Možnosti využití umělé inteligence v kardiologii Bulková V., Plešinger F., Brada J., Kozubík R. Data v medicíně • Poznatky lékařské vědy – učebnice, časopisy • E-health - Nemocniční a ambulantní systémy - Obrazy – RTG, CT obrazy, angiografie - Přenos dat od pacienta – e-health - Diagnostické softwary založeny na teorii bayesovských sítí Data v dějinných souvislostech Hippokrates 400 př. n.l. Primitivní léčitelská magie nahrazená soustavným pozorováním a racionální úvahou „Pomáhat – nebo alespoň neškodit“ .Galén 129-200 - 17 svazků „Důležitost částí lidského těla“ - 500 odborných pojednání - Pouštění žilou – až do 19. století Avicenna – 980-1037 - Islámský lékař - Canon Medicina – bible medicíny - Zásadní změna v dosavadním pojetí lékařství - Popsání infekčních nemocí - O 300 let předběhl svou dobu - Jeho anatomické kresby byly utajené - Přesně popsal dělohu plodu a jako první tak nakreslil topografický řez lidským tělem Leonardo da Vinci – 1452 - 1519 Vesalius – 1514 - 1564 - Navrhl postup pitvy, který se používá dodnes - 7 knih o lidském těle - Opakovaně se beze změny vydávalo dalších 300 let - Objevitel periodického zákona - 1870 Přirozená soustava prvků - Více než 400 prací včetně práce o původu ropy a o jejím průmyslovém zpracování Mendělejev – 1834 - 1907 Současnost 1.800.000 článků/rok Kolik procent svého času průměrně za směnu stráví zdravotní sestra samotnou péčí o pacienta? „A 36-Hospital Time and Motion Study: How Do Medical-Surgical Nurses Spend Their Time?“ The Permanente Journal Summer 2008 19% Můžeme se 100% spolehnout na expertní systémy? UI – Umělá Inteligence • Stroje, které reagují na vnější impulsy (nová data) a modifikují své chování • Strojové učení – systém založení na učení se z dat • Symbolická UI – zcela programovaná lidmi Symbolická UI Expertní systémy Strojové učení Hluboké učení Co je to umělá inteligence (AI): co dělá člověk a co stroj EKG signál Příznaky Výpočtový model (vzorce/podmínky) Výstup EKG signál Příznaky (více) Výpočtový model (vzorce/podmínky/síť) Výstup (pravděpodobnosti) EKG signál Příznaky (ještě více, ale trochu jinak) + Výpočtový model (neuronová síť) Výstup (pravděpodobnosti) AI (bez strojového učení) AI : Machine learning (strojové učení) AI : Deep learning (hluboké strojové učení) Navrhuje člověk Navrhuje stroj Architektura Využití UI v praxi - kardiologii • Prevence – včasné odhalení nemoci • Vyhodnocování obrazových výstupů • Zefektivnění intenzivní péče • Mobilní aplikace Co již využíváme • Odhad možnosti rizika (paroxysmální) fibrilace síní u pacientů s normálním sinusovým rytmem • Odhad rizika přítomnosti asymptomatické systolické dysfunkce • Odhad rizika hypertrofické KMP u pacientů s normálním či pouze s mírně abnormálním EKG • Odhad rizika přítomnosti syndromu LQT • Poměrně přesné stanovení skutečného kardiovaskulárního věku ve srovnání s věkem kalendářním AI v hodnocení obrazu Táborský M., Kautzner J., Fedor M, et al. Jak používat digitální techniku k detekci a monitorování arytmií v péči o jedince s poruchami srdečního rytmu: Praktický návod EHRA. Cor Vasa 2022;64:337-358 Společný projekt • Preprocessing (filtry na šum, zvýraznění QRS) • Detektor QRS komplexů včetně kategorizace (S/PAC/PVC) • Extrakce příznaků (bloky 45 sekund; extrahujeme jich cca 50) Příznaky jsou číselné deskriptory bloku EKG, např. std(RR), BPM… • Neuronová síť pro předběžnou kategorizaci epoch. Vstupem jsou příznaky • Upřesňující modely pro specifické patologie (regrese ro AFIB) metody hlubokého učení Princip tvorby AI27,5 mil EKG záznamů Reálná EKG křivka Reálná EKG křivka Projekt FW01010305 je spolufinancován Českou technologickou agenturou Reálné užití AI vliv HW na výkonnost Trénink: >650 000 záznamů zhruba 40 000 pacientů Vitaphone 3100 BT (nejčastěji) Chytré hodinky databáze autora Validace EKG z chytrých hodinek AI při hodnocení EKG záznamů Automatické upozorňování pacienta pomocí robotického asistenta Automatická predikce zhoršení srdečního selhání Terapeutické rozhraní Výhody a nevýhody AI • Zrychlení diagnózy • Snížení chybovosti • Automatizace • Parametrizace lékařských zpráv • Decentralizace sledování pacientů – různí specialisté, nepropojený systém • GDPR, ochrana dat • Odlišné formáty dat • Nedostatek personálu • Neochota pacienta Otázky do budoucna • Trénovací data – správná identifikace případu s relevantní klinickou situací • Zajištění podmínek pro ochranu dat – pravidla pro anonymizaci a dobrovolnost – možnost odvolat souhlas se sledováním • Kdy použít AI - bude povinnost vždy nasadit UI, pokud je zvýšená pravděpodobnost lepší diagnózy? • Nákladová efektivita Závěr • AI bude nedílnou součástí dnešní medicíny • Ukazuje se, že může ušetřit náklady a včasně diagnostikovat onemocnění v počátku • Navržené standardy UI interakcí mezi strojem a člověkem nemohou zaostat za dosavadními etickými zásadami • Může být klíčem k ušetření času personálu Závěr • Modely využívající AI jsou výkonnější, než modely navržené člověkem viz CinC/PhysioNet Challenge 2016 a dále • Čím silnější metoda AI, tím je třeba více subjektů pro její trénink zásadní je počet pacientů; pro hluboké učení > 103. Výjimka – transfer learning • Silné metody AI (CNN/RNN) vyžadují silné metody testování out-of-patient, multicentrické, z více kontinentů, nezávislé na trénovací kohortě • Rizikem AI jsou především lidské chyby Nevhodný dataset, neodhalená vazba na outcome, nevhodná metoda/architektura