AI pomůže personalizovat léčbu fibrilace síní

Identifikace skrytých vzorců arytmie

Primárním cílem výzkumu je identifikovat nové biomarkery a skryté nelineární vztahy související s rozvojem fibrózy a následnou zátěží fibrilace síní. „Tyto vztahy by konvenčními statistickými metodami zůstaly neobjeveny. Náš model tedy neodpovídá pouze na otázku ‚co se stane’, ale snaží se vysvětlit ‚proč se to děje’. Tento přístup je analogický například moderním aplikacím v onkologii, kde pomáhá odhalit mechanismy vzniku onemocnění či zodpovědné genové mutace,” upřesňuje Ing. Hejč.

Dosud nalezené specifické morfologické klastry elektrofyziologických signálů korelují se selháním terapie, a to i v oblastech, u nichž nebyly prokázany pomocí konvenčních biomarkerů.

Možnost zacílit zákrok

Pomoc modelu v personalizaci léčby nespočívá ani tak v definování skupiny pacientů, u nichž je vhodné provést ablaci, ale rozhodnutí, jak ji provést co nejefektivněji a nejšetrněji pro konkrétního pacienta. V případě sestavení individuálního elektrofyziologického profilu pacienta a specifických ložisek, která vedou k recidivě, umožní zacílit zákrok.

Výzkum nepracuje s běžnými klinickými parametry, protože představují pouze nepřímou reprezentaci patofyziologie, zaměřuje se na analýzu vysoce dimenzionálních dat z 3D elektroanatomického mapování. Ing. Hejč vysvětluje, v čem spočívá: „Jde vlastně o mračna bodů v prostoru snímaná přímo uvnitř srdce, která nesou detailní informaci o anatomii dutiny i šíření elektrického signálu tkání. Právě v těchto komplexních mapách hledáme skryté vzorce, které mohou předpovídat návrat arytmie.”

Jiný přístup než u diagnostických modelů

Ing. Hejč upozorňuje, že nejen v cíli, ale i v začlenění do klinického workflow se model AI liší od těch zaměřených na podporu časné diagnostiky. „Pokud se nám totiž podaří plně interpretovat skryté vzory, které model nachází, a pochopit jejich elektrofyziologickou podstatu, nebudeme muset nasazovat výpočetně náročnou neuronovou síť. Cílem je extrahovat z těchto vzorů nové, jasně definovatelné indexy. Do klinického workflow by se pak integroval pouze jednoduchý a srozumitelný algoritmus pro výpočet těchto nových biomarkerů, což zvyšuje šanci rychlé adopce lékaři a případně i komerčními firmami,” říká.

A v čem je český projekt unikátní v porovnání s konkurencí? „Většina podobných AI projektů se zaměřuje na binární předpověď návratu arytmie, obvykle s využitím ambulantních EKG záznamů v kombinaci s klinickými škálami pro hodnocení rizik. Náš přístup je specifický v tom, že implementuje analýzu přežití přímo do optimalizace modelu. To nám umožňuje získat unikátní rizikový profil pro každého jednotlivce relativně k ostatním pacientům, a tím zpřesnit samotný proces učení,” vysvětluje Ing. Hejč.

Zároveň se přiznává k datacentristickému nastavení výzkumu: „Osobně vidím největší potenciál ve vývoji metod, které dokáží generalizovat z malého množství kvalitních dat a propojovat znalosti napříč obory. Tento směr považuji za klíčový pro částečné otevření pověstné černé skříňky, protože přirozeně omezuje neurčitost modelů. V podstatě tím nutíme model učit se kauzální vzorce místo statistických korelací typických pro modely trénované na masivních zašuměných datech.”

Výstupy z modelu jsou podrobovány expertní validaci a výzkumný tým myslí i na opatření, které umožňují nástroj využít na jiných datech, než na kterých byl trénován ve Fakultní nemocnici u sv. Anny, s níž tým dlouhodobě spolupracuje. 

(pok)