Artificial intelligence-enabled electrocardiographic detection of acute occlusive myocardial infarction
تُظهر هذه الدراسة أن نموذج الذكاء الاصطناعي التأسيسي الذي تم ضبطه بدقة يمكنه اكتشاف احتشاء عضلة القلب الانسدادي الحاد بفعالية من تخطيطات القلب الكهربائية القياسية ذات الـ 12 مسرى، محققاً دقة عالية بشكل عام ومظهراً وعداً خاصاً في تحديد حالات الانسداد عالية الخطورة حتى لدى المرضى الذين لا يعانون من ارتفاع في قطعة ST، مما قد يؤدي إلى تحسين عملية إعادة التروية في الوقت المناسب.
المؤلفون الأصليون:Bjørn-Jostein Singstad, Bangin Turan, Jesper Ravn, Timofey Sovershaev, Christian Eek, Tonje Amb Aksnes, Karen Roksund Hov, Sigrun Halvorsen, John Munkhaugen, Ida Gjervold Lunde, Henrik Schirmer, ArianBjørn-Jostein Singstad, Bangin Turan, Jesper Ravn, Timofey Sovershaev, Christian Eek, Tonje Amb Aksnes, Karen Roksund Hov, Sigrun Halvorsen, John Munkhaugen, Ida Gjervold Lunde, Henrik Schirmer, Arian Ranjbar
المؤلفون الأصليون: Bjørn-Jostein Singstad, Bangin Turan, Jesper Ravn, Timofey Sovershaev, Christian Eek, Tonje Amb Aksnes, Karen Roksund Hov, Sigrun Halvorsen, John Munkhaugen, Ida Gjervold Lunde, Henrik Schirmer, Arian Ranjbar
تخيل أن قلبك عبارة عن مدينة صاخبة، وأن الطرق التي تنقل الدم الطازج إلى أحيائها هي الشرايين التاجية. أحياناً، تقوم شاحنة ضخمة بسد أحد هذه الطرق تماماً، مما يتسبب في ازدحام مروري يهدد بإغلاق مربع سكني كامل في المدينة. هذه هي النوبة القلبية، وتحديداً نوع يسمى "احتشاء عضلة القلب الانسدادي" (OMI). يمتلك الأطباء أداة خاصة تسمى تخطيط كهرباء القلب (ECG) تعمل مثل تقرير حالة الطقس للقلب، حيث ترسم خطوطاً على رسم بياني لتوضح كيف تتصرف الإشارات الكهربائية للقلب. لعقود من الزمن، نظر الأطباء إلى هذه الخطوط المتعرجة لرصد "غيوم العواصف" الخاصة بالنوبة القلبية. فإذا ارتفقت الخطوط للأعلى بطريقة معينة (تسمى ارتفاع قطعة ST)، فإنهم يعلمون بضرورة نقل المريض إلى المستشفى فوراً. لكن الجزء الصعب هنا هو: أحياناً يكون الطريق مسدوداً بنفس القدر، لكن تقرير الطقس يبدو هادئاً بشكل مفاجئ. لا ترتفع الخطوط، فتضيع فرصة رصد الخطر، وينتظر المريض وقتاً طويلاً قبل الحصول على المساعدة. وهنا يأتي دور الذكاء الاصطناعي (AI)، ليعمل كـمحقق فائق الذكاء يمكنه رصد أدلة صغيرة، تكاد تكون غير مرئية، في تقرير الطقس، حتى عندما تبدو السماء صافية.
