Проблемы прогнозирования сердечных приступов
Несмотря на значительные достижения в кардиологии, точное определение лиц, подверженных риску сердечного приступа, остается сложной задачей. Многие индивиды вообще не проходят необходимые обследования. В настоящее время компании-стартапы, такие как Bunkerhill Health, Nanox.AI и HeartLung Technologies, внедряют алгоритмы искусственного интеллекта для анализа миллионов компьютерных томографических снимков грудной клетки с целью выявления ранних признаков сердечных заболеваний. Эта технология способна стать настоящим прорывом в области общественного здравоохранения, поскольку использует традиционные методы для обнаружения пациентов с повышенным риском инфаркта, который может скрываться на виду. Однако на данный момент она еще не прошла масштабную проверку, вызывая серьезные вопросы относительно ее внедрения и даже самого понятия заболевания.
В прошлом году примерно 20 миллионов жителей США прошли компьютерную томографию грудной клетки по причинам, таким как автомобильные аварии или скрининг на рак легких. В ряде случаев эти снимки демонстрируют наличие кальция в коронарных артериях (CAC), который служит индикатором риска сердечного приступа, но часто остается незамеченным или не упоминается в радиологическом отчете, сосредоточенном на исключении переломов костей, опасных внутренних повреждений или онкологии.
Сущность коронарного кальция и его роль
Специализированное тестирование на CAC по-прежнему остается недостаточно используемым способом оценки вероятности инфаркта миокарда. На протяжении многих лет бляшки в артериях сердца проходят свой собственный цикл развития, затвердевая из липидного остатка в кальций. Сам инфаркт обычно возникает из-за непредсказуемого разрыва более молодой, богатой липидами бляшки, что запускает цепную реакцию свертывания и воспаления, приводящую к закупорке кровоснабжения сердца. Кальцифицированные бляшки в целом стабильны, но их обнаружение указывает на вероятное присутствие более уязвимых, склонных к разрыву образований.
Кальций в коронарных артериях часто видно на снимках КТ грудной клетки, и его количество можно описать качественно. Обычно для расчета балла CAC требуется специальный сканирующий аппарат, ориентированный на сердце. Тем не менее, алгоритмы, вычисляющие баллы CAC на основе стандартных КТ грудной клетки, способны значительно расширить доступ к этому показателю. На практике такие алгоритмы могут информировать пациентов и их лечащих врачей о необычно высоких значениях, побуждая к дополнительному обследованию. В настоящее время влияние стартапов, предлагающих баллы CAC на основе ИИ, еще невелико, но растет стремительно. По мере их распространения эти инструменты могут выявлять лиц с высоким риском, которые традиционно ускользают от внимания или находятся на периферии медицинской системы.
В истории сканирования CAC считалось методом с ограниченной пользой, ориентированным на тревожных, но здоровых людей. Даже сейчас большинство страховых компаний отказываются его оплачивать. Тем не менее, мнения постепенно меняются. Все больше экспертных групп рекомендуют баллы CAC для уточнения оценок сердечно-сосудистого риска и убеждения сомневающихся пациентов в необходимости приема статинов.
Перспективы и вызовы применения ИИ
Потенциал баллов CAC, полученных с помощью ИИ, вписывается в общую тенденцию к анализу огромных массивов медицинских данных для выявления скрытых патологий. Хотя подход выглядит многообещающим, он порождает множество вопросов. К примеру, баллы CAC не доказали свою эффективность как универсальный инструмент скрининга. Исследование 2022 года в Дании, оценивавшее программу на уровне населения, не выявило снижения смертности среди участников, прошедших такие тесты. Если ИИ будет предоставлять эти данные автоматически, изменит ли это ситуацию по сути?
При массовом внедрении аномальные баллы CAC станут обыденностью. Кто будет заниматься последующим наблюдением? По словам Нишида Кхандвалы, сооснователя Bunkerhill Health, многие системы здравоохранения еще не готовы обрабатывать случайные находки кальция в больших объемах. Без стандартизированной процедуры, добавляет он, существует риск создания дополнительных нагрузок без реальной ценности.
Влияние на лечение и определение болезней
Существует также疑问, улучшат ли баллы CAC, генерируемые ИИ, качество медицинской помощи. Для пациента с симптомами нулевой балл CAC может создать ложное чувство безопасности. Для бессимптомного индивида с высоким баллом следующие шаги остаются неясными. Помимо статинов, неясно, принесут ли пользу дорогостоящие препараты для снижения холестерина, такие как Repatha или другие ингибиторы PCSK9. Это может спровоцировать ненужные, но затратные процедуры, потенциально наносящие вред. В настоящее время расчет CAC с помощью ИИ не возмещается Medicare или большинством страховщиков как отдельная услуга. Экономическая основа технологии на сегодня опирается на эти потенциально неоднозначные стимулы.
На фундаментальном уровне такой подход способен изменить само понимание заболевания. Адам Родман, специалист по госпитализации и эксперт по ИИ из Медицинского центра Бет Израэл Дьяконисс в Бостоне, отмечает сходство баллов CAC, полученных через ИИ, с "инциденталомой" – термином, введенным в 1980-х для обозначения неожиданных находок на КТ. В обоих случаях нарушается традиционный диагностический процесс, где врачи и пациенты целенаправленно ищут причину конкретной проблемы. Однако, как подчеркивает Родман, инциденталомы все же обнаруживались людьми при просмотре снимков.
Теперь, по его словам, наступает эпоха "машинной нозологии", где алгоритмы определяют болезни по своим критериям. По мере того как машины ставят больше диагнозов, они могут улавливать то, что упускают люди. Но возникает вопрос, не приведет ли это к двухуровневой системе диагностики, где обеспеченные пациенты используют премиум-алгоритмы, а остальные – менее качественные варианты.
Для индивидов без факторов риска или оторванных от регулярной медицины балл CAC от ИИ способен выявить проблемы на ранней стадии и изменить подход к лечению. Однако способы доставки этих данных, действия по их результатам и возможность улучшения исходов для пациентов в масштабах остаются открытыми вопросами. Пока что клиницисты, балансируя между пациентами и выводами алгоритмов, продолжают играть ключевую роль.