Сердце состоит из клапанов, которые открываются и закрываются с потоком крови, когда сердечная мышца расслабляется и сокращается. Клапанная болезнь сердца (VHD) может иметь много основных причин и возникает, когда эти клапаны не работают эффективно. Только в Соединенных Штатах VHD несет ответственность за более чем 25 000 смертей каждый год.
Благодаря достижениям в области диагностических технологий, таких как эхокардиография, и передовым подходам к лечению, таким как замена клапана, VHD поддается лечению во многих случаях. Однако, по оценкам, многие пациенты остаются недиагностированными, несмотря на миллионы эхокардиограмм, заказанных в Северной Америке каждый год. Многие человеческие ограничения все еще существуют, особенно когда дело доходит до получения изображений сердца, интерпретации, идентификации состояния заболевания и прогнозирования. Искусственный интеллект (ИИ) может помочь смягчить многие из этих ограничений, учитывая его способность принимать сложные решения за короткий промежуток времени.
Эффективное получение эхокардиограммы требует значительной подготовки и опыта. По оценкам, только около 83% изображений трикуспидального клапана, полученных начинающими практиками, поддаются оценке. ИИ может помочь в разработке программ, которые направляют получение изображений с более высокой степенью точности, точно определяя виды, которые позволяют получить наиболее ценную информацию. Глубокое обучение также может помочь в идентификации состояния заболевания, учитывая его способность распознавать тонкости в данных, которые люди не могут. Недавно разработанный алгоритм может автоматически оценивать тяжесть регургитации митрального клапана с точностью более 99%, идентифицируя информацию “микро-паттерна”.
Существует также много переменных, обнаруженных с помощью эхокардиографии, которые, вероятно, недостаточно используются для фенотипирования болезненных состояний, потому что мы не полностью понимаем их ценность. ИИ может выяснить нелинейные ассоциации между многими предикторами и различными показателями результатов без каких-либо предварительных знаний. Эти способности делают его уникальным для раскрытия некоторых из этих менее понятных переменных и руководства будущими исследованиями и разработками.
Использование ИИ для управления VHD не лишено недостатков. Большая часть ИИ еще не доработана, чтобы уменьшить “шум” и другие элементы, которые ограничивают его полезность. Существует также противоречие в отношении конфиденциальности пациентов, потенциальной предвзятости в программировании и безопасности данных, что ограничивает его широкое распространение. Однако, учитывая постоянно растущие временные ограничения, данные пациентов и финансовые затраты на плохие результаты в области здравоохранения, улучшенные модели ИИ должны быть внедрены поэтапно для более эффективного управления VHD. Инструменты ИИ могут значительно повысить точность диагностики и проложить новые направления для исследований и разработок в этой области и, возможно, во многих других.