تحكي هذه الورقة قصة فريق من الباحثين الذين علموا ذكاءً اصطناعياً فائق الذكاء كيف يلعب لعبة المحقق هذه. لم يكتفوا بتعليمه البحث عن "غيوم العواصف" الواضحة فحسب؛ بل دربوه على إيجاد الاختناقات المرورية المخفية في طرق القلب، حتى عندما لا يصرخ تخطيط القلب طلباً للمساعدة. لقد استخدموا مكتبة ضخمة تضم أكثر من 17,000 تسجيل للقلب من مرضى حقيقيين، وربطوا كل تسجيل بما حدث بالفعل داخل قلب المريض لاحقاً. والنتيجة؟ أصبح الذكاء الاصطناعي بارعاً في رصد هذه الانسدادات المخفية. لقد حدد الانسدادات الخطيرة بشكل صحيح بنسبة 93% في اختباراته، وهي درجة عالية جداً.
الجزء الأكثر إثارة في القصة هو كيف تعامل الذكاء الاصطناعي مع الحالات الصعبة. فعندما كانت النوبة القلبية تظهر العلامات "المدببة" الواضحة (STEMI)، كان الذكاء الاصطناعي مثالياً تقريباً، حيث رصد كل حالة تقريباً. لكن السحر الحقيقي حدث مع النوبات القلبية "الهادئة" (NSTEMI)، حيث يبدو تخطيط القلب طبيعياً. في هذه الحالات، وجد الذكاء الاصطناعي الانسدادات بشكل أفضل بكثير من الأساليب المعيارية الحالية المستخدمة في المستشفيات. في الواقع، رصد الذكاء الاصطناعي العديد من هذه المخاطر المخفية التي فاتتها مسارات العمل المعتادة في المستشفيات تماماً. الأمر يشبه امتلاك نظارات جديدة تسمت لك رؤية الحفر في الطريق التي يمر فوقها الجميع دون ملاحظتها.
تحقق الباحثون أيضاً مما إذا كان الذكاء الاصطناعي عادلاً مع الجميع. ووجدوا أنه يعمل بشكل أفضل قليلاً للرجال مقارنة بالنساء، ويرجع ذلك على الأرجح إلى أن النوبات القلبية لدى النساء في دراستهم كانت أقل حدة، مما جعل رصدها أصعب. ومع ذلك، لم يبدِ الذكاء الاصطناعي أي اهتمام بعمر المريض؛ فقد عمل بنفس الكفاءة لمراهق كما عمل لمسن. كما بدا أن الذكاء الاصطناعي يفهم مدى خطورة الموقف؛ فعندما كان يعطي "درجة خطر" عالية، كان المرضى عادةً يعانون من مستويات أعلى من مؤشرات تلف القلب في دمهم ومن انسدادات أكثر شدة في شرايينهم.
ومع ذلك، فإن القصة ليست "نهاية سعيدة" بعد. يوضح المؤلفون بحذر أن هذه خطوة واعدة للغاية، وليست منتجاً نهائياً. فلا يزال الذكاء الاصطناعي يفتقد بعض الحالات، خاصة تلك التي يكون فيها تلف القلب صغيراً جداً أو كان الانسداد في جزء معين يصعب رؤيته من شبكة طرق القلب. أيضاً، تم تدريب واختبار هذا الذكاء الاصطناعي على بيانات من منطقة واحدة فقط في النرويج. وقبل أن يمكن استخدامه في المستشفيات في كل مكان، يحتاج إلى اختباره على مرضى من دول مختلفة ومستشفيات مختلفة للتأكد من أنه يعمل بنفس الجودة بالنسبة لهم. يخطط الباحثون بالفعل لهذه الخطوات التالية. في الوقت الحالي، تشير هذه الدراسة إلى أن الذكاء الاصطناعي يمكن أن يصبح قريباً مساعداً قوياً للأطباء، حيث يساعدهم في رصد النوبات القلبية الخفية والمراوغة التي تتسلل حالياً من خلال الثغرات، مما قد ينقذ الأرواح عبر إيصال المرضى إلى العلاج المناسب بشكل أسرع.
