Analiza blaszki miażdżycowej: przełom we wczesym wykrywaniu miażdżycy tętnic wieńcowych.

Opublikowane: 11 Maj 2025 | Autor: | Filed under: AI, Prewencja, Układ krążenia | Tags: , , , , , , , , , , , , , , , , , , | Dodaj komentarz

Powszechnie nazywana „wieńcówką”, a fachowo jest to „zespół wieńcowy” – choroba polegająca na odkładaniu się złogów cholesterolu w ścianach tętnic wieńcowych, prowadząca do niedokrwienia mięśnia sercowego i zawału serca. Rozwija się latami, a pierwsze zmiany w ścianach tętnic obecne są już u 20. czy 30-latków – jednak na tym etapie nie dają żadnych objawów.

Przykłady zmian miażdżycowych w tętniach wieńcowych w tomografii komputerowej.
źródło: Nieman K et al J Cardiovasc Comput Tomogr. 2024 Sep-Oct;18(5):429-443.

Pierwsze dolegliwości pacjenci zaczynają czuć dopiero po 50. roku życia w postaci ucisku w klatce piersiowej, uczucia zatykania czy krótkiego oddechu związanego z wysiłkiem. Niestety pierwszym klinicznym objawem może też być zawał serca – bez jakichkolwiek objawów przepowiadających. Nic więc dziwnego, że pojawia się pytanie, czy jesteśmy w stanie wykryć miażdżycę tt. wieńcowych na wczesnym etapie i określić, jak bardzo jest zaawansowana, a w razie potrzeby zahamować?

Złotym standardem oceny tętnic wieńcowych jest koronarografia – inwazyjne badanie polegające na wprowadzeniu cewnika do naczynia wieńcowego i nagraniu, jak podawany przez niego kontrast wypełnia światło naczynia, w celu wykrycia zwężeń. Nie jest to jednak metoda, którą można by stosować powszechnie w formie skriningu populacji. Od blisko dekady obserwujemy dynamiczny rozwój tomografii komputerowej tętnic wieńcowych, coraz częściej nazywanej „nieinwazyjną koronarografią”, polegającej na wykonaniu skanu tętnic wieńcowych w czasie kilku sekund, bez konieczności wprowadzania cewników do aorty.

Poza standardową analizą obrazów obejmującą ocenę światła tętnic wieńcowych, możliwa jest również ocena budowy ściany naczyń, a w szczególności skwantyfikowania blaszek miażdżycowych, a tym samym wykrycia choroby na bardzo wczesnym etapie. Dotychczas takie analizy były dostępne w zasadzie wyłącznie w ramach projektów akademickich, gdyż były wykonywane manualnie, co zajmowało do kilkunastu godzin na przypadek. Wraz z upowszechnieniem metod obliczeniowych opartych na sztucznej inteligencji, proces ten został znacznie przyspieszony, co pozwoliło na udostępnienie metody szerszej populacji pacjentów.

W ramach analizy blaszki miażdżycowej (ang. plaque analysis) otrzymujemy nie tylko informację o jej objętości (ang. Total Plaque Volume), ale także o podziale na podstawowe podtypy (blaszka uwapniona, nieuwapniona, o niskiej atenuacji), a to pozwala określić jakie jest ryzyko jej pęknięcia (zawału serca), a także potencjalną odpowiedź na leczenie farmakologiczne. Ponadto wykonanie kontrolnego badania po określonym leczeniu pozwala na weryfikację, czy obserwowana miażdżyca nasiliła się, uległa stabilizacji, a może udało się ją częściowo cofnąć.

Poniżej kilka przykładów technologii do oceny blaszki miażdżycowej dostępnych do zastosowania klinicznego. Wydaje się, że w najbliższej dekadzie takie podejście ma szansę stać się metodą skriningu pacjentów w kierunku miażdżycy, zanim pojawią się objawy.

