AI kan finde skjult hjertesygdom i en enkel hjertemåling

Hjertet kan forandre sig i stilhed, længe før man føler sig syg. En hjerteklap kan begynde at lække. Det vigtigste pumpekammer kan blive tykkere eller svagere. I årevis mærker personen med disse forandringer måske ingenting.

Hvis man venter, til hjertebanken eller åndenød dukker op, kan man misse det tidspunkt, hvor behandlingen er enklest. Når nogle mennesker endelig får foretaget ekkokardiografi – en ultralydsscanning, der kortlægger hjertet i levende billeder – kan de allerede have brug for en ny hjerteklap eller en anden invasiv behandling.

“Tidlig opdagelse er virkelig vigtig,” siger førsteforfatter Elianna Knight, læge og ph.d.-studerende ved Yale University i USA, hvor hun forsker i deep learning i sundhed. “Men man ved ikke nødvendigvis, at man har brug for en ekkokardiografi, før det er for sent.”

Det er her, håndleddet kommer ind i billedet. Hvad nu, hvis noget, millioner af mennesker allerede går med, kunne hjælpe med at afsløre, hvem der bør have undersøgt hjertet med ekkokardiografi?

Forskere har nu vist, at kunstig intelligens kan finde tegn på strukturel hjertesygdom i EKG-signaler med én afledning – signaler, der minder om dem, mange smartwatches og håndholdte EKG-målere kan optage. Signalet er elektrisk, ikke et billede, men modellen ser ud til at opfange spor af hjertets form og funktion, som en læge normalt ikke ville kunne se. 

Resultaterne er offentliggjort i European Heart Journal – Digital Health og bygger videre på tidligere AI-EKG-studier, der har vist, at hjertets elektriske kurve kan rumme oplysninger, som normalt først bekræftes ved scanninger.

Når rytmen ikke er hele historien

Smartwatches kan allerede advare om rytmeforstyrrelser som uregelmæssig hjerterytme, og tidligere forskning har vist, at AI kan opdage svækket pumpefunktion ud fra EKG’er fra smartwatches i virkelige omgivelser. Den nye undersøgelse tager næste skridt: fra ét problem med hjertets pumpefunktion til en bredere gruppe af strukturelle hjertesygdomme, som normalt kræver billeddiagnostik – fortykkede hjertevægge, utætte eller forsnævrede hjerteklapper eller svækket pumpefunktion – før mennesker selv mærker symptomer.

“Man kunne potentielt få folk hurtigere ind på klinikken og forebygge nogle af disse hjerteklapudskiftninger” og tilfælde af hjertesvigt, siger Knight.

EKG er en af de første undersøgelser ved mange hjerteproblemer: Elektroder på brystet og lemmerne registrerer de små elektriske signaler, der koordinerer hvert hjerteslag.

“Det opfanger det elektriske signal, der løber gennem hjertet og fortæller det, at det skal pumpe, sat i gang af sinusknuden, din indre pacemaker,” forklarer Knight. EKG’er er hurtige, bredt tilgængelige og afgørende for at opdage hjerteanfald og rytmeforstyrrelser.

Men mange farlige hjerteproblemer handler ikke om rytmen, men om strukturen: om hjertemusklen er blevet tykkere, hvor godt hjertekamrene fyldes, hvor kraftigt de pumper, eller om hjerteklapperne lukker ordentligt. Diagnosen kræver normalt et ekkokardiogram, en ultralydsscanning, der viser hjertet i bevægelse i realtid.

Modellen lærte at koble strøm og struktur

Spørgsmålet var, om den elektriske kurve alligevel rummer strukturelle spor, som en deep learning-model kan lære at genkende. For at træne grundmodellen brugte Knight og hendes kolleger 194.551 parrede EKG- og ekkokardiogramregistreringer fra 77.378 voksne behandlet i Yale New Haven Health System. I hvert par viste EKG’et det elektriske signal, mens ekkokardiogramrapporten beskrev hjertets form og funktion. Derefter blev modellen testet på senere patientjournaler.

Idéen kom fra AI-systemer, der lærer at forbinde billeder med skriftlige beskrivelser. “Omkring det tidspunkt var CLIP netop kommet frem,” siger Knight med henvisning til OpenAI’s Contrastive Language–Image Pretraining. Her matchede modellen EKG-kurver med den samme patients ekkokardiogramrapport: “en tekst, hvor en læge grundigt beskriver de strukturelle hjertesygdomme, der ses på ekkokardiogrammet”.

Selvom et almindeligt 12-aflednings-EKG registrerer hjertet fra flere vinkler, gav forskerne kun modellen afledning I – den afledning, der mest ligner det signal, der opfanges, når mange håndledsbårne eller håndholdte EKG-målere måler mellem de to arme. “Afledning I skulle være den, der minder mest om bærbare enheder” som smartwatches og fitness-trackere, siger Knight. Men afledning I fra et klinisk EKG er stadig kun en tilnærmelse: Undersøgelsen testede ikke direkte EKG-optagelser fra forbruger-smartwatches.

