Nổi bật
- Các mô hình điện tâm đồ (ECG) được cải tiến bằng AI (AI-ECG) không chỉ phát hiện các tình trạng tim cụ thể mà còn liên quan đến nhiều kiểu bệnh lý tim mạch.
- Các mối liên quan kiểu bệnh lý của các mô hình AI-ECG có sự tương quan cao giữa các mục tiêu bệnh lý tim mạch khác nhau, cho thấy các mẫu phát hiện chung.
- Những mô hình này dự đoán các bệnh tim mạch mới xuất hiện, đặt câu hỏi về vai trò hiện tại của chúng như các công cụ chẩn đoán nhị phân và ủng hộ tính hữu ích của chúng như các dấu hiệu sinh học nguy cơ tim mạch toàn diện.
Nền tảng nghiên cứu và gánh nặng bệnh tật
Bệnh tim mạch (CVD) vẫn là nguyên nhân hàng đầu gây tử vong và bệnh tật trên toàn thế giới. Việc phát hiện sớm và phân loại nguy cơ là quan trọng đối với can thiệp kịp thời và cải thiện kết quả. Điện tâm đồ (ECG) là một công cụ phổ biến, không xâm lấn phản ánh hoạt động điện sinh lý của tim, thường được sử dụng để chẩn đoán các bất thường tim mạch khác nhau.
Với sự tiến bộ trong trí tuệ nhân tạo (AI), các mô hình ECG được cải tiến bằng AI đã được phát triển để xác định các bất thường cấu trúc và chức năng tim cụ thể như suy giảm chức năng tâm thu thất trái (LVSD), hẹp van động mạch chủ (AS), trào ngược van hai lá (MR) và phì đại thất trái (LVH). Mặc dù các mô hình này có độ chính xác chẩn đoán cao cho các mục tiêu mong muốn, nhưng sự chọn lọc kiểu bệnh lý của chúng—có hoạt động như các bộ phân loại có điều kiện cụ thể hay các dấu hiệu sinh học nguy cơ tim mạch rộng lớn—vẫn chưa rõ ràng. Hiểu rõ sự chọn lọc này là quan trọng vì tính ứng dụng lâm sàng phụ thuộc vào việc diễn giải chính xác những gì các đầu ra AI đại diện.
Thiết kế nghiên cứu
Nghiên cứu quan sát quy mô lớn này bao gồm bốn quần thể khác biệt được lấy từ hồ sơ sức khỏe điện tử (EHR) và các nghiên cứu nhóm tiền cứu, tổng hợp dữ liệu từ 233.689 cá nhân (tuổi trung bình 59 ± 18 năm; 56% nữ). Chỉ một ECG ngẫu nhiên của mỗi cá nhân được phân tích.
Sáu mô hình AI đã được triển khai, bao gồm năm mô hình phân loại AI-ECG dựa trên hình ảnh đã được xác nhận để phát hiện LVSD, AS, MR, LVH và một mô hình bệnh tim cấu trúc tổng hợp (SHD). Ngoài ra, một mô hình kiểm soát âm được đào tạo để dự đoán giới tính sinh học cũng được bao gồm, cùng với sáu mô hình mới được phát triển cho các tình trạng không phải tim mạch.
Các mã chẩn đoán từ EHR và cơ sở dữ liệu nhóm được chuyển đổi thành các kiểu bệnh lý có thể diễn giải thông qua khung phân tích liên kết toàn bộ kiểu bệnh lý (PheWAS). Các mối liên quan giữa xác suất được rút ra từ AI-ECG và các kiểu bệnh lý ngang mặt được đánh giá bằng hồi quy logistic, trong khi các mối liên quan tiền cứu với các bệnh tim mạch mới xuất hiện được đánh giá bằng hồi quy nguy cơ tỷ lệ Cox. Hệ số tương quan Pearson của các dấu hiệu kiểu bệnh lý giữa các mô hình được tính toán để đánh giá mức độ tương đồng.
