Искусственный интеллект (ИИ) – необходимая составляющая алгоритма построения и решения насущных задач, обеспечивающих практическое и творческое направление человеческой деятельности.
Ожидания, возможно, направленные в будущее, часто формируют на данном этапе развития ошибочное понятие ИИ как всеобъемлющей системы, способной осуществлять мыслительную когнитивную деятельность, вместо реального представления о способности продвинутых цифровых технологий решать поставленные человеком задачи [1]. Новые компьютерные решения при сложном многоуровневом построении электронных систем с множественными взаимными связями на принципах нейронных сетей мозга человека дают подтверждение существующим или новым идеям для реализации практических задач общества и индивида. В силу технических и программных ограничений использование возможностей ИИ носит часто ограниченный характер и направлено в большей степени на решение локальных задач, в частности медицинских проблем [2–4].
Основополагающим элементом ИИ является «машинное обучение» (МО), оно включает введение массива информации (так называемых больших данных) с определенным программным построением и алгоритмом их обработки. МО предусматривает возможность продвинутого самообучения и обладает способностью трансформироваться по мере накопления данных, адаптироваться и изменять алгоритм принятия решений, улучшать и классифицировать новые данные без вмешательства оператора.
Способы достижения цели при МО представлены различными моделями программного обеспечения с различной формулировкой техники ввода данных и вариантов контроля, направленных на получение конкретных данных и даже без последующего программирования.
Эффективность модели МО зависит от способов обучения.
Недавний обзор применения искусственного интеллекта в здравоохранении показал, что в качестве общей техники МО используются искусственные нейронные сети (ИНС) [3]. Применение ИНС в здравоохранении включает клиническую диагностику, прогнозирование, распознавание речи, анализ и интерпретацию изображений, автоматическую интерпретацию электрокардиограммы (ЭКГ) и разработку лекарств [5]. Первоначально математически описанные приемы обработки информации, осуществляемые биологическими нервными клетками, были использованы для создания структурных элементов ИНС, которые концептуально используются в нейробиологии и принадлежат к классу статистических процедур, раскрывают более сложные ассоциации, чем математические уравнения [6]. Обычно ИНС подразделяются на три слоя нейронов: входной (получает информацию), скрытый (отвечает за извлечение шаблонов, выполняет большую часть внутренней обработки) и выходной (производит и представляет конечные сетевые выходы) [7]. Архитектуры ИНС часто классифицируются как нейронные сети с прямой связью (например, однослойный персептрон, многослойный персептрон, радиальные базисные функциональные сети) или обратной связью и могут упоминаться как рекуррентные нейронные сети [8, 9]. ИНС использовались, главным образом, для классификации, прогнозов и диагностики. Одним из вариантов организаций нейронной сети является сверточная нейронная сеть (СНС). Это алгоритм глубокого обучения, который может принимать входное изображение, присваивать важность (усваиваемые веса и смещения) различным объектам и способен отличать один объект от другого. Требования к предварительной обработке в СНС значительно снижены по сравнению с другими алгоритмами классификаций [10].
Архитектура СНС аналогична структуре связи нейронов в человеческом мозге и похожа на организацию коры мозга, ответственной за восприятие зрительных процессов. Отдельные нейроны реагируют на раздражители только в ограниченной части полей зрения, известной как рецептивное поле [11]. Коллекция таких полей перекрывается и покрывает всю визуальную область.
Применение глубокой СНС открыло новые возможности при обработке общей картины ЭКГ.
Целью данного обзора было показать возможности использования элементов ИИ для выявления по ЭКГ скрытой фибрилляции предсердий, доклинической дисфункции левого желудочка и суммарных признаков нарушения обмена калия.
Скрытая фибрилляция предсердий без признаков аритмии на ЭКГ
Распространенность бессимптомной фибрилляции предсердий (ФП), выявляемой различными методами регистрации, колеблется в популяции в пределах 10–40% [12, 13]. Значимость доклинического выявления ФП определяется возможностью предусмотреть тромбоэмболические осложнения, прежде всего ишемический инсульт [14]. Несмотря на отсутствие подтвержденных доказательств, что выявленные при скрининге больные с ФП будут иметь более благоприятное течение болезни, чем не включенные в скрининг, способы выявления скрытой ФП продолжают изучаться. Так, однократный систематический скрининг с 12-отведенной ЭКГ и двухнедельный скрининг с ЭКГ в 1 отведении выявили больше новых случаев ФП, чем отсутствие скрининга (абсолютное увеличение за 12 месяцев – 0,6% [95%-ный ДИ, 0,1–0,9%] и 2,8% [95%-ный ДИ, 0,9–4,7%] соответственно) [15]. Оппортунистические подходы к ЭКГ-скринингу лиц с общим значимым сосудистым риском могут иметь диагностическое, лечебное и эпидемиологическое значение. Бессимптомная ФП, выявляемая в популяции при регистрации ЭКГ, определяет реальные факты существования аритмии, но не электрическую предрасположенность к ФП.
