarusso T, Gilboa SM, Correa A. Patterns in the prevalence of congenital heart defects, metropolitan Atlanta, 1978 to 2005. Birth Defects Res A Clin Mol Teratol. 2013;97(2):87-94. doi:10.1002/bdra.23111

Martin SS, Shapiro EP, Mukherjee M. Atrial Septal Defects – Clinical Manifestations, Echo Assessment, and Intervention. Clin Med Insights Cardiol. 2014;8s1:CMC.S15715. doi:10.4137/CMC.S15715

Menillo AM, Lee LS, Pearson-Shaver AL. Atrial Septal Defect. StatPearls Publishing LLC; 2022.

Adapted from Janiec I, Kucinska B, Werner B. Drożny otwór owalny i ubytek przegrody międzyprzedsionkowej typu wtórnego – znaczenie i postępowanie u dzieci. In: Nowa Pediatria. Borgis; 2016:20-25. https://www.czytelniamedyczna.pl/5484,drozny-otwor-owalny-i-ubytek-przegrody-miedzyprzedsionkowej-typu-wtornego-znacz.html Accessed: 14/3/2023

Dakkak W, Oliver TI. Ventricular Septal Defect. StatPearls Publishing LLC; 2022.

Gillam-Krakauer M, Mahajan K. Patent Ductus Arteriosus. StatPearls Publishing LLC; 2022.

Adapted from Tripathi R. Ventricular Septal Defect: Echocardiography Evaluation. Journal of The Indian Academy of Echocardiography & Cardiovascular Imaging. 2020;4(3):260. doi:10.4103/jiae.jiae_42_20 https://jiaecho.org/article.asp?issn=2543-1463;year=2020;volume=4;issue=3;spage=260;epage=266;aulast=Tripathi;type=3 Accessed: 14/3/2023

de Freitas Martins F, Ibarra Rios D, F. Resende MH, et al. Relationship of Patent Ductus Arteriosus Size to Echocardiographic Markers of Shunt Volume. J Pediatr. 2018;202:50-55.e3. doi:10.1016/j.jpeds.2018.06.045

Adapted from Patent ductus arteriosus PDA. https://pediatricheartspecialists.com/heart-education/15-congenital-heart-defects/172-patent-ductus-arteriosus Accessed: 14/3/2023

European Society of Cardiology. Wytyczne ESC 2020 dotyczące leczenia osób dorosłych z wrodzonymi wadami serca . Published online 2020.

Rehman R, Yelamanchili VS, Makaryus AN. Cardiac Imaging. StatPearls Publishing LLC; 2022.

Adapted from Brozek P. Miejsca umiejscowienia elektrod na kończynach wraz z miejscami powstawania różnicy napięć pomiędzy elektrodami. Elektrokardiografia (EKG). Published online 2017. https://www.mp.pl/pacjent/badania_zabiegi/152094,elektrokardiografia-ekg Accessed: 14/3/2023

Adapted from Brozek P. Krzywa zapisu EKG . Elektrokardiografia (EKG). Published online 2017. https://www.mp.pl/pacjent/badania_zabiegi/152094,elektrokardiografia-ekg Accessed: 14/3/2023

Omerovic S, Jain A. Echocardiogram. StatPearls Publishing LLC; 2022.

Singh S, Goyal A. The origin of echocardiography: a tribute to Inge Edler. Tex Heart Inst J. 2007;34(4):431-438.

Goodman G. Cardiovascular Techniques and Technology. In: Clinical Engineering Handbook. Elsevier; 2004:417-420. doi:10.1016/B978-012226570-9/50103-4

Vermarien H. Phonocardiography. In: Encyclopedia of Medical Devices and Instrumentation. John Wiley & Sons, Inc.; 2006. doi:10.1002/0471732877.emd203

Adapted from Phonocardiogram. https://en.wikipedia.org/wiki/Phonocardiogram Accessed: 14/3/2023

Wang J, Liu X, Wang F, et al. Automated interpretation of congenital heart disease from multi-view echocardiograms. Med Image Anal. 2021;69:101942. doi:10.1016/j.media.2020.101942

Yang X yong, Li X feng, Lü X dong, Liu Y long. Incidence of congenital heart disease in Beijing, China. Chin Med J (Engl). 2009;122(10):1128-1132.

