Zastosowanie metod sztucznej inteligencji w predykcji wystąpienia migotania przedsionków
Słowa kluczowe:
diagnostyka, migotanie przedsionków, uczenie maszynowe, sztuczna inteligencjaStreszczenie
Migotanie przedsionków (AF) jest najczęściej występującą w populacji arytmią nadkomorową skutkującą wysoką śmiertelnością wśród cierpiących na nią pacjentów. AF objawia się szybką, nieskoordynowaną akcją przedsionków która prowadzi do utraty efektywności hemodynamicznej ich skurczu, czemu towarzyszy niemiarowy rytm komór. Stan ten może zwiększać ryzyko wystąpienia udaru niedokrwiennego mózgu czy ostrego zespołu wieńcowego. Wczesne wykrycie i diagnoza migotania przedsionków to niezbędne kroki umożliwiające wdrożenie efektywnego leczenia, zapobiegające wystąpieniu groźnych powikłań zakrzepowo-zatorowych. Przed pojawieniem się uczenia maszynowego w medycynie, badania wskazywały na wiele klinicznych czynników ryzyka na podstawie których można przewidywać wystąpienie migotania przedsionków u pacjentów na podstawie parametrów klinicznych obejmujących: wcześniejsze diagnozy, wyniki badań laboratoryjnych (markery uszkodzenia mięśnia sercowego, markery stanu zapalnego), wyniki badań obrazowych czy wyniki badań EKG. Dane te znajdujące się w elektronicznym systemie, mogą być łatwo analizowane przez algorytmy sztucznej inteligencji. Celem niniejszego opracowania jest przedstawienie możliwości predykcji migotania przedsionków z zastosowaniem najnowszych rozwiązań z dziedziny sztucznej inteligencji oraz przegląd aktualnych badań i ich wyników nad zastosowaniem uczenia maszynowego w predykcji wystąpienia AF u pacjentów. Przeglądu literatury dokonano 11/03/2023 za pośrednictwem bazy publikacji naukowych PUBMED stosując słowa kluczowe (i) “machine learning in atrial fibrillation prediction”, (ii) “deep learning in atrial fibrillation prediction”, (iii) “artificial intelligence in atrial fibrillation prediction”. Zastosowano wytyczne PRISMA dla przeglądów systematycznych. Do przeglądu włączono x publikacji. Badacze skupiają się na skrupulatnej analizie wyników uczenia maszynowego w tej dziedzinie medycyny. Jednakże metody te wymagają dalszego opracowania oraz rozwoju w celu zapewnienia wysokiej jakości i bezpieczeństwa procesu terapeutycznego w przyszłości.
Bibliografia
Chugh SS, Havmoeller R, Narayanan K, et al. Worldwide Epidemiology of Atrial Fibrillation. Circulation. 2014;129(8):837-847. doi:10.1161/CIRCULATIONAHA.113.005119
Chebbout R, Heywood EG, Drake TM, et al. A systematic review of the incidence of and risk factors for postoperative atrial fibrillation following general surgery. Anaesthesia. 2018;73(4):490-498. doi:10.1111/anae.14118
Wolf PA, Abbott RD, Kannel WB. Atrial fibrillation as an independent risk factor for stroke: the Framingham Study. Stroke. 1991;22(8):983-988. doi:10.1161/01.STR.22.8.983
Public Health England Atrial Fibrillation Prevalence Estimates in England: Application of Recent Population Estimates of AF in Sweden. 2017. .
Dwivedi YK, Hughes L, Ismagilova E, et al. Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. Int J Inf Manage. 2021;57:101994. doi:10.1016/j.ijinfomgt.2019.08.002
Mahadevaiah G, RV P, Bermejo I, Jaffray D, Dekker A, Wee L. Artificial intelligence‐based clinical decision support in modern medical physics: Selection, acceptance, commissioning, and quality assurance. Med Phys. 2020;47(5). doi:10.1002/mp.13562
Russel S, Norvig P. Artificial Intelligence: A Modern Approach. 4th ed. Pearson Education Limited; 2020.
Bishop C. Pattern Recognition and Machine Learning. 3rd ed. Springer; 2006.
Corral-Acero J, Margara F, Marciniak M, et al. The ‘Digital Twin’ to enable the vision of precision cardiology. Eur Heart J. 2020;41(48):4556-4564. doi:10.1093/eurheartj/ehaa159
Vukmir RB. Cardiac arrhythmia diagnosis. Am J Emerg Med. 1995;13(2):204-210. doi:10.1016/0735-6757(95)90095-0
Mizia-Stec K. Zaburzenia rytmu serca i przewodzenia. In: Patofizjologia Kliniczna. 2nd ed. ; 2020:154-155.