В этом плане анализ ЭКГ, не имеющей традиционных признаков ФП, может представлять интерес для назначения антикоагулянтной терапии и обширных эпидемиологических построений.
В рассматриваемом исследовании анализировалась ЭКГ в стандартных 12 отведениях с нормальным синусовым ритмом и без указаний на ФП в прошлом [16]. Включены все пациенты в возрасте старше 18 лет с цифровой регистрацией ЭКГ, полученной в клинике Майо (США) в период с 31 декабря 1993 г. по 21 июля 2017 г. Для анализа ЭКГ применялась СНС. Эффективность модели оценивалась на тестируемом наборе данных путем расчета AUC с определением точности, чувствительности, специфичности и показателя F1 с 95%-ным ДИ. Включены 180 922 пациента с нормальным синусовым ритмом на ЭКГ. После первой регистрации повторная запись ЭКГ рассматривалась на 31-й день. У 3051 пациента была определена мерцательная аритмия при исходном нормальном синусовом ритме. Система идентифицировала мерцательную аритмию с AUC 0,87 (95%-ный ДИ 0,86–0,88), чувствительностью 79,0% (77,5–80,4), специфичностью 79,5% (79,0–79,9), оценка F1 – 39,2% (38,1–40,3) и общей точностью 79,4% (79,0–79,9). В статье отмечено, что комбинирование ИИ со стандартной ЭКГ, полученной при нормальном синусовом ритме, позволяет с высокой вероятностью идентифицировать пациентов с развитием фибрилляции предсердий, и этот результат может иметь важное значение для скрининга мерцательной аритмии и ведения пациентов с необъяснимыми инсультами.
Использование технологий ИИ даст возможность проводить оппортунистический ЭКГ-скрининг в широком плане или в группах пожилых пациентов при значимых цифрах по CHA2DS2-VASc score для рассмотрения вопросов об антикоагулянтной терапии [17]. Вместе с тем должны приниматься во внимание ограничения, связанные с ложноположительными и ложноотрицательными результатами новых ИИ технологий, как и риски, связанные с необоснованным назначением антикоагулянтной терапии.
Дисфункция левого желудочка
Определены новые возможности выявления по ЭКГ пациентов с риском дисфункции левого желудочка. Проверена гипотеза о том, что при рутинном методе измерения электрической активности сердца по ЭКГ можно идентифицировать асимптомную дисфункцию левого желудочка. При использовании парных данных ЭКГ в 12 отведениях и эхокардиограмм, включая фракцию выброса левого желудочка, у 44 959 пациентов была обучена СНС для идентификации пациентов с желудочковой дисфункцией с фракцией выброса ≤35%. При тестировании на независимом наборе из 52 870 пациентов, исходя только из анализа ЭКГ, по сетевой модели были получены следующие значения: площадь под кривой AUC, чувствительность, специфичность и точность соответственно 0,93, 86,3%, 85,7% и 85,7% [18]
Результаты проверки эффективности ЭКГ-скрининга сердечной недостаточности, проведенного в ретроспективном когортном исследовании с включением двух больниц, дали схожие результаты. Алгоритм с СНС был применен для обработки 39 371 ЭКГ, зарегистрированных у 17 127 пациентов. Путем использования СНС предполагалось обнаружить сердечную недостаточность при сердечной недостаточности со снижением фракции выброса левого желудочка <40% (СНСФВ). Области под кривыми AUC с использованием ЭКГ в 12 отведениях при определении СНСФВ составляли 0,913 (95%-ный доверительный интервал, 0,902–0,925) и 0,961 (0,951–0,971); с использованием ЭКГ с одним отведением составляли 0,874 (0,859–0,890) и 0,929 (0,911–0,946).
Нарушения обмена калия
Электролитные нарушения, выявляемые по ЭКГ, описаны при гипер- и гипокалиемии и проявляются разнообразными изменениями амплитуды зубцов и интервалов желудочкового и предсердного комплексов [19]. В основном анализировались изменения амплитуды зубца T, удлинения комплекса QRS, интервала PQ; при этом верность интерпретации гиперкалиемии в клинической практике колеблется от 34% до 43% [20]. Были также разработаны алгоритмы для определения предполагаемой концентрации К+ в сыворотке крови на основе количественных изменений ЭКГ [21]. При применении стандартной регрессионной модели для оценки калия по ЭКГ было подчеркнуто значение ширины, амплитуды и нисходящей волны T [22]. Развитие практического применения ИИ с использованием моделей глубокого обучения, включая СНС, компьютерное зрение [23] и большие наборы данных, значимо повысило эффективность выявления гиперкалиемии, приблизив по достоверности к человеческим знаниям.
В представленном обзоре рассматриваются две современные модели выявления гипер- и гипокалиемии по ЭКГ, не имевшим отчетливых признаков нарушения обмена калия. Обе модели представляют результаты применения глубоких СНС как элемента ИИ, но отличаются двумя различными подходами: использованием известных клинико-инструментальных данных для МО и МО исходя из цифрового образа ЭКГ без детализации признаков.
