Sztuczna inteligencja i jej zastosowanie. Najnowsza publikacja w Journal of Cardiovascular Development and Disease

Prediction of Postoperative Mortality After Fontan Procedure: A Clinical Prediction Model Study Using Deep Learning Artificial Intelligence Techniques by J. Kolcz et all.

https://www.mdpi.com/2308-3425/12/11/420

Wrodzone wady serca należą do najczęstszych i najpoważniejszych chorób wrodzonych u dzieci. Szczególnie trudną grupę stanowią dzieci urodzone z tzw. jednokomorowym sercem, u których tylko jedna komora jest zdolna do efektywnego pompowania krwi. Dla wielu z nich jedyną możliwością leczenia jest specjalny zabieg kardiochirurgiczny zwany operacją Fontana. Choć zabieg ten znacząco poprawił przeżywalność pacjentów, nie jest on wyleczeniem – po operacji mogą pojawić się poważne powikłania, a w części przypadków także zgon.

Problemem od lat pozostaje to, że u poszczególnych pacjentów rokowanie po operacji Fontana bardzo się różni. Jedni funkcjonują dobrze przez wiele lat, inni szybko doświadczają ciężkich powikłań. Dotychczas stosowane skale ryzyka nie potrafią dokładnie przewidzieć, którzy pacjenci są najbardziej zagrożeni, ponieważ opierają się na ograniczonej liczbie uproszczonych parametrów i nie uwzględniają złożonej fizjologii krążenia jednokomorowego.

Autorzy tej pracy postanowili sprawdzić, czy sztuczna inteligencja, a konkretnie zaawansowane algorytmy tzw. głębokiego uczenia, mogą pomóc lepiej przewidywać ryzyko zgonu po operacji Fontana.

Na czym polegało badanie?

Przeanalizowano dane 230 pacjentów operowanych metodą Fontana w jednym ośrodku w latach 2010–2024. Wykorzystano bardzo szeroki zakres informacji:

• dane kliniczne (wiek, rodzaj wady serca, budowa komory),

• wyniki badań hemodynamicznych (np. ciśnienie w tętnicy płucnej),

• wyniki badań laboratoryjnych i hormonalnych (np. BNP – marker przeciążenia serca),

• informacje z przebiegu operacji i okresu pooperacyjnego.

Na tej podstawie stworzono komputerowy model uczący się na rzeczywistych danych pacjentów, którego zadaniem było oszacowanie ryzyka zgonu po operacji.

Co wykazano?

Zastosowany model sztucznej inteligencji okazał się wyjątkowo skuteczny – znacznie lepszy niż klasyczne metody statystyczne. Potrafił z dużą dokładnością odróżnić pacjentów niskiego i wysokiego ryzyka.

Co szczególnie istotne, dzięki specjalnym technikom interpretacji algorytmu udało się jasno wskazać najważniejsze czynniki zwiększające ryzyko zgonu, takie jak:

• podwyższone ciśnienie w tętnicy płucnej,

• wysokie ciśnienie napełniania komory serca,

• podwyższony poziom BNP (świadczący o przeciążeniu serca),

• ciężka niedomykalność zastawek przedsionkowo-komorowych,

• duże obciążenie organizmu podczas operacji.

Są to czynniki dobrze znane klinicystom, ale po raz pierwszy zostały one połączone w jeden spersonalizowany model ryzyka, uwzględniający ich wzajemne zależności.

Co z tego wynika w praktyce?

Autorzy stworzyli także prostą aplikację komputerową, w której lekarz może wprowadzić dane konkretnego pacjenta i otrzymać indywidualne oszacowanie ryzyka pooperacyjnego. Takie narzędzie może:

• pomóc w lepszym przygotowaniu pacjenta do operacji,

• ułatwić rozmowę z rodzicami o ryzyku i rokowaniu,

• umożliwić intensywniejszą opiekę nad pacjentami najwyższego ryzyka,

• wspierać podejmowanie decyzji klinicznych, bez zastępowania lekarza.

Ograniczenia i przyszłość

Badanie przeprowadzono w jednym ośrodku, dlatego model wymaga jeszcze potwierdzenia w innych szpitalach i krajach. Autorzy podkreślają, że sztuczna inteligencja nie ma zastąpić doświadczenia lekarza, lecz stanowić narzędzie wspierające myślenie kliniczne.

W przyszłości podobne modele mogą być rozszerzone o dane z rezonansu magnetycznego, badań genetycznych czy długoterminowych obserwacji pacjentów po Fontanie.

Podsumowanie

Badanie pokazuje, że sztuczna inteligencja może realnie pomóc w leczeniu dzieci z najcięższymi wadami serca, umożliwiając bardziej precyzyjną, indywidualną ocenę ryzyka. To ważny krok w stronę medycyny naprawdę spersonalizowanej – także w tak trudnej dziedzinie, jak kardiochirurgia dziecięca.