Бессимптомная систолическая дисфункция левого желудочка встречается у 1.4–2.2% населения планеты. Этот тип сердечной недостаточности не имеет явных клинических проявлений, что затрудняет своевременную диагностику и лечение. Критерием для выявления снижения сократительной функции миокарда, обуславливающего систолическую дисфункцию, служит величина фракции выброса левого желудочка (ФВ ЛЖ) <50% по данным эхокардиографии (эхо-ЭКГ). Несмотря на высокую специфичность и чувствительность эхо-ЭКГ, более доступным и широко используемым в рутинной амбулаторной практике диагностическим методом остается ЭКГ.
Ученые из Mayo Clinics научили нейронные сети распознавать изменения ЭКГ, связанные со снижением ФВ ЛЖ. Эффективность искусственного интеллекта (ИИ) в диагностике систолической дисфункции оценили в масштабном исследовании с участием 22 641 пациента (средний возраст 60.5±17.6 лет, 53.9% женщин) без заболеваний сердечно-сосудистой системы в анамнезе и 348 врачей из 120 медицинских учреждений.
Врачи и пациенты были случайным образом разделены на две группы. Специалисты первой группы (n=181; группа ИИ-ЭКГ) имели доступ к результатам диагностики с помощью ИИ. Врачам контрольной группы (n=177) было необходимо самостоятельно установить диагноз, не имея доступа к информации о наличии заболевания.
По результатам диагностики с помощью нейронных сетей снижение ФВ ЛЖ было выявлено у 664 (6%) пациентов контрольной группы (n=11 068) и 692 (6%) пациентов в группе ИИ-ЭКГ (n=11 573). Среди пациентов низкого риска, у которых ИИ не обнаружил снижения ФВ ЛЖ, частота назначения эхо-ЭКГ в контрольной группе (18.2%) и группе ИИ-ЭКГ (19.2%) не отличалась (P=0.17).
В группе высокого риска (с положительным диагнозом по результатам анализа ИИ) эхо-ЭКГ чаще назначали пациентам, чьи врачи имели доступ к результатам диагностики с использованием ИИ (ИИ-ЭКГ: 49.6%, контроль: 38.1%; P<0.001).
Применение алгоритмов машинного обучения повысило эффективность диагностики снижения ФВ ЛЖ в общей выборке пациентов на 32%. В группе выского риска доля верных диагнозов повысилась на 43%.
Хотя для совершенствования алгоритма необходимо большое количество обучающих данных, методы машинного обучения уже сейчас могут использоваться в качестве вспомогательного диагностического инструмента, который позволит снизить нагрузку на медицинский персонал и повысить точность диагностики и прогноза сердечно-сосудистых заболеваний.