Tehnologija AI posljednjih godina ubrzano napreduje i otvara potencijalno nove načine za rano prepoznavanje zdravstvenih rizika. U radu istraživača s Massachusetts General Hospitala i programa AI in Medicine u Brigham and Women’s Hospitalu u Bostonu prikazano je kako model temeljen na AI može procijeniti desetogodišnji rizik smrti od srčanog udara ili moždanog udara na temelju jedne prsne rentgenske snimke. Rezultati su predstavljeni na godišnjem skupu Radiological Society of North America 2022., gdje je javnosti objašnjeno kako se jednostavna, široko dostupna slika može pretvoriti u signal za pravodobnu intervenciju i sprječavanje ishoda poput srčani udar koji i dalje opterećuje zdravstvene sustave.
Kardiovaskularne bolesti vodeći su uzrok smrtnosti u svijetu, a prema Svjetskoj zdravstvenoj organizaciji milijuni ljudi godišnje izgube život zbog događaja poput srčani udar i moždanog udara. Rano otkrivanje kardiovaskularnog rizika stoga stvara prostor za pravodobnu terapiju i promjene životnog stila koje mogu odgoditi ili izbjeći srčani udar. Većina kardiovaskularnih bolesti može se prevenirati promjenama ponašanja – boljom prehranom, redovitom tjelovježbom i prestankom štetne uporabe alkohola i duhanskih proizvoda – čime se smanjuje vjerojatnost da će doći do srčani udar u kasnijim godinama.
U zdravstvu se očekuje daljnje širenje primjene AI, s tržištem koje je prema pojedinim analizama naglašeno u uzlaznoj putanji. Pokretači takvog rasta uključuju širu primjenu precizne medicine, rast važnosti medicinskih skupova podataka, pad troškova hardvera i potrebu za smanjenjem zdravstvenih izdataka. I upravo tu se otvara očita prilika – ponovna upotreba svakodnevnih snimaka, koje su već dostupne, kako bi se prepoznao rizik za srčani udar bez dodatnog opterećenja za pacijenta.
Primjena deep learning pristupa u radiologiji prirodan je sljedeći korak
Računalno potpomognuta dijagnostika, ranija generacija umjetne inteligencije u radiologiji, godinama pomaže pri otkrivanju raka dojke na mamografiji i čvorova u plućima na CT-u. Ta je programska rješenja u velikoj mjeri temeljila logiku na eksplicitno kodiranom stručnom znanju. Moderni pristup – potpomognut velikim količinama podataka i napretkom u području deep learning modela – više se ne oslanja na ručno definirana pravila, nego iz samih piksela uči skrivene uzorke povezane s ishodima poput srčani udar. Kada se takvi obrasci jednom otkriju, mogu poslužiti kao rani alarm koji upućuje na potrebu za preventivnim mjerama kako bi se izbjegao budući srčani udar.
U navedenoj studiji znanstvenici su trenirali model nazvan CXR-CVD na velikom skupu prsnih rentgenskih snimaka. Učenje se odvijalo na više od stotinu tisuća snimaka prikupljenih kroz višecentrični program probira, pri čemu je cilj bio naučiti predviđati vjerojatnost nepoželjnih kardiovaskularnih događaja – primjerice srčani udar – tijekom sljedećeg desetljeća. Nakon treniranja, model je testiran na odvojenoj, neovisnoj skupini iz sustava Mass General Brigham, u kojoj su se nalazili ambulantni pacijenti potencijalno kandidati za terapiju statinima, a tijekom višegodišnjeg praćenja dio njih doživio je značajne događaje, uključujući srčani udar.
Istraživači su performanse modela usporedili s ustaljenim kliničkim standardima za odlučivanje o uvođenju statina. Zaključak je bio jasan: AI je iz jedne prsne snimke uspio izdvojiti informaciju koja nosi dodatnu vrijednost u odnosu na poznate čimbenike rizika, i to u smislu predviđanja tko bi u idućim godinama mogao doživjeti srčani udar. Time se otvara mogućnost da liječnik već na rutinskoj snimci, koju je pacijent možda učinio iz sasvim drugog razloga, dobije upozorenje na povećan rizik za srčani udar te pravodobno započne preventivni razgovor ili obradu.
Važna praktična prednost pristupa koji koristi AI jest to što se oslanja na standardiziranu, jeftinu i dostupnu metodu snimanja. Prsne rentgenske snimke rade se diljem svijeta, često kao dio obrade kašlja, boli u prsima ili prijeoperativnih pregleda. Ako se iz takve snimke može pouzdano procijeniti rizik za srčani udar, tada se dodaje sloj korisne informacije bez ikakvog dodatnog zračenja, vremena ili troška za pacijenta – i bez potrebe za posebnim pretragama koje bi pacijenta udaljile od redovne skrbi.
Zašto bi jednostavna slika mogla nositi signal povezan s ishodima poput srčani udar? Prsni koš na rentgenu “bilježi” posljedice dugotrajnog djelovanja čimbenika rizika: od veličine srca i kontura aorte do stanja plućnih žila i neizravnih znakova sistemskih bolesti. Deep learning može iz tih suptilnih tragova izvući uzorke koje ljudsko oko često ne registrira, a koji ipak koreliraju s pojavom događaja poput srčani udar tijekom narednih godina.
