Atrieflimren og maskinlæring: Er tidlig opsporing kommet et skridt nærmere?

Fremskridt inden for sundhedsteknologi forandrer den måde, vi opdager, diagnosticerer og håndterer sygdomme på. Et af de områder, hvor der sker store fremskridt, er integrationen af maskinlæringsalgoritmer i hverdagsenheder som f.eks. blodtryksmålere. Atrieflimren (AF), en almindelig og potentielt farlig hjertearytmi, bliver ofte ikke opdaget, før der opstår komplikationer.²

Men et nyt studie har undersøgt, om en algoritme, skabt af maskinlæring, kan forbedre den tidlige opdagelse af AF, når den er indlejret i en blodtryksmåler, hvilket giver en ny grænse for tilgængelig sundhedspleje.¹

Udfordringen med at opdage atrieflimren

Traditionelle diagnoser bygger til dels på at sammenligne uregelmæssigheder med data fra elektrokardiogrammer (EKG), et klinisk værktøj, som ikke altid er tilgængeligt for folk uden for sundhedsvæsenet.²

Men med fremskridtene inden for kunstig intelligens kommer potentialet for at integrere maskinlæringsalgoritmer i blodtryksmålere i spil. Disse apparater er velkendte, meget udbredte og ikke-invasive, hvilket gør dem til en ideel kandidat til mere tilgængelig AF-detektion. Men kan enheder som den nye M7 Intelli IT AFib, X7 Smart AFib og den M6 Comfort AFib levere pålidelige resultater?

Undersøgelsen: evaluering af nøjagtigheden ved påvisning af AF

I denne undersøgelse testede forskerne detektionsnøjagtigheden af en ny algoritme, der er udviklet via maskinlæring og indbygget i en kommercielt tilgængelig blodtryksmåler. Målet var at afgøre, om dette system præcist kunne opdage atrieflimren i virkelige kliniske scenarier.¹

Det kliniske studie involverede 559 forsøgspersoner: 267 med bekræftet AF og 292 uden. Alle deltagerne blev udstyret med 12-afledningers EKG'er, og data blev registreret til sammenligning. Blodtryksmålerne (BPM'erne) omfattede 2 med AI-algoritmen og 2 uden algoritmen. Formålet var at sammenligne data mellem de to forskellige typer BPM, herunder sensitivitet, specificitet og nøjagtighed i forbindelse med påvisning af AFib. Alle 12-aflednings-EKG'er blev fortolket af en certificeret kardiolog, der var blindet i forhold til BPM-resultaterne.¹

Fordelene ved algoritmeaktiverede BPM'er

Algoritmen blev skabt ved hjælp af maskinlæring og derefter indbygget i blodtryksmåleren. Den fungerer ved at analysere små variationer i pulsfrekvensen, som kan tyde på, at der er tale om AF. Det, der adskiller de algoritmeaktiverede BPM'er, er deres nøjagtighed til at opdage AF uden ekstern computerkraft eller yderligere komponenter.¹

Desuden blev algoritmen udviklet ved løbende at forfine sin forståelse af uregelmæssige pulsmønstre, og algoritmen bliver bedre i stand til at skelne mellem normale hjerterytmer og de ofte subtile uregelmæssigheder ved AF. Resultatet er et detekteringsværktøj, der arbejder med beslutningstræer, og som muliggør en meget personlig tilgang til at navigere i beslutningstræer og andre diagnostiske værktøjer.¹

Vigtige resultater: algoritmens ydeevne

Resultaterne var opmuntrende. De 2 nye maskinlæringsalgoritmer BPM'er viste en nøjagtighed på 97% og følsomhed på 95% til at opdage AF. Specificitet - evnen til korrekt at udelukke AF hos patienter uden tilstanden - var 98%. Det er overbevisende tal for et ikke-invasivt apparat til hjemmebrug.¹

Derudover, når det kom til paroxysmal AFen fordel ved BPM'er til hjemmebrug er, at de kan bruges, når der er behov for det, uanset om der er symptomer eller ej. Det giver et mere komplet billede af de diagnostiske data. Så selv intermitterende tilfælde af AF kan potentielt identificeres med tilstrækkelig brug.¹

Konsekvenser for patienter i den virkelige verden

Man kan sige, at tidlig opdagelse af AF fører til tidlig indsatsog det er afgørende for at forebygge komplikationer som slagtilfælde eller hjertesvigt. Resultaterne af denne undersøgelse tyder på, at det at udstyre folk med en simpel, smart enhed kan give livreddende indsigt, længe før de store symptomer viser sig. Selv for personer med intermitterende AF kan gentagen brug af enheden fange uregelmæssigheder, som ellers ville gå ubemærket hen.¹

Men hvad med fremtiden?

Med opportunistisk screening af patienter med forhøjet blodtryk, patienter med obstruktiv søvnapnø og patienter over 65 år anbefalet af ESC's retningslinjer. Muligheden for at øge den nøjagtige diagnose for patienter med arytmier som AF er lovende.³

Desuden er de potentielle fordele betydelige. Hvis maskinlæringsalgoritmer indlejret i BPM'er fortsat kan blive mere præcise, kan de fungere som en bro mellem klinisk diagnostik og daglig overvågning, hvilket giver en hybrid tilgang til sundhedspleje. Det vil ikke kun reducere presset på sundhedssystemerne, men også give enkeltpersoner mulighed for at tage kontrol over deres helbred på en måde, der ikke tidligere har været mulig.

En ny æra inden for forebyggende sundhedspleje..

I sidste ende kan maskinlæring måske ikke erstatte traditionelle diagnostiske værktøjer, men dens evne til at forbedre hverdagsudstyr som blodtryksmålere kan ændre vores tilgang markant forebyggende sundhedspleje. Indtil videre er beviserne klare: Integration af smarte algoritmer i velkendte enheder er et skridt fremad i forhold til at kaste lys over tidligere udiagnosticerede hjertesygdomme.

Efterhånden som teknologien fortsætter med at udvikle sig, bliver potentialet for at fange tilstande som atrieflimren tidligt mere håndgribeligt, hvilket lukker kløften mellem opdagelse og behandling. Og det bringer os tilbage til det centrale spørgsmål, der blev stillet i starten: Kan en algoritme, der er skabt ved hjælp af maskinlæring, i blodtryksmålere hjælpe med at opdage atrieflimren?

Svaret, baseret på resultaterne af denne undersøgelse, er et rungende Ja - i det mindste delvist. Med yderligere raffinement kan denne teknologi snart blive nøglen til at støtte hjertesundheden for millioner af mennesker rundt om i verden.

Hvis du eller dine patienter har lyst til at prøve denne teknologi, så tag et kig på M7 Intelli IT AFib, X7 Smart AFib og den M6 Comfort AFib for at finde ud af mere.

Få mere at vide om denne nye teknologi på OMRON Academy.