ملخص تقني: الكشف عن احتشاء عضلة القلب الحاد الانسدادي المدعوم بالذكاء الاصطناي
بيان المشكلة يتطلب احتشاء عضلة القلب الانسدادي الحاد (OMI)، والذي يُعرف بالانسداد الكامل أو شبه الكامل للشريان التاجي المسبب لإقفار عضلة القلب عبر الجدار، إعادة تروية فورية لمنع الإصابة غير القابلة للعلاج. وبينما يعد تصوير الشرايين التاجية (CAG) الأداة التشخيصية الحاسمة، إلا أنه إجراء تداخلي ويستهلك موارد كبيرة. تعتمد المسارات السريرية الحالية بشكل كبير على معايير احتشاء عضلة القلب مع ارتفاع قطعة ST (STEMI) لتفعيل عملية تصوير الشرايين التاجية الطارئة؛ ومع ذلك، فإن 65-75% فقط من المرضى الذين تأكد لديهم وجود احتشاء عضلة قلب انسدادي (OMI) عبر تصوير الشرايين يظهرون ارتفاعات تشخيصية في قطعة ST. أما النسبة المتبقية (25-35%) (والتي تُصنف غالباً كاحتشاء عضلة قلب بدون ارتفاع قطعة ST - NSTEMI)، فتمتلك شرايين مسدودة حاداً ولكنها تفتقر إلى علامات تخطيط القلب (ECG) محددة، مما يؤدي إلى تأخر التعرف عليها وعلاجها. علاوة على ذلك، فإن التفسير البصري لأنماط تخطيط القلب الدقيقة في حالات عدم ارتفاع قطعة ST عرضة للتباين بين المراقبين وداخل المراقب نفسه. كما أن نماذج التعلم العميق (DL) الموجودة للكشف عن احتشاء عضلة القلب قد تم تدريبها في الغالب على مجموعات بيانات صغيرة ومتاحة علنًا تفتقر إلى التأكيد المنهجي عبر تصوير الشرايين، مما قد يؤدي إلى تحيز طيفي والفشل في التقاط المتصل التشخيصي الذي يُشاهد في بيئات الطوارئ الواقعية.
المنهجية استخدمت هذه الدراسة الاسترجاعية (حالة مقابل حالة) مجموعة بيانات ضخمة مرتبطة بالسجلات لتطوير والتحقق من صحة نموذج تأسيسي للكشف عن احتشاء عضلة القلب الانسدادي (OMI).
جمع البيانات وتنسيقها: حللت الدراسة 17,165 تخطيطاً للقلب (12 مسرى) قياسياً من 11,338 مريضاً تم تسجيلهم بين عامي 2016 و2022 في مستشفى جامعة آكرشوس وخدمات الإسعاف التابعة لها. تم ربط تخطيطات القلب بالسجل النرويجي الوطني لطب القلب التداخلي (NORIC) للحصول على نتائج تصوير الشرايين.
تعريف الـ OMI: تم تصنيف الحالات على أنها OMI إذا تضمنت إصابة مسببة حادة مع درجة تدفق "ثرومبوليسيس في احتشاء عضلة القلب" (TIMI) تتراوح بين 0–2 وتم علاجها بالتدخل التاجي عبر الجلد (PCI).
مجموعات الضبط: شملت مجموعة الضبط المرضى الذين لم يخضعوا لـ PCI، والمرضى الذين أظهرت نتائج تصوير الشرايين لديهم حالة طبيعية، والحالات التي تعاني من آفات غير انسدادية (تدفق TIMI > 2) أو آفات قديمة. ولضمان القوة، تم تقسيم مجموعة الضبط إلى "ضوابط سليمة"، و"تصوير شرايين خلال أقل من 24 ساعة" (مرضى خضعوا لتصوير الشرايين لأسباب غير عاجلة)، و"تقييم سريري عاجل" (مرضى يتطلب وضعهم مراقبة وثيقة ولكن ليس إعادة تروية فورية).