Undersøgelsen er derfor et skridt fra hospitals-EKG’er mod screening med smartwatches og håndholdte EKG-målere – ikke et bevis på, at et smartwatch allerede kan diagnosticere strukturel hjertesygdom.

Tegn, læger ikke kan se på et EKG

Knight og hendes kolleger trænede modellen til at finde tre klinisk vigtige problemer: nedsat ejektionsfraktion i venstre hjertekammer, hvilket betyder, at hjertets vigtigste pumpekammer sender for lidt blod ud ved hvert slag; moderat eller svær diastolisk dysfunktion, hvor hjertet har svært ved at slappe af og fyldes mellem slagene; og en bredere kategori, der dækker nedsat pumpefunktion, moderat eller svær hjerteklapsygdom og svær fortykkelse af venstre hjertekammer.

På patientdata, som modellen ikke havde set under træningen, nåede den AUROC-scorer på 0,894 for nedsat pumpefunktion, 0,849 for diastolisk dysfunktion og 0,887 for den samlede kategori af strukturel hjertesygdom. AUROC måler, hvor godt en model placerer personer med en sygdom højere end personer uden sygdommen: 1,0 ville være perfekt; 0,5 er ikke bedre end tilfældighed. Et almindeligt neuralt netværk trænet på de samme opgaver viste, om træningen med både EKG og ekkokardiogram gav modellen noget ud over blot at fodre AI’en med mange EKG’er.

Modellen kopierede ikke bare det, læger allerede kan se på et EKG. Almindelig EKG-fortolkning er stærk, når det gælder rytmeforstyrrelser og elektriske problemer i hjertet, men strukturel hjertesygdom bekræftes normalt med billeddiagnostik. Det nye resultat flytter tidligere AI-EKG-arbejde fra rytme og pumpefunktion over mod hjertets struktur i bredere forstand.

“De fleste læger kan ikke opdage strukturelle hjertesygdomme ud fra EKG’er,” siger Knight. “Måske de allermest erfarne kardiologer, men det er ikke rigtig noget, det menneskelige øje kan forstå.”

En advarsel, ikke en diagnose

Knight understreger, at AI-modeller, der læser EKG’er i stil med dem fra smartwatches og håndholdte EKG-målere, ikke skal erstatte et 12-aflednings-EKG – og slet ikke et ekkokardiogram. En advarsel fra sådan en model vil ikke være en diagnose. Målet er at finde mennesker, der bør sendes videre til en rigtig undersøgelse tidligere – samtidig med at man måler, hvor mange der ville blive sendt unødigt til scanning.

Det forbehold er vigtigt, fordi undersøgelsen fokuserede på det, læger kalder handlingsrelevant strukturel hjertesygdom – sygdom, der er så fremskreden, at den har klinisk betydning, for eksempel nedsat pumpefunktion eller moderat til svær hjerteklapsygdom.

Modellen blev heller ikke testet i den brede befolkning af mennesker, der bruger smartwatches. Dataene kom fra patienter i et sundhedssystem, som både havde fået taget EKG og foretaget ekkokardiografi. Der er derfor stadig brug for langtidsstudier blandt tilsyneladende raske mennesker for at vise, om EKG-signaler ændrer sig, før sygdommen sætter sig fast, og behandlingen bliver invasiv.

Selv med de begrænsninger mener Knight, at modellen kan blive bedre. “Vi indkodede simpelthen ikke en masse information fra lægerne, som potentielt var virkelig værdifuld,” siger hun. “Der findes mange nye typer deep learning-arkitekturer, som vi potentielt kunne bruge til at forbedre det.”

Fordelen var tydeligst, når der var få mærkede data. Wearable-Echo-FM klarede sig kun lidt bedre end et almindeligt neuralt netværk, når begge modeller fik adgang til hele datasættet. Men da begge modeller kun fik omkring 0,5 % af træningsdataene – 617 til 1251 EKG’er afhængigt af opgaven – klarede grundmodellen sig langt bedre. Træningen med både EKG og ekkokardiogram hjalp mest, når eksemplerne var få. Det tyder på, at modellen havde lært en bredere sammenhæng mellem elektriske signaler og hjertets struktur i stedet for blot at huske ét stort datasæt.

Det er vigtigt, fordi almindelige sygdomme kan undersøges med store hospitalsdatasæt, mens sjældnere strukturelle hjertesygdomme kan efterlade forskerne med kun snesevis eller hundreder af mærkede eksempler. En model, der kræver færre eksempler, kan gøre screening for sjældne sygdomme mere realistisk – som et udgangspunkt for flere beslægtede kliniske spørgsmål og ikke bare som én detektor for én sygdom. At tilpasse modellen til de sygdomme “er næste skridt”, siger Knight.