Staerk L, Sherer JA, Ko D, Benjamin EJ, Helm RH. Atrial Fibrillation. Circ Res. 2017;120(9):1501-1517. doi:10.1161/CIRCRESAHA.117.309732
Lau DH, Linz D, Sanders P. New Findings in Atrial Fibrillation Mechanisms. Card Electrophysiol Clin. 2019;11(4):563-571. doi:10.1016/j.ccep.2019.08.007
Mahmood SS, Levy D, Vasan RS, Wang TJ. The Framingham Heart Study and the epidemiology of cardiovascular disease: a historical perspective. The Lancet. 2014;383(9921):999-1008. doi:10.1016/S0140-6736(13)61752-3
Nattel S. Molecular and Cellular Mechanisms of Atrial Fibrosis in Atrial Fibrillation. JACC Clin Electrophysiol. 2017;3(5):425-435. doi:10.1016/j.jacep.2017.03.002
Morin DP, Bernard ML, Madias C, Rogers PA, Thihalolipavan S, Estes NAM. The State of the Art. Mayo Clin Proc. 2016;91(12):1778-1810. doi:10.1016/j.mayocp.2016.08.022
Miyasaka Y, Barnes ME, Gersh BJ, et al. Secular Trends in Incidence of Atrial Fibrillation in Olmsted County, Minnesota, 1980 to 2000, and Implications on the Projections for Future Prevalence. Circulation. 2006;114(2):119-125. doi:10.1161/CIRCULATIONAHA.105.595140
Kilander L, Andrén B, Nyman H, Lind L, Boberg M, Lithell H. Atrial Fibrillation Is an Independent Determinant of Low Cognitive Function. Stroke. 1998;29(9):1816-1820. doi:10.1161/01.STR.29.9.1816
Bejot Y, Salem DB, Osseby G V., et al. Epidemiology of ischemic stroke from atrial fibrillation in Dijon, France, from 1985 to 2006. Neurology. 2009;72(4):346-353. doi:10.1212/01.wnl.0000341280.31919.bd
Flint AC, Banki NM, Ren X, Rao VA, Go AS. Detection of Paroxysmal Atrial Fibrillation by 30-Day Event Monitoring in Cryptogenic Ischemic Stroke. Stroke. 2012;43(10):2788-2790. doi:10.1161/STROKEAHA.112.665844
Wolf PA, Dawber TR, Thomas HE, Kannel WB. Epidemiologic assessment of chronic atrial fibrillation and risk of stroke: The fiamingham Study. Neurology. 1978;28(10):973-973. doi:10.1212/WNL.28.10.973
Schemat rozstawienia elektrod EKG. https://aimcardio.com/blog/12-lead-placement-guide-with-diagram.
Elektrokardiogram. https://www.mp.pl/interna/chapter/B16V2511].
Gajewski P, ed. Interna Szczeklika 2022. Wydawnictwo Medycyna Praktyczna; 2022.
Chai PR. Wearable Devices and Biosensing: Future Frontiers. Journal of Medical Toxicology. 2016;12(4):332-334. doi:10.1007/s13181-016-0569-1
Vaidya GN. Application of exercise ECG stress test in the current high cost modern-era healthcare system. Indian Heart J. 2017;69(4):551-555. doi:10.1016/j.ihj.2017.06.004
Omerovic S, Jain A. Echocardiogram. StatPearls Publishing; 2022.
Singh S, Goyal A. The origin of echocardiography: a tribute to Inge Edler. Tex Heart Inst J. 2007;34(4):431-438.
Zapis EKG pacjenta w trakcie migotania przedsionków. https://www.mp.pl/interna/chapter/B16II266.
Zastosowanie echokardiografii w diagnostyce i leczeniu migotania przedsionków. [https://www.czytelniamedyczna.pl/5269,zastosowanie-echokardiografii-w-diagnostyce-i-leczeniu-migotania-przedsionklw.html.
Tiwari P, Colborn KL, Smith DE, Xing F, Ghosh D, Rosenberg MA. Assessment of a Machine Learning Model Applied to Harmonized Electronic Health Record Data for the Prediction of Incident Atrial Fibrillation. JAMA Netw Open. 2020;3(1):e1919396. doi:10.1001/jamanetworkopen.2019.19396
Liu CM, Chang SL, Chen HH, et al. The Clinical Application of the Deep Learning Technique for Predicting Trigger Origins in Patients With Paroxysmal Atrial Fibrillation With Catheter Ablation. Circ Arrhythm Electrophysiol. 2020;13(11). doi:10.1161/CIRCEP.120.008518
Atta-Fosu T, LaBarbera M, Ghose S, et al. A new machine learning approach for predicting likelihood of recurrence following ablation for atrial fibrillation from CT. BMC Med Imaging. 2021;21(1):45. doi:10.1186/s12880-021-00578-4
Ambale-Venkatesh B, Yang X, Wu CO, et al. Cardiovascular Event Prediction by Machine Learning. Circ Res. 2017;121(9):1092-1101. doi:10.1161/CIRCRESAHA.117.311312
Opublikowane
13 czerwca 2023
Prawa autorskie (c) 2023 Jakub Roman, Nikodem Pietrzak, Daniel Gondko, Przemysław Bugajski, Wiktoria Haberko
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.
