Nowa Era w Kardiologii: Wpływ i Wykorzystanie Sztucznej Inteligencji - Przegląd Literatury

Krzysztof Żerdziński

Nowa Era w Kardiologii: Wpływ i Wykorzystanie Sztucznej Inteligencji - Przegląd Literatury

Autorzy

Krzysztof Żerdziński

Studenckie Koło Naukowe przy Katedrze i Zakładzie Biofizyki im. prof. Zbigniewa Religi, Wydział Nauk Medycznych w Zabrzu, Śląski Uniwersytet Medyczny w Katowicach

Słowa kluczowe:

sztuczna inteligencja, elektrokardiografia, echokardiografia, głębokie uczenie, uczenie maszynowe

Streszczenie

Niniejszy artykuł stanowi przegląd literatury dotyczącej roli sztucznej inteligencji (AI) w kardiologii, zwracając szczególną uwagę na jej wpływ na diagnostykę, leczenie oraz monitorowanie chorób sercowo-naczyniowych. W pracy przedstawiono aktualne zastosowania AI, w tym analizę elektrokardiogramów (EKG) i echokardiogramów przy wykorzystaniu uczenia maszynowego (ML) oraz głębokiego uczenia (DL), które umożliwiają precyzyjniejsze rozpoznawanie stanów patologicznych. Ponadto, artykuł omawia potencjalne korzyści wynikające z integracji AI z konwencjonalnymi metodami diagnostycznymi, co może prowadzić do bardziej spersonalizowanych podejść terapeutycznych i lepszych wyników leczenia. Poruszone zostają również wyzwania i ograniczenia związane z implementacją AI w praktyce klinicznej, w tym zapewnienie jakości danych, kwestie etyczne oraz potrzeba stworzenia przejrzystych algorytmów wspierających decyzje medyczne. Wnioski z przeglądu podkreślają znaczenie dalszych badań i współpracy międzydyscyplinarnej w celu pełnego wykorzystania potencjału AI w kardiologii.

Bibliografia

Kodera S, Akazawa H, Morita H, Komuro I. Prospects for cardiovascular medicine using artificial intelligence. J Cardiol. 2022;79(3):319-325. doi:10.1016/j.jjcc.2021.10.016.

Jiang Y, Yang M, Wang S, Li X, Sun Y. Emerging role of deep learning-based artificial intelligence in tumor pathology. Cancer Commun (Lond). 2020;40(4):154-166. doi:10.1002/cac2.12012.

Ramlakhan S, Saatchi R, Sabir L, et al. Understanding and interpreting artificial intelligence, machine learning and deep learning in Emergency Medicine. Emerg Med J. 2022;39:380-385. doi:10.1136/emermed-2021-211218.

Currie G, Rohren E. Intelligent Imaging in Nuclear Medicine: the Principles of Artificial Intelligence, Machine Learning and Deep Learning. Semin Nucl Med. 2021;51(2):102-111. doi:10.1053/j.semnuclmed.2020.08.002.

Currie G, Hawk KE, Rohren E, Vial A, Klein R. Machine Learning and Deep Learning in Medical Imaging: Intelligent Imaging. J Med Imaging Radiat Sci. 2019;50(4):477-487. doi:10.1016/j.jmir.2019.09.005.

Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44–56. doi:10.1038/s41591-018-0300-7.

Tran KA, Kondrashova O, Bradley A, et al. Deep learning in cancer diagnosis, prognosis and treatment selection. Genome Med. 2021;13:152. doi:10.1186/s13073-021-00968-x.

Watson X, D'Souza J, Cooper D, Markham R. Artificial intelligence in cardiology: fundamentals and applications. Intern Med J. 2022;52(6):912-920. doi:10.1111/imj.15562.

Noble RJ, Hillis JS, Rothbaum DA. Electrocardiography. In: Walker HK, Hall WD, Hurst JW, editors. Clinical Methods: The History, Physical, and Laboratory Examinations. 3rd ed. Boston: Butterworths; 1990. Chapter 33.

Sattar Y, Chhabra L. Electrocardiogram. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2024. [Updated 2023 Jun 5; cited 2024 Mar 26].

Konturek SJ. Fizjologia człowieka. 3rd ed. Brzozowski T, ed. Wrocław: Edra Urban & Partner; 2021.

Itchhaporia D. Artificial intelligence in cardiology. Trends Cardiovasc Med. 2022;32(1):34-41. doi:10.1016/j.tcm.2020.11.007.

Komuro J, Kusumoto D, Hashimoto H, Yuasa S. Machine learning in cardiology: Clinical application and basic research. J Cardiol. 2023;82(2):128-133. doi:10.1016/j.jjcc.2023.04.020.

Masetic Z, Subasi A. Congestive heart failure detection using random forest classifier. Comput Methods Programs Biomed. 2016;130:54-64. doi:10.1016/j.cmpb.2016.03.020.

Khan MS, Arshad MS, Greene SJ, et al. Artificial intelligence and heart failure: A state-of-the-art review. Eur J Heart Fail. 2023;25(9):1507-1525. doi:10.1002/ejhf.2994.

