Sztuczna Inteligencja w diagnostyce kardiologicznej - wykorzystanie w elektrokardiografii; potencjał, kontrowersje i przyszłość w EKG
Słowa kluczowe:
Sztuczna inteligencja, uczenie maszynowe, głębokie uczenie, EKG, migotanie przedsionkówStreszczenie
W niniejszej pracy dokonano przeglądu aktualnych osiągnięć, ograniczeń oraz perspektyw zastosowania sztucznej inteligencji (AI) w diagnostyce kardiologicznej, ze szczególnym uwzględnieniem jej roli w analizie zapisów elektrokardiograficznych (EKG). Analizie zostało poddanych 1255 prac, pochodzących z okresu 2020-2023, z których 23 badania wybrano i opisano w poniższym artykule. Na podstawie analizy publikacji, można stwierdzić, że AI, wykorzystując zaawansowane algorytmy, takie jak uczenie maszynowe (ML) i uczenie głębokie (DL), wykazuje duży potencjał w poprawie wykrywalności arytmii, w tym migotania przedsionków (AF), oraz w monitorowaniu funkcji serca. W pracy omówiono również możliwości integracji AI z mobilnymi technologiami, takimi jak smartwatche i smartfony, co może zrewolucjonizować wczesną diagnostykę i zarządzanie chorobami serca. Chociaż AI w kardiologii oferuje szereg korzyści, napotyka również na istotne wyzwania, w tym kwestie prawne i etyczne, związane z ochroną danych pacjentów, transparentnością algorytmów oraz odpowiedzialnością za błędy diagnostyczne. Zastosowanie AI wymaga także odpowiednich szkoleń oraz dostosowania organizacyjnego placówek medycznych. Mimo tych trudności, przyszłość AI w analizie EKG wygląda obiecująco, a dalsze badania mogą przyczynić się do jeszcze większej precyzji diagnostycznej i personalizacji leczenia w kardiologii.
Bibliografia
Zoga A, Syed A. Artificial Intelligence in Radiology: Current Technology and Future Directions. Seminars in Musculoskeletal Radiology. 2018;22(05):540-545. doi:https://doi.org/10.1055/s-0038-1673383
Forcht DT, II FG, Glass J. Machine Learning and Artificial Intelligence in Neurosurgery: Status, Prospects, and Challenges. Neurosurgery. 2021;89(2). https://journals.lww.com/neurosurgery/fulltext/2021/08000/machine_learning_and_artificial_intelligence_in.1.aspx
Sattar Y, Chhabra L. Electrocardiogram. National Library of Medicine. Published June 5, 2023. https://www.ncbi.nlm.nih.gov/books/NBK549803/
Wojtyniak B, Goryński P, red. Sytuacja zdrowotna ludności Polski i jej uwarunkowania 2022. Warszawa: Narodowy Instytut Zdrowia Publicznego – Państwowy Instytut Badawczy; 2022:563-564.
Authors, Clark M, Severn M. Artificial Intelligence in Prehospital Emergency Health Care: CADTH Horizon Scan. Canadian Agency for Drugs and Technologies in Health; 2023. Accessed February 8, 2024. https://www.ncbi.nlm.nih.gov/books/NBK596747/
Ramesh AN, Kambhampati C, Monson JR, Drew PJ. Artificial intelligence in medicine. Ann R Coll Surg Engl. 2004 Sep;86(5):334-8. doi: 10.1308/147870804290. PMID: 15333167; PMCID: PMC1964229.
Itchhaporia D. Artificial intelligence in cardiology. Trends in Cardiovascular Medicine. 2022;32(1):34-41. doi:https://doi.org/10.1016/j.tcm.2020.11.007
Balyen L, Peto T. Promising Artificial IntelligenceMachine LearningDeep Learning Algorithms in Ophthalmology. AsiaPacific Journal of Ophthalmology. 2019;8(3):264-272. doi:https://doi.org/10.22608/APO.2018479
Deo RC. Machine Learning in Medicine. Circulation. 2015 Nov 17;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593. PMID: 26572668; PMCID: PMC5831252.
