Yapay zeka ile klinik ve elektrokardiyografi (EKG) verileri kullanılarak yapılan bir öğrenme modeli ile ekokardiyografi olmaksızın kalp yetersizliğini ön görmede önemli bir belirteç olan sol ventrikül (LV) diyastolik disfonksiyonu saptanabilir, ancak yapılan çalışmalar bu durumun klinik uygulanabilirliği için henüz erken olduğunu göstermektedir.

Maliyeti uygun bu strateji ile LV diyastolik disfonksiyon varlığını değerlendirmek için klinik açıdan önemli bir ilk adım olabilir ve kalp yetersizliği gelişme potansiyeli olan hastaların erken tanı ve takibine yardımcı olabilir.

Amerika Birleşik Devletleri’nden 3 ve Kanada’dan 1 merkezin dahil olduğu 1.202 hastayı değerlendiren çok merkezli, yapay zeka modellerini geliştirmek için yapılan, prospektif bir çalışmada; ABD’den 814 hasta randomize edilerek 80:20 (651 ve 163) temelinde bir internal test setine bölündü. Kanadalı 388 hasta, modeli test etmek için external bir set olarak ayrıldı.

Tüm hastalara 12 derivasyonlu EKG ve eşzamanlı vücut yüzeyinden signal-proces EKG (spECG) ile aynı gün detaylı iki boyutlu Doppler EKO yapılmıştır.

Model Nasıl Çalışıyor?

Yapay zeka öğrenme modeli, klasik EKG ve spECG özelliklerini kullanarak ekokardiyografik LV relaksasyon hızlarını (e′) tahmin etti. Modelleme ayrıca 10 temel klinik özelliği de hesaba katmıştır. Bunlar; yaş, cinsiyet, sistolik ve diyastolik kan basıncı, serebrovasküler ve kardiyovasküler hastalık, diyabet, hipertansiyon, dislipidemi ve kronik böbrek hastalığı gibi komorbid durumlardır.

Hasta özellikleri, Amerika Birleşik Devletleri ve Kanada kohortları arasında büyük ölçüde farklılıklar göstermektedir; ortalama yaş 10 yaş daha büyük (65’e karşı 44; P <.001), ağırlıklı olarak erkek (%58’e karşı % 47; P <.001) ve daha düşük koroner arter hastalığı (%1.8’e karşı %21.1; P <.001) saptanırken ortalama kan basıncı her iki grup arasında benzer izlenmiştir.

Çalışmada, yapay zeka ile tahmin edilen (e′) değerlerinin kılavuza göre hesaplanmış (e′) ye karşı tahmin edilebilirliğini hesaplamak için eğri altındaki alanı (AUC) kullanılmıştır ve internal (AUC 0.83; duyarlılık % 78; özgüllük % 77; negatif prediktif değer (NPD) %73; pozitif prediktif değeri (PPD) % 82) ve external test setleri (AUC 0.84; duyarlılık %90; özgüllük %61; NPV %81; ve PPV %77) olarak saptanmıştır.
LV diyastolik disfonksiyonu ve azalmış LV ejeksiyon fraksiyonu her iki kohortta benzer saptanmıştır.
Nihai modellemede, klinik özelliklerden 3 puan (yaş, dislipidemi ve hipertansiyon), spECG özelliklerinden 7 puan ve klasik EKG özelliklerinden 8 puan olmak üzere toplam 18 özellik kullanılmıştır.

Sonuçların Yorumlanması

Araştırmacılar, bozulmuş miyokardiyal relaksasyonun kardiyak dokudaki bozulmanın erken bir belirtisi olduğundan, bu tarama ile subklinik LV diyastolik disfonksiyon erken dönemde saptanacağından hipertansiyon ve diyabet için tedaviye yardımcı olabileceğini belirtmektedirler.

Araştırmacılar, modelin LV diyastolik disfonksiyonu tanımlama %73-%77 doğruluğunun, yakın dönemde kullanılmasını engellediğini belirtmektedirler. “Bu tür gelişmeler bizi heyecanlandırsa da, klinik pratikte kullanımları için daha iyi kanıtlar elde etmeye çalışıyoruz” diye ifade etmektedirler. Algoritmaların klinik uygulamada sınırlı kullanımının olduğunu, çoğu hastada ihtiyaç anında kesin bir tanı yöntemine başvurulduğunu belirtmektedirler.

Bu çalışmayı değerlendiren Elektrofizyologlar LV diyastolik disfonksiyonu değerlendirmek için EKO ihtiyacını ortadan kaldıran bir yapay zeka öğrenme modeli geliştirmenin şu anda şüpheli göründüğünü belirterek “Ekokardiyografi zor bir test değil, Kardiyolojide doğruluğu kanıtlanmış noninvaziv, kullanımı kolay ve düşük maliyetli en kullanışlı tanı aracı” diye ifade ettiler.

Dr. Di Biase yapay zekanın önemli bir potansiyele sahip olduğunu belirterek, “Bu uygulama, kalp yetersizliğine neden olan LV diyastolik disfonksiyon geliştirecek kişileri tahmin edebilseydi çok daha farklı bir klinik etkiye sahip olurdu.” dedi. Ancak ekokardiyografi negatif olsa bile bu hastalarda kalp yetersizliği gelişmesine neden olabilecek başka özellikler de olabilir.

Kaynak:

Kagiyama, Nobuyuki, et al. “Machine learning assessment of left ventricular diastolic function based on electrocardiographic features.” Journal of the American College of Cardiology 76.8 (2020): 930-941.