Omerovic S, Jain A. Echocardiogram. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2024. [Updated 2023 Jul 24; cited 2024 Mar 26].

Ouyang D, He B, Ghorbani A, et al. Video-based AI for beat-to-beat assessment of cardiac function. Nature. 2020;580(7802):252-256. doi:10.1038/s41586-020-2145-8.

Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6. doi:10.1038/s41746-017-0013-1.

Madani A, Ong JR, Tibrewal A, Mofrad MRK. Deep echocardiography: data-efficient supervised and semi-supervised deep learning towards automated diagnosis of cardiac disease. NPJ Digit Med. 2018;1:59. doi:10.1038/s41746-018-0065-x.

Nabi W, Bansal A, Xu B. Applications of artificial intelligence and machine learning approaches in echocardiography. Echocardiography. 2021;38(6):982-992. doi:10.1111/echo.15048.

Barandiarán Aizpurua A, Sanders-van Wijk S, Brunner-La Rocca HP, et al. Validation of the HFA-PEFF score for the diagnosis of heart failure with preserved ejection fraction. Eur J Heart Fail. 2020;22(3):413-421. doi:10.1002/ejhf.1614.

Davis A, Billick K, Horton K, Jankowski M, Knoll P, Marshall JE, Paloma A, Palma R, Adams DB. Sztuczna inteligencja i echokardiografia: podstawa dla ultrasonografów serca. J Am Soc Echocardiogr. 2020 wrzesień; 33(9):1061-1066. doi: 10.1016/j.echo.2020.04.025. EPUB 2020 11 czerwca. PMID: 32536431; PMCID: PMC7289098.

Vandenberk B, Chew DS, Prasana D, Gupta S, Exner DV. Successes and challenges of artificial intelligence in cardiology. Front Digit Health. 2023;5:1201392. Published 2023 Jun 28. doi:10.3389/fdgth.2023.1201392.

Kwon JM, Kim KH, Jeon KH, et al. Artificial intelligence algorithm for predicting mortality of patients with acute heart failure. PLoS One. 2019;14(7):e0219302. Published 2019 Jul 8. doi:10.1371/journal.pone.0219302.

Golas SB, Shibahara T, Agboola S, et al. A machine learning model to predict the risk of 30-day readmissions in patients with heart failure: a retrospective analysis of electronic medical records data. BMC Med Inform Decis Mak. 2018;18(1):44. Published 2018 Jun 22. doi:10.1186/s12911-018-0620-z.

Stehlik J, Schmalfuss C, Bozkurt B, et al. Continuous Wearable Monitoring Analytics Predict Heart Failure Hospitalization: The LINK-HF Multicenter Study. Circ Heart Fail. 2020;13(3):e006513. doi:10.1161/CIRCHEARTFAILURE.119.006513.

Yang X, Gong Y, Waheed N, et al. Identifying Cancer Patients at Risk for Heart Failure Using Machine Learning Methods. AMIA Annu Symp Proc. 2020;2019:933-941. Published 2020 Mar 4.

Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data?. PLoS One. 2017;12(4):e0174944. Published 2017 Apr 4. doi:10.1371/journal.pone.0174944a.

Thompson WR, Reinisch AJ, Unterberger MJ, Schriefl AJ. Artificial Intelligence-Assisted Auscultation of Heart Murmurs: Validation by Virtual Clinical Trial. Pediatr Cardiol. 2019;40(3):623-629. doi:10.1007/s00246-018-2036-z.

D'Ancona G, Massussi M, Savardi M, et al. Deep learning to detect significant coronary artery disease from plain chest radiographs AI4CAD. Int J Cardiol. 2023;370:435-441. doi:10.1016/j.ijcard.2022.10.154.

Bernard O, et al. Deep Learning Techniques for Automatic MRI Cardiac Multi-Structures Segmentation and Diagnosis: Is the Problem Solved? IEEE Trans Med Imaging. 2018;37(11):2514-2525. doi: 10.1109/TMI.2018.2837502.

Petitjean C, Zuluaga MA, Bai W, et al. Right ventricle segmentation from cardiac MRI: a collation study. Med Image Anal. 2015;19(1):187-202. doi:10.1016/j.media.2014.10.004.

Augusto JB, Davies RH, Bhuva AN, et al. Diagnosis and risk stratification in hypertrophic cardiomyopathy using machine learning wall thickness measurement: a comparison with human test-retest performance. Lancet Digit Health. 2021;3(1):e20-e28. doi:10.1016/S2589-7500(20)30267-3.

Cui S, Li K, Ang L, et al. Plasma Phospholipids and Sphingolipids Identify Stent Restenosis After Percutaneous Coronary Intervention. JACC Cardiovasc Interv. 2017;10(13):1307-1316. doi:10.1016/j.jcin.2017.04.007.

Wojtyniak B, Goryński P, red. Sytuacja zdrowotna ludności Polski i jej uwarunkowania 2022. Warszawa: Narodowy Instytut Zdrowia Publicznego – Państwowy Instytut Badawczy; 2022:563-564.