Choi RY, Coyner AS, KalpathyCramer J, Chiang MF, Peter CJ. Introduction to Machine Learning, Neural Networks, and Deep Learning. Trans Vis Sci Tech. 2020;9(2):14-14. doi:https://doi.org/10.1167/tvst.9.2.14
Brundel BJJM, Ai X, Hills MT, Kuipers MF, Lip GYH, de Groot NMS. Atrial fibrillation. Nat Rev Dis Primers. 2022;8(1):21. Published 2022 Apr 7. doi:10.1038/s41572-022-00347-9.
Attia ZI, Noseworthy PA, Lopez-Jimenez F, et al. An artificial intelligence-enabled ECG algorithm for the identification of patients with atrial fibrillation during sinus rhythm: a retrospective analysis of outcome prediction. Lancet. 2019;394(10201):861-867. doi:10.1016/S0140-6736(19)31721-0.
Noseworthy PA, Attia ZI, Behnken EM, et al. Artificial intelligence-guided screening for atrial fibrillation using electrocardiogram during sinus rhythm: a prospective non-randomised interventional trial. Lancet. 2022;400(10359):1206-1212. doi:10.1016/S0140-6736(22)01637-
Khurshid S, Friedman S, Reeder C, et al. ECG-Based Deep Learning and Clinical Risk Factors to Predict Atrial Fibrillation. Circulation. 2022;145(2):122-133. doi:10.1161/CIRCULATIONAHA.121.057480.
Christopoulos G, Graff-Radford J, Lopez CL, Yao X, Attia ZI, Rabinstein AA, Petersen RC, Knopman DS, Mielke MM, Kremers W, Vemuri P, Siontis KC, Friedman PA, Noseworthy PA. Artificial Intelligence-Electrocardiography to Predict Incident Atrial Fibrillation: A Population-Based Study. Circ Arrhythm Electrophysiol. 2020 Dec;13(12):e009355. doi: 10.1161/CIRCEP.120.009355. Epub 2020 Nov 13. PMID: 33185118; PMCID: PMC8127001.
Kagiyama N, Piccirilli M, Yanamala N, et al. Machine Learning Assessment of Left Ventricular Diastolic Function Based on Electrocardiographic Features. Journal of the American College of Cardiology. 2020;76(8):930-941. doi:https://doi.org/10.1016/j.jacc.2020.06.061
Kashou AH, MedinaInojosa JR, Noseworthy PA, et al. Artificial Intelligence–Augmented Electrocardiogram Detection of Left Ventricular Systolic Dysfunction in the General Population. Mayo Clinic Proceedings. 2021;96(10):2576-2586. doi:https://doi.org/10.1016/j.mayocp.2021.02.029
Zhao X, Huang G, Wu L, et al. Deep learning assessment of left ventricular hypertrophy based on electrocardiogram. Frontiers in Cardiovascular Medicine. 2022;9. doi:https://doi.org/10.3389/fcvm.2022.952089
Lee CH, Liu WT, Lou YS, et al. Artificial intelligence-enabled electrocardiogram screens low left ventricular ejection fraction with a degree of confidence. Digital health. 2022;8:205520762211432-205520762211432. doi:https://doi.org/10.1177/20552076221143249
Chen HY, Lin CS, Fang WH, et al. Artificial Intelligence-Enabled Electrocardiography Predicts Left Ventricular Dysfunction and Future Cardiovascular Outcomes: A Retrospective Analysis. Journal of Personalized Medicine. 2022;12(3):455. doi:https://doi.org/10.3390/jpm12030455
Lin CS, Liu WT, Tsai DJ, et al. AI-enabled electrocardiography alert intervention and all-cause mortality: a pragmatic randomized clinical trial. Nature Medicine. Published online April 29, 2024:1-10. doi:https://doi.org/10.1038/s41591-024-02961-4