معايير الاستبعاد: تم استبعاد الإجراءات الاختيارية، والتدخلات الثانوية (ما لم تستوفِ معايير محددة)، وتخطيطات القلب التي سُجلت خارج نافذة 0-72 ساعة بالنسبة للإجراء. كما تم استبعاد المرضى الذين لديهم بيانات ناقصة عن التروبونين أو مستويات تروبونين ≥14 نانوغرام/لتر في مجموعة الضبط لتقليل النتائج السلبية الكاذبة.
بنية النموذج والتدريب:
النموذج التأسيسي: استخدمت الدراسة نموذج ECGFounder، وهو بنية تعلم عميق مدربة مسبقاً تم تدريبها على أكثر من 10 ملايين تسجيل لتخطيط القلب، وقد تم ضبطه بدقة على مجموعة بيانات الدراسة.
المعالجة المسبقة: تمت إعادة أخذ عينات الموجات الرقمية الخام بتردد 500 هرتز، واقتطاعها إلى 10 ثوانٍ، ومعالجتها بإزالة تذبذب خط الأساس (مرشح تمرير عالٍ 0.5 هرتز)، ومرشح الترددات (50 هرتز)، وتغيير المقياس (min-max scaling).
استراتيجية التدريب: استخدم النموذج مرحلة تدريب مسبق تبايني تحت الإشراف متبوعة بـ تصنيف ترتيبي. اتبع هذا النهج أربع مجموعات من النتوات السريرية كتراتب هرمي من حيث الإلحاح السريري بدلاً من كونها فئات مستقلة.
دوال الخسارة: لمعالجة عدم التوازن الشديد في الفئات، طبقت الدراسة خسارة بؤرية غير متماثلة للتصنيف الثنائي وخسارة ترتيبية بؤرية للمهمة متعددة الفئات، مع التركيز على العينات الصعبة التصنيف.
التحقق من الصحة: تم تقسيم مجموعة البيانات إلى مجموعة تطوير بنسبة 80% (استُخدمت للتحقق المتبادل خماسي الطيات) ومجموعة اختبار مستقلة بنسبة 20%، مع الفصل على مستوى المريض لمنع تسرب البيانات.
مقاييس التقييم: تم تقييم الأداء باستخدام المساحة تحت منحنى خصائص التشغيل المستلم (AUROC) والمساحة تحت منحنى الدقة والاستدعاء (AUPRC). كما تمت مقارنة النموذج بالممارسة السريرية الحالية باستخدام "الوقت من الوصول إلى الإجراء" (<30 دقيقة) كبديل عملي للتعرف على الـ OMI.
النتائج الرئيسية
الأداء العام: حقق نموذج ECGFounder المعدل بدقة AUROC قدره 0.93 (فاصل ثقة 95%، 0.90–0.95) وAUPRC قدره 0.72 (فاصل ثقة 95%، 0.65–0.79) للتمييز بين حالات OMI وحالات غير الـ OMI ومجموعات الضبط. تجاوز هذا الأداء بشكل كبير خط الأساس القائم على الانتشار الذي لا يمتلك مهارة (AUPRC ~0.10).
ارتفاع قطعة ST مقابل عدم ارتفاعها:
STEMI (مع ارتفاع قطعة ST): أظهر النموذج أداءً استثنائياً بـ AUROC قدره 0.98 وAUPRC قدره 0.82.
NSTEMI (بدون ارتفاع قطعة ST): كان الأداء متوسطاً ولكنه ذو صلة سريرية، بـ AUROC قدره 0.84 وAUPRC قدره 0.20. يعكس انخفاض AUPRC الصعوبة المتأصلة في اكتشاف حالات الانسداد غير المرتبطة بارتفاع قطعة ST في مجموعة بيانات غير متوازنة.