Kết quả chính
Tất cả năm mô hình AI-ECG đã được xác nhận đều cho thấy mối liên quan mạnh mẽ và có ý nghĩa thống kê với các kiểu bệnh lý mục tiêu tương ứng (ví dụ, mô hình LVSD với chẩn đoán LVSD), xác nhận tính hợp lệ chẩn đoán của chúng (p < 10⁻⁶). Quan trọng hơn, những mô hình này cũng cho thấy mối liên quan tương tự hoặc thậm chí mạnh mẽ hơn với một loạt các kiểu bệnh lý tim mạch khác ngoài các mục tiêu ban đầu.
Hệ số tỷ lệ cược cho mối liên quan giữa các kiểu bệnh lý tim mạch và không phải tim mạch dao động từ 2.16 đến 4.41, cho thấy khả năng phát hiện ưu tiên bệnh lý tim mạch. Ngược lại, mô hình dự đoán giới tính không thể hiện sự đặc hiệu tim mạch như vậy.
Các mẫu liên quan kiểu bệnh lý giữa các mô hình AI-ECG được đào tạo trên các tình trạng khác nhau rất giống nhau, với hệ số tương quan Pearson dao động từ 0.67 đến 0.96. Sự đồng thuận cao này không tồn tại ở các mô hình không phải tim mạch. Những kết quả này được tái tạo nhất quán trên các tập dữ liệu bên ngoài và trong cả phân tích ngang mặt và tiền cứu.
Phân tích tiền cứu cho thấy xác suất được dự đoán bởi AI-ECG đáng kể dự báo sự xuất hiện mới của các tình trạng tim mạch đa dạng, cho thấy những mô hình này bắt được các tín hiệu nguy cơ tim mạch tiềm ẩn thay vì các dấu vết kiểu bệnh lý cô lập.
Bình luận chuyên gia
Những kết quả này thách thức quan niệm phổ biến rằng các mô hình AI-ECG hoạt động như các bộ phân loại nhị phân hẹp được tùy chỉnh cho các bệnh tim cụ thể. Thay vào đó, sự trùng khớp chọn lọc kiểu bệnh lý cao và các mối liên quan tim mạch rộng lớn đề xuất rằng những mô hình này phát hiện các thay đổi sinh lý và bệnh lý tim chung có mặt trong nhiều trạng thái bệnh.
Khả năng phát hiện đa chức năng này mở ra các hướng mới cho việc sử dụng AI-ECG như các dấu hiệu sinh học tim mạch tích hợp, cung cấp một đánh giá rủi ro toàn diện thay vì sàng lọc bệnh riêng lẻ. Các bác sĩ nên diễn giải các kết quả dương tính của AI-ECG trong một bối cảnh tim mạch rộng lớn, thúc đẩy đánh giá và theo dõi rủi ro tim mạch toàn diện.
Tuy nhiên, các hạn chế bao gồm sự phụ thuộc vào các mã chẩn đoán có thể không hoàn hảo để nắm bắt các kiểu bệnh lý lâm sàng thực tế và sự phổ biến khác nhau của các tình trạng giữa các quần thể. Việc xác nhận tiền cứu trong các bối cảnh lâm sàng đa dạng và khám phá các tín hiệu cơ chế tiềm ẩn được xác định bởi AI-ECG sẽ tiếp tục tinh chỉnh ứng dụng lâm sàng.
Kết luận
Các mô hình ECG được cải tiến bằng AI, mặc dù ban đầu được thiết kế như các bộ phân loại chẩn đoán cụ thể, cho thấy các mối liên quan kiểu bệnh lý tim mạch rộng lớn và dự đoán sự phát triển bệnh tim mạch trong tương lai. Sự không chọn lọc kiểu bệnh lý này hỗ trợ một sự thay đổi mô hình từ các công cụ chẩn đoán nhị phân sang các dấu hiệu sinh học tim mạch đa năng có thể tăng cường việc phát hiện sớm, phân loại rủi ro và các chiến lược y học chính xác.
Việc tích hợp AI-ECG vào quy trình làm việc lâm sàng nên tận dụng những hiểu biết rủi ro tim mạch toàn diện của chúng, bổ sung thay vì thay thế các khung chẩn đoán truyền thống. Nghiên cứu trong tương lai nên tập trung vào việc làm sáng tỏ các đặc điểm được xác định bởi AI, các nghiên cứu ứng dụng lâm sàng tiền cứu và tinh chỉnh mô hình để tối ưu hóa tác động chăm sóc tim mạch.