Rigatelli G, Dell’Avvocata F, Roncon L, Cardaioli P, Giordan M, Cominato S. Intracardiac echocardiography-guided atrial septal defect transcatheter closure of a very old surgical residual shunt. Minerva Cardioangiol. 2008;56(1):171-175.

Mori H, Inai K, Sugiyama H, Muragaki Y. Diagnosing Atrial Septal Defect from Electrocardiogram with Deep Learning. Pediatr Cardiol. 2021;42(6):1379-1387. doi:10.1007/s00246-021-02622-0

De Fauw J, Ledsam JR, Romera-Paredes B, et al. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018;24(9):1342-1350. doi:10.1038/s41591-018-0107-6

Kermany DS, Goldbaum M, Cai W, et al. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018;172(5):1122-1131.e9. doi:10.1016/j.cell.2018.02.010

Capper D, Jones DTW, Sill M, et al. DNA methylation-based classification of central nervous system tumours. Nature. 2018;555(7697):469-474. doi:10.1038/nature26000

Nielsen A, Hansen MB, Tietze A, Mouridsen K. Prediction of Tissue Outcome and Assessment of Treatment Effect in Acute Ischemic Stroke Using Deep Learning. Pediatr Cardiol. 2018;49(6):1394-1401. doi:10.1161/STROKEAHA.117.019740

Ehteshami Bejnordi B, Veta M, Johannes van Diest P, et al. Diagnostic Assessment of Deep Learning Algorithms for Detection of Lymph Node Metastases in Women With Breast Cancer. JAMA. 2017;318(22):2199. doi:10.1001/jama.2017.14585

Liu B, Chang H, Yang D, et al. A deep learning framework assisted echocardiography with diagnosis, lesion localization, phenogrouping heterogeneous disease, and anomaly detection. Sci Rep. 2023;13(1):3. doi:10.1038/s41598-022-27211-w

张俊杰. Principal Component Analysis-Based Heart Sound Features Reduction Research. Journal of Image and Signal Processing. 2018;07(04):213-219. doi:10.12677/JISP.2018.74024

Aziz S, Khan MU, Alhaisoni M, Akram T, Altaf M. Phonocardiogram Signal Processing for Automatic Diagnosis of Congenital Heart Disorders through Fusion of Temporal and Cepstral Features. Sensors. 2020;20(13):3790. doi:10.3390/s20133790

Reed TR, Reed NE, Fritzson P. Heart sound analysis for symptom detection and computer-aided diagnosis. Simul Model Pract Theory. 2004;12(2):129-146. doi:10.1016/j.simpat.2003.11.005

Gharehbaghi A, Sepehri AA, Babic A. Distinguishing Septal Heart Defects from the Valvular Regurgitation Using Intelligent Phonocardiography. Stud Health Technol Inform. 2020;270:178-182. doi:10.3233/SHTI200146

Bakker MK, Bergman JEH, Krikov S, et al. Prenatal diagnosis and prevalence of critical congenital heart defects: an international retrospective cohort study. BMJ Open. 2019;9(7):e028139. doi:10.1136/bmjopen-2018-028139

Gómez-Quintana S, Schwarz CE, Shelevytsky I, et al. A Framework for AI-Assisted Detection of Patent Ductus Arteriosus from Neonatal Phonocardiogram. Healthcare. 2021;9(2):169. doi:10.3390/healthcare9020169

Liu J, Wang H, Yang Z, Quan J, Liu L, Tian J. Deep learning-based computer-aided heart sound analysis in children with left-to-right shunt congenital heart disease. Int J Cardiol. 2022;348:58-64. doi:10.1016/j.ijcard.2021.12.012

Opublikowane

7 czerwca 2023

Licencja

Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.