Genetik olarak konfirme edilmiş uzun-QT sendromlu (UQTS) hastaların %40’ında, deneyimli bir okuyucu tarafından okunan 12-derivasyonlu elektrokardiyografide (EKG) ne özellik bakımından ne de kalp hızına göre düzeltilmiş QT (dQT) aralığının uzaması bakımından hiçbir şey göstermemektedir. Bu da, hastaları ani kardiyak ölüme (AKÖ) yatkın hale getirebilen UQTS’nin erken tanısında, iyileştirme gerekliliğini işaret etmektedir.

İnsan deneyiminin bilgisayarlar ile eşleşmediği durumlarda yapay zeka (YZ) tarafından işlenen EKG’ler, UQTS’ye sahip kişileri tanımada, hastaların refere edildiği aritmi kliniklerinde görev yapan deneyimli kardiyologların yorumlarından daha doğruydu.

Hatta bu durum, QT aralığının artmamış olduğu gizli-EKG’ye sahip UQTS’li hastalarda dahi geçerliydi.

Michael J. Ackerman, MD, PhD, Mayo Clinic, Rochester, Minnesota: “YZ-tabanlı çözümlememiz, dQT değerinin yanı sıra her 12 saniyelik 12-derivasyonlu EKG dalgalarını oluşturan 60.000 benzersiz veri noktasındaki bilgiye ve enformasyona bakmıştır.” Ackerman, makalenin kıdemli yazarı. Makale, 10 Şubat’ta JAMA Cardiology’de yayımlanmıştır.

YZ-tabanlı çözümleme, genetik olarak UQTS tanısı konmuş veya ilk olarak UQTS’dan şüphe edilmiş fakat standart değerlendirme sonrası sağlıklı olarak değerlendirilen 2059 hastadan oluşan bir kohorta uygulanmıştır.

YZ-tabanlı değerlendirme, UQTS’li hastaları UQTS’siz hastalardan ayırmada, 12-derivasyonlu EKG’nin bir uzman tarafından okunmasından daha iyiydi (Eğri altında kalan alan (AUC) 0.9 vs 0.824, p<0.05 ve özgüllük %80.6). Dahası, YZ-EKG, üç ana alt grup olan UQT1, UQT2 ve UQT3 arasında, hastaların spesifik UQTS genotipini tahmin etmede yaklaşık olarak %80 doğruluğa sahipti.

“Bu nedenle, YZ-EKG, UQTS ile ilişkili ve potansiyel olarak ölümcül aritmi riski taşıyan sağlıklı görünümlü bireylerin belirlenmesine yardımcı olabilir.” J. Martin Bos, MD, PhD, Mayo Clinic.

Genellikle, UQTS’li hastalar, 12-derivasyonlu istirahat EKG’sindeki dQT aralığının >470 ms olduğunda tespit edilirler. Bununla birlikte, genetik olarak doğrulanmış UQTS’li bireylerin %30-40’ında istirahat dQT normaldir.

Ackerman, bir röportajda, hastaların çoğunun asemptomatik kalmasına ve AKÖ risklerinin düşük olmasına rağmen, bu tür hastaların tanımlanmasının, en azından, yan etki olarak QT aralığını uzatan 100 veya daha fazla onaylanmış ilacın reçete edilmemesi için önemli olduğunu söyledi.

Ackerman: “Genetik uzun-QT sendromlu ve normal dQT değerlerine sahip bu hastalar, günümüzde çoğunlukla, UQTS’ye neden olan bir mutasyona sahip bir akrabanın keşfedilmesinin ardından genetik testle tespit ediliyor”.

Ackerman, bunun değişebileceğini, çünkü YZ-EKG modelinin normal QT aralıklarına sahip UQTS hastalarında tek başına dQT’den daha iyi performans gösterdiğini söyledi. İstirahat dQT’si <450 ms olan hasta alt grubunda, tek başına dQT aralığı UQTS’si olan hastaları UQTS’siz olanlardan ayırmada AUC değeri 0.741 iken, YZ-EKG için 0.863’tür; iki AUC değeri için de % 95 CI çakışmamıştır.

Geoffrey H. Tison, MD, MPH, doğru eğitim verisinin sağlandığı derin nöral ağ tabanlı YZ-EKG algoritmalarının, standart 12-derivasyonlu EKG okunmasını geliştirdiği ve bu “kolaylığın” birçok olasılığa kapı açtığını söyledi. San Francisco, California Üniversitesi’nden Tison, bu çalışmaya eşlik eden bir başyazının yazarıdır.

Tison, verdiği demeçte: “Günümüzde, doktorlar EKG’leri belirli bir şekilde okumak üzere eğitiliyorlar - T dalgasına, PR aralığına, QT aralığına bakmak gibi. Kafamızın içinde bize öğretilen tüm bu kurallar var. Eski EKG algoritmaları bu kuralları basitçe kopyaladı.”