Shelly S, Lopez-Jimenez F, Chacin-Suarez A, et al. Accelerated Aging in LMNA Mutations Detected by Artificial Intelligence ECG–Derived Age. Mayo Clinic Proceedings. Published online February 2023. doi:https://doi.org/10.1016/j.mayocp.2022.11.020
Zaver H, Obaie Mzaik, Thomas JN, et al. Utility of an Artificial Intelligence Enabled Electrocardiogram for Risk Assessment in Liver Transplant Candidates. Digestive Diseases and Sciences. 2023;68(6):2379-2388. doi:https://doi.org/10.1007/s10620-023-07928-y
Chang A, Cadaret LM, Liu K. Machine Learning in Electrocardiography and Echocardiography: Technological Advances in Clinical Cardiology. Current Cardiology Reports. 2020;22(12). doi:https://doi.org/10.1007/s11886-020-01416-9
Smulyan H. The Computerized ECG: Friend and Foe. The American Journal of Medicine. 2019;132(2):153-160. doi:https://doi.org/10.1016/j.amjmed.2018.08.025
Madani A, Arnaout R, Mofrad M, Arnaout R. Fast and accurate view classification of echocardiograms using deep learning. npj Digital Medicine. 2018;1(1). doi:https://doi.org/10.1038/s41746-017-0013-1
Feeny AK, Rickard J, Patel D, et al. Machine Learning Prediction of Response to Cardiac Resynchronization Therapy. Circulation: Arrhythmia and Electrophysiology. 2019;12(7). doi:https://doi.org/10.1161/circep.119.007316
Cikes M, Sanchez-Martinez S, Claggett B, et al. Machine learning-based phenogrouping in heart failure to identify responders to cardiac resynchronization therapy. European Journal of Heart Failure. 2018;21(1):74-85. doi:https://doi.org/10.1002/ejhf.1333
Lei J, Yi Grace Wang, Bhatta L, et al. Ventricular geometry–regularized QRSd predicts cardiac resynchronization therapy response: machine learning from crosstalk between electrocardiography and echocardiography. The International Journal of Cardiovascular Imaging. 2019;35(7):1221-1229. doi:https://doi.org/10.1007/s10554-019-01545-5
Perez MV, Mahaffey KW, Hedlin H, et al. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. New England Journal of Medicine. 2019;381(20):1909-1917. doi:https://doi.org/10.1056/nejmoa1901183
Wasserlauf J, You C, Patel R, Valys A, Albert D, Passman R. Smartwatch Performance for the Detection and Quantification of Atrial Fibrillation. Circulation: Arrhythmia and Electrophysiology. 2019;12(6). doi:https://doi.org/10.1161/circep.118.006834
Bumgarner JM, Lambert CT, Hussein AA, et al. Smartwatch Algorithm for Automated Detection of Atrial Fibrillation. J Am Coll Cardiol. 2018;71(21):2381-2388. doi:10.1016/j.jacc.2018.03.003.
Guo Y, Wang H, Zhang H, et al. Mobile Photoplethysmographic Technology to Detect Atrial Fibrillation. J Am Coll Cardiol. 2019;74(19):2365-2375. doi:10.1016/j.jacc.2019.08.019.
O’Sullivan JW, Grigg S, Crawford W, et al. Accuracy of Smartphone Camera Applications for Detecting Atrial Fibrillation. JAMA Network Open. 2020;3(4):e202064. doi:https://doi.org/10.1001/jamanetworkopen.2020.2064
Opublikowane
28 sierpnia 2025
Prawa autorskie (c) 2025 Michał Gałuszewski, Julita Janiec, Krzysztof Żerdziński, Jan Olszewski, Karolina Jankowska, Milena Brzywczy
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.