Klinička vrijednost takvog alata leži u tome što se odluka o daljnjim koracima donosi ranije. Ako AI označi pacijenta kao visokorizičnog, liječnik može provjeriti ostale čimbenike i, kada je indicirano, uvesti promjene – od pojačanog savjetovanja o stilu života do razmatranja preventivne terapije – kako bi se odgodio ili preduhitrio srčani udar. Pritom je važno naglasiti da AI nije zamjena za liječnika, nego dodatna pomoć u filtriranju velikog broja inače “negativnih” snimaka i usmjeravanju pažnje na one osobe kod kojih će pravodobna intervencija imati najveći učinak u sprječavanju ishoda poput srčani udar.
Usvajanje takvog alata u praksi postavlja niz pitanja o integraciji u radni tijek. Radiološki informacijski sustavi i sustavi za pregled slika mogu automatski pokrenuti model nakon što se snimka učita, a rezultat se može prikazati kao numerička procjena rizika uz objašnjenje na koje dijelove snimke je model bio najosjetljiviji. Objašnjivost – čak i kada je djelomična – povećava povjerenje kliničara i olakšava donošenje odluka, osobito kada rezultat dovodi do promjena koje bi mogle spriječiti srčani udar.
Pritom ostaje pitanje generalizacije. Model treniran na pacijentima jedne populacije mora se provjeriti u drugim okruženjima, na različitim uređajima, s drukčijim protokolima snimanja. Ako se postigne održiva i stabilna točnost na različitim mjestima, dobiva se alat koji je dovoljno robustan za široku primjenu u cilju smanjenja vjerojatnosti da pacijent u sljedećem desetljeću doživi srčani udar. Validacija na neovisnoj kohorti već je jedan korak u tom smjeru, no šira implementacija u pravilu traži dodatna prospektivna ispitivanja.
U teorijskom smislu, prediktivni modeli poput ovoga često se ocjenjuju metrikama koje uspoređuju diskriminativnu sposobnost i kalibraciju. Diskriminacija govori koliko dobro model razdvaja pacijente koji će doživjeti srčani udar od onih koji neće, dok kalibracija pokazuje koliko procijenjene vjerojatnosti odgovaraju stvarnoj učestalosti događaja poput srčani udar. Kada se dobije alat koji je i dobro kalibriran i dovoljno diskriminativan, kliničar dobiva pouzdan indikator za razgovor o riziku.
Još jedna važna tema je pristranost podataka. Ako su u skupu podataka slabo zastupljene određene dobne skupine, spolovi ili etničke skupine, model može imati lošije performanse kod tih pacijenata. Zato su potrebne analize podskupina koje ispituju je li precjenjivanje ili podcjenjivanje rizika nepravilno raspoređeno – jer bi to moglo dovesti do nejednakog pristupa prevenciji i povećanja rizika da upravo te skupine češće dožive srčani udar. Transparentno izvještavanje o performansama u podskupinama ključno je kako bi se izbjegle neželjene posljedice.
Osim tehničkih pitanja tu su i etičke i organizacijske teme. AI sustavi moraju biti sigurni, kao i jasno označeni kao pomoć kliničaru. Pacijent treba razumjeti da se procjena rizika, premda korisna, temelji na statističkim obrascima i da se individualni rizik uvijek razmatra u širem kontekstu – obiteljskoj anamnezi, laboratorijskim nalazima i životnim navikama – kako bi se spriječio srčani udar na način prilagođen pojedincu. Upravo ta kombinacija podatkovno vođene analitike i kliničke prosudbe najčešće daje najbolje rezultate.
Vrijedno je istaknuti i praktičnu dostupnost. Prsna rentgenska snimka već je dio mnogih rutinskih pretraga, pa je dodatna korist – procjena rizika za srčani udar – “gratis” informacija koja proizlazi iz postojećeg procesa. To može biti osobito značajno u sustavima s ograničenim resursima, gdje je dodavanje skupih pretraga otežano. Ako se iz iste snimke dobije još jedan korisni podatak, smanjuje se vjerojatnost da će visoko rizični pacijenti ostati neprepoznati i time izloženi događaju poput srčani udar.
U svakodnevnoj praksi liječnici često traže balans između lažno pozitivnih i lažno negativnih rezultata. Ako je prag za “visok rizik” prenizak, previše će ljudi biti označeno, što može dovesti do nepotrebnih konzultacija. Ako je previsok, propuštaju se pacijenti koji će doživjeti srčani udar. Prednost AI modela jest mogućnost prilagodbe praga ovisno o kontekstu – primjerice drugačiji prag u primarnoj zdravstvenoj zaštiti u odnosu na kardiološku ambulantu – kako bi se optimalno uravnotežila osjetljivost i specifičnost u odnosu na rizik za srčani udar.