Tison: “Bununla birlikte, makine-gözetimli-öğrenim modeli bunu yapmaz. Doktorların baktığı bazı şeylere bakıyor olabilir; ancak aynı zamanda insanların bildiklerinin ötesinde bir yolla EKG verilerine de bakıyor ve gerçekten potansiyel de burada”.

“Bu, diğer tıbbi veri kaynaklarının yanı sıra EKG’nin kullanımını potansiyel olarak geliştirmede yeni anlam ve yeni bilgiler bulmak için makine öğrenimini kullanmak, buzdağının sadece görünen kısmı ”dedi.

Çalışmanın 12-derivasyonlu EKG’lerinin dQT aralıklarını doğrulayan UQTS uzmanı Ackerman, YZ modeli tarafından yenilgiye uğramasını umursamadığını söyledi.

Ackerman: “Geleneksel bilgisayarların okuduğu dijital EKG’lere atıfta bulunarak, 12-derivasyonlu EKG bilgisayarının dQT’yi belirlemek için yaptığından daha iyi bir iş çıkarabilirim. Bilgisayarın dQT değerine % 5 ile % 10 arasında katılmıyorum; ancak QT-aralığı-eğitimli beynim bile derin nöral ağ YZ beyniyle rekabet edemez”.

Çalışmanın YZ-EKG sistemi, genotip olarak pozitif olan 967 UQTS hastasından, 2059 UQTS şüphesi olan hastadan ve geleneksel okuma ile yanlışlıkla sağlıklı olarak değerlendirilmiş 1092 hastadan alınan 9000’nin üzerindeki EKG’ye uygulandı.

Model, hastaların % 60’ını kullanılarak eğitildi. Hastaların %10’unda doğrulanmış ve kalan %30’unda test edilmiştir.

“YZ-aracılı değerlendirme, gizli-EKG’li UQTS’yi ortaya çıkarmada ve UQTS’nin genotipik varyantlarını ayırt etme konusunda iyi bir iş çıkarsa da, makine-öğrenimi-sistemi, EKG’nin 60.000’den fazla veri noktası arasında tam olarak ne “gördüğünü” ve UQTS’li hastalar ile olmayan kişiler arasındaki farkı nasıl ortaya çıkardığını insan operatörlerine açıklayamaz” Ackerman,

Ackerman: “Bu, YZ ile ilgili hem hayal kırıklığı hem de hayranlıktır. Bir doktor bilim adamı olarak, mutasyona sahip birinin bulunmasını sağlayan şeyin ne olduğunu görmek istiyorum; ancak YZ beyni sırlarını açıklamıyor .”

Tison; “Temel olarak, yapay zeka EKG verilerini girdi olarak alır ve küçük parçalara ayırır, kalıpları ve etkileşimleri belirlemek için karıştırır. Tüm girdiler arasında herhangi bir etkileşim kombinasyonunu kullanmak serbesttir ve modeli eğiten kişilerin, modelin gerçekte nasıl sonuca vardığını anlamaları da zordur. Bu yüzden insanlar bunlara kara kutu modelleri demiştir.”

Raporda, YZ-EKG modeli Mayo Clinic’e yeni kaydolan hastalarla ileriye dönük doğrulama sürecinden geçse de, başka bir genetik kalp ritm kliniğinde benzer hastalarda doğrulanması gerektiğini belirtiliyor. Daha sonra performansı, genel popülasyondan seçilen sağlıklı kontrol gruplarında test edilebilir ve belki de UQTS taraması için bir araç olarak kullanılmak üzere uyarlanabilir.

Ackerman: “Belli bir hızda devam eden eğitimlerimiz var ve bir yıl sonra nasıl çalıştığı ve nöral ağı daha geniş ayarlarda kullanabilmek için neye ihtiyacımızın olduğu gibi bazı cevapları bulacağımız hakkında şüphelerim var.”

Bir hedefin de UQTS’nin standart EKG belirtilerini göstermeyen, QT aralığını uzatan ilaç kullanmayan ve AKÖ riski altındaki hastaları taramak için kullanılması olduğunu belirtti.

Bu amaçla Ackerman ve ekibi, dQT’yi ölçmek ve muhtemel UQTS’si olan kişileri belirlemek için el tipi KardiaMobile 6L (AliveCor) mobil EKG akıllı-telefon-tabanlı cihazı çalıştırmak için yapay zeka tabanlı derin nöral ağın kullanımını araştırdı. Umut verici sonuçları bu ayın başlarında Circulation’da yayınlandı.

Ackerman: “12-derivasyonlu EKG’ye bile ihtiyaç duymadan, onun yerine akıllı telefon özellikli bir mobil cihaz kullanarak - QTc için dizayn edilmiş bir glukometre gibi- dQT’yi ölçebilmek ezberleri bozuyor”.

Kaynak: JAMA Cardiology. 10 Şubat 2020’de çevrimiçi olarak yayınlandı.