تصنيف تدفق TIMI: حافظ النموذج على قدرة تمييز قوية عبر درجات تدفق TIMI (0، 0–1، 0–2)، حيث تراوحت قيم AUROC بين 0.93 و0.95 لجميع حالات OMI. تحسن الأداء عند قصر مجموعة عدم ارتفاع قطعة ST على المرضى الذين لديهم مستويات تروبونين ≥500 نانوغرام/لتر، مما يشير إلى أن النموذج يلتقط نقص التروية ذو الصلة من الناحية الديناميكية الدموية.
المقارنة مع الممارسة السريرية: عند المقارنة بمعيار "الوصول إلى الإجراء <30 دقيقة":
في حالات STEMI، حدد النموذج 93% من الحالات (مقابل 83% بواسطة التوقيت السريري).
في حالات NSTEMI، حدد النموذج 43% من الحالات (مقابل 11% بواسطة التوقيت السريري)، مما يسلط الضوء على قدرته على اكتشاف الانسدادات عالية الخطورة التي يتم تفويتها حالياً في عمليات الفرز القياسية.
الارتباطات الديموغرافية والمؤشرات الحيوية:
أظهر النموذج أداءً أعلى قليلاً لدى الذكور مقارنة بالإناث، وهو ما قد يرتبط بارتفاع متوسط مستويات التروبونين لدى الذكور. ما أظهرت الاحتمالات المتوقعة ارتباطاً إيجابياً مع ذروة مستويات التروبونين وارتباطاً عكسياً مع درجات تدفق TIMI، مما يشير إلى أن النموذج يلتقط شدة إصابة عضلة القلب وانخفاض التدفق.
كانت الأخطاء في التصنيف أكثر تكراراً في انسدادات الشريان المنعطف الأيسر (LCx)، وهو تحدٍ تشخيصي معروف في تخطيط القلب.
الأهمية والادعاءات يدعي المؤلفون أن هذه الدراسة تثبت جدوى استخدام نموذج تأسيسي لتخطيط القلب (ECG) تم ضبطه بدقة للكشف عن OMI مباشرة من تخطيطات القلب القياسية (12 مسرى) بدقة تمييز عالية. وتشمل الادعاءات الرئيسية ما يلي:
اكتشاف الانسدادات "الخفية": يتفوق النموذج بشكل كبير على سير العمل السريري الحالي في تحديد حالات OMI لدى المرضى الذين لا يعانون من ارتفاع قطعة ST (NSTEMI)، وهي المجموعة التي يحدث فيها تأخير تشخيصي شائع.
جدوى النموذج التأسيسي: تثبت الدراسة فائدة النماذج التأسيسية واسعة النطاق (ECGFounder) التي تم ضبطها بدقة باستخدام بيانات واقعية مؤكدة بالسجلات، مما يتغلب على قيود مجموعات البيانات الأصغر والمتاحة علناً.
التكامل السريري: تم تصميم النموذج كأداة لدعم القرار لتكملة، لا لتحل محل، الحكم السريري. وهو يعمل على تخطيطات القلب القياسية لمدة 10 ثوانٍ دون الحاجة إلى خبرة تقنية إضافية.
الارتباط بالمؤشرات الحيوية: تتوافق احتمالات النموذج المتوقعة مع العلامات البيولوجية للإصابة (التروبونين) وشدة الانسداد عبر التصوير (تدفق TIMI)، مما يشيد بأن النموذج يتعلم سمات مرضية فسيولوجية ذات صلة سريرية بدلاً من مجرد آثار اصطناعية زائفة.
يظل المؤلفون متواضعين فيما يتعلق بالنشر السريري الفوري، مشيرين إلى الحاجة إلى تحقق خارجي مستقبلي عبر أنظمة رعاية صحية مختلفة وسير عمل سيارات الإسعاف قبل التنفيذ. وهم يؤكدون أنه بينما يحسن النموذج معدلات الاكتشاف، خاصة في حالات NSTEMI، فإنه لا يلغي الحاجة إلى التأكيد عبر تصوير الشرايين.