В отличие от традиционных статистических методов модель глубокого обучения (МГО) не предполагает ясного алгоритмического понимания происходящих процессов и более соответствует эвристическому способу достижения конечных результатов.
Применение алгоритмов глубокого МО для определения гипо- и гиперкалемии по ЭКГ до получения лабораторных результатов проведено с использованием устройства ECG12Net, включавшего 82-слойную сверточную нейронную сеть [24]. Были получены 66 321 запись, ЭКГ и соответствующие концентрации калия (K+) в сыворотке ЭКГ от 40 180 пациентов, поступивших в отделение неотложной помощи. Эти данные были внесены в систему ECG12Net и подразделены на обучающую, проверочную и тестовую части. Получены следующие данные по выявлению нарушения обмена калия: AUC – 0,926 и 0,958, чувствительность – 96,7% и 83,3%, специфичность – 93,3% и 97,8% соответственно. Авторы заключают, что модель глубокого обучения, основанная на ЭКГ в 12 отведениях, дает возможность быстро и достоверно распознать тяжелые формы нарушений обмена калия.
Другое исследование было направлено на разработку и применение модели глубокой сверточной нейронной сети для выявления гиперкалиемии по ЭКГ у больных хронической болезнью почек. СНС была обучена с использованием 1,5 млн ЭКГ у 450 000 больных для выявления в сыворотке крови калия не менее 5,5 мэкв/л [25]. В терминальной стадии ХПН было 3,8% больных. Распространенность гиперкалиемии в валидационных наборах данных варьировала от 2,6% до 4,8% в зависимости от географического региона. При использовании ЭКГ только по двум отведениям гиперкалиемия обнаружена с показателями AUC от 0,853 до 0,883 и чувствительностью от 88,9% до 91,3%. Полученные результаты послужили основанием рекомендовать применение модели СНС для скрининга гиперкалиемии. Несколько практически важных моментов было получено в исследовании с моделью ECG12Net. Отмечено, что данные МО соответствуют интерпретации ЭКГ врачами отделения неотложной помощи и кардиологами при оценке выраженной гипо- и гиперкалиемии и в некоторых вариантах превосходят ее. Вместе с тем при легкой и умеренной гипокалиемии прибор показал пониженную чувствительность.
Безусловно, изменения ЭКГ могут служить лишь косвенным показателем нарушения обмена калия и предусматривают сравнение с прямым лабораторным определением электролитов. Выявление гиперкалиемии по ЭКГ при относительно высоких показателях чувствительности и специфичности метода открывает новые возможности для его амбулаторного использования в сочетании с телемедициной. Калиевый гомеостаз является существенным показателем при лечении ингибиторами ренин-ангиотензин-альдостероновой системы (ИРААС), которые, помимо позитивного влияния на сердечно-сосудистую систему, ингибируют почечную секрецию калия, и риск развития гиперкалиемии при этом становится существенным, особенно при ХПН [26]. Гиперкалиемия может протекать бессимптомно или проявляться аритмиями, вплоть до летального исхода [27]. Мониторинг уровня калия в сыворотке крови – один из способов предотвращения осложнений [28]. Мониторинг калия по биохимическим анализам при очевидной точности не всегда оперативно выполним, и лишь 10% больных проводится мониторинг калия до и после назначения ИРААС [29]. Доступность ЭКГ, тем более при возможности удаленной передачи информации в редуцированном числе отведений, может способствовать своевременному выявлению гиперкалиемии или подтверждению нормального уровня.
Заключение
Использование множества скрытых слоев нейронов для получения абстрактных нелинейных исходных данных подходит для классификации сложных графических построений, включая ЭКГ. Глубокое машинное обучение основано на сложной иерархической классификации с множеством уровней абстракции. При очевидной пользе сгенерированной информации от обработки исходных клинических и инструментальных данных искусственными нейронными системами конкретные использованные признаки остаются недоступными для врачебного осмысливания на этапе выдачи информации. Дилемма «черного ящика» [30], которым становятся высокотехнологичные нейронные системы, порождает нормативные, юридические и этические проблемы, связанные с ответственностью при принятии врачебных решений [31]. В последнее время интенсивно разрабатывается нормативно-правовая база новых правил применения ИИ в медицине [32, 33]. Создаются технологии, улучшающие понимание и интерпретацию информации, проходящей через модель, такие как «локальные интерпретируемые модели агностического объяснения (LIME) и углубленного обучения важным функциям (DeepLIFT)» [34, 35].
Вместе с тем получение новых уникальных ответов МО при диагностике ранних форм болезни на основе традиционной ЭКГ может быть примером для дальнейшего поиска новых решений с использованием ИИ. Представленные примеры углубленного и даже нового представления традиционной ЭКГ продемонстрировали хорошие результаты при выявлении скрытой мерцательной аритмии, определении ранней дисфункции левого желудочка, констатации гипо- и гиперкалиемии с достаточно высокими показателями чувствительности и специфичности, которые соответствуют принятым прогностическим признакам.
Кроме того, ИИ со СНС способствуют очевидному ренессансу традиционной ЭКГ как простому и значимому способу диагностики сердечно-сосудистых заболеваний.