Uloga statina u prevenciji kardiovaskularnih događaja dobro je poznata, no odluka o propisivanju temelji se na sveobuhvatnoj procjeni rizika. Ako AI signal iz snimke ukaže na povišen rizik za srčani udar, liječnik može potvrditi nalaz standardnim kalkulatorima, laboratorijskim parametrima i kliničkim razgovorom. Sinteza više izvora informacija jača povjerenje i pomaže pri individualizaciji terapije, s ciljem da se smanji vjerojatnost za srčani udar tijekom sljedećih godina.
Valja spomenuti i ulogu objasnidbenih tehnika. Metode koje vizualiziraju područja slike na kojima je model “vidio” signal – primjeri su razne vrste saliency mapa – mogu pomoći liječniku da provjeri ima li suvislog anatomskog uporišta. Ako model ističe rubove srca, siluetu aorte ili perivaskularne strukture, lakše je povjerovati da se signal odnosi na kardiovaskularnu patologiju relevantnu za srčani udar. Nasuprot tome, ako model redovito naglašava artefakte ili rub okvira, potrebno je dodatno ispitivanje prije šire uporabe kako bi se izbjegla pogrešna procjena rizika za srčani udar.
Za pacijente je dobro doći do jasnih poruka. Procjena na temelju AI ne znači da će se događaj sigurno dogoditi, nego da je vjerojatnost viša nego što se očekivalo. Takva procjena može biti poticaj za promjenu navika – prestanak pušenja, bolji san, kontrolu krvnog tlaka, šećera i kolesterola – čime se aktivno smanjuje rizik da dođe do srčani udar. Liječnici mogu tu informaciju pretvoriti u konkretan plan koji se prati kroz redovite kontrole, a svaka mala promjena u pravom smjeru kumulativno utječe na smanjenje rizika za srčani udar.
Organizacijski gledano, bolnice i domovi zdravlja koji razmišljaju o uvođenju ovakvih sustava trebaju razmotriti tehničku infrastrukturu, protokole za sigurnu obradu podataka i edukaciju osoblja. Integracija s postojećim sustavima arhiviranja slika i elektroničkim kartonima, kao i jasna pravila o nadzoru izvedbe, važni su koraci kako bi alat ostao pouzdan i koristan u sprečavanju neželjenih ishoda poput srčani udar. Paralelno je korisno provoditi unutarnji audit – bilježiti koliko je pacijenata identificirano kao visokorizičnih i koliko ih je kasnije doživjelo srčani udar – kako bi se pragovi i protokoli po potrebi prilagodili.
Iz perspektive javnog zdravstva, dodatni sloj informacija iz već postojećih snimaka može pridonijeti boljem planiranju prevencije. Ako se na razini populacije pravodobno identificira veći udio osoba s povišenim rizikom, lakše je usmjeriti resurse u programe savjetovanja i nadzora koji ciljaju upravo prevenirati srčani udar. Time se može postići značajan utjecaj na opterećenje zdravstvenog sustava, a osobito na smanjenje hitnih prijema zbog događaja poput srčani udar.
Metodološki, treniranje modela na velikim skupovima podataka dopušta otkrivanje suptilnih uzoraka, ali i zahtijeva stroge protokole. Standardizacija unosa, čišćenje podataka, pravilna podjela na skupove za učenje i validaciju te definiranje jasnih krajnjih ishoda – primjerice precizno kodirani srčani udar – nužni su kako bi se izbjegla “kontaminacija” podataka i održala vjerodostojnost rezultata. Nakon toga slijedi ocjenjivanje na neovisnoj kohorti, što je u ovoj studiji i učinjeno, a takav korak najviše govori o sposobnosti generalizacije na stvarne pacijente kod kojih će se možda pojaviti srčani udar.
Kada se govori o mjerljivim koristima, vrijedi naglasiti potencijal smanjenja troška i opterećenja sustava. Ako se pomoću AI ranije identificiraju pacijenti kojima će koristiti promjene terapije i načina života, dugoročno se smanjuje teret akutne skrbi povezane s ishodima kao što je srčani udar. Uz to, fokusiranje preventivnih intervencija na najrizičnije donosi najveći povrat uloženog truda – manji broj događaja poput srčani udar znači manje hospitalizacija i brži povrat pacijenata svakodnevnim aktivnostima.
Na kraju treba podsjetiti na ulogu edukacije. Liječnici, radiolozi, medicinske sestre i tehničari trebaju razumjeti mogućnosti i ograničenja alata. Dobra praksa uključuje jasne upute što činiti kada rezultat ukaže na povišen rizik za srčani udar, kao i jasne kriterije kada se rezultat zanemaruje – primjerice kod loše kvalitete snimke. Edukacijom se smanjuje nesigurnost i jača usklađenost s protokolima, što u konačnici vodi kvalitetnijoj skrbi i manjoj vjerojatnosti za srčani udar u populaciji koja se prati.
U svemu navedenom ostaje zajednička nit: korištenje onoga što već imamo – rutinskih snimaka – kako bi se dobila dodatna, pravovremena informacija. Kada se takva informacija na pravi način uklopi u svakodnevni rad, postaje još jedan alat u arsenalu preventivne kardiologije, s konkretnim ciljem da se smanji rizik za srčani udar i moždani udar u godinama koje dolaze.