źródło: Plaque Analysis, HeartFlow Inc. (https://www.heartflow.com/heartflow-one/plaque/)
źródło: CaRi-Plaque™, Caristo, UK (https://www.caristo.com/coronary-plaque-analysis/)
źródło: Coronary Plaque Analysis, Cleerly Inc. (https://cleerlyhealth.com/plaque-analysis)

Dostępność zaawansowanej oceny blaszek miażdżycywych nadal pozostaje ograniczona. Mimo, że powyższe analizy są objęte refundacją choćby w Stanach Zjednoczonych, to ich użycie w naszej szerokości geograficznej dostępne jest wyłącznie komercyjnie. Tymniemniej, śledząc postęp i wyniki kolejnych badań naukowych należy się spodziewać, że wdrożenie analizy balszki miażdżycowej w oparciu o tomografię komputerową tętnic wieńcowych jako elementu prewencji pierwotnej zawałów serca jest kwestią czasu.

Referencje:

  1. Nieman K, García-García HM, Hideo-Kajita A, Collet C, Dey D, Pugliese F, Weissman G, Tijssen JGP, Leipsic J, Opolski MP, Ferencik M, Lu MT, Williams MC, Bruining N, Blanco PJ, Maurovich-Horvat P, Achenbach S. Standards for quantitative assessments by coronary computed tomography angiography (CCTA): An expert consensus document of the society of cardiovascular computed tomography (SCCT). J Cardiovasc Comput Tomogr. 2024 Sep-Oct;18(5):429-443. doi: 10.1016/j.jcct.2024.05.232. Epub 2024 Jun 6. PMID: 38849237.
  2. Bär S, Knuuti J, Saraste A, Klén R, Kero T, Nabeta T, Bax JJ, Danad I, Nurmohamed NS, Jukema RA, Knaapen P, Maaniitty T. Derivation and Validation of an Artificial Intelligence-Based Plaque Burden Safety Cut-Off for Long-Term Acute Coronary Syndrome from Coronary Computed Tomography Angiography. Eur Heart J Cardiovasc Imaging. 2025 Apr 17:jeaf121. doi: 10.1093/ehjci/jeaf121. Epub ahead of print. PMID: 40243706.
  3. Dahdal J, Jukema RA, Maaniitty T, Nurmohamed NS, Raijmakers PG, Hoek R, Driessen RS, Twisk JWR, Bär S, Planken RN, van Royen N, Nijveldt R, Bax JJ, Saraste A, van Rosendael AR, Knaapen P, Knuuti J, Danad I. CCTA-Derived Coronary Plaque Burden Offers Enhanced Prognostic Value Over CAC Scoring In Suspected CAD Patients. Eur Heart J Cardiovasc Imaging. 2025 Mar 25:jeaf093. doi: 10.1093/ehjci/jeaf093. Epub ahead of print. PMID: 40131307.
  4. Kim DH, Kim SH, Chu HW, Kang SH, Yoon CH, Youn TJ, Chae IH. Validation of artificial intelligence-based quantitative coronary angiography. Digit Health. 2024 Dec 18;10:20552076241306937. doi: 10.1177/20552076241306937. PMID: 39698508; PMCID: PMC11653446.
  5. Tzimas G, Gulsin GS, Everett RJ, Akodad M, Meier D, Sewnarain K, Ally Z, Alnamasy R, Ng N, Mullen S, Rotzinger D, Sathananthan J, Sellers SL, Blanke P, Leipsic JA. Age- and Sex-Specific Nomographic CT Quantitative Plaque Data From a Large International Cohort. JACC Cardiovasc Imaging. 2024 Feb;17(2):165-175. doi: 10.1016/j.jcmg.2023.05.011. Epub 2023 Jul 5. PMID: 37410009.
  6. Chan K, Wahome E, Tsiachristas A, Antonopoulos AS, Patel P, Lyasheva M, Kingham L, West H, Oikonomou EK, Volpe L, Mavrogiannis MC, Nicol E, Mittal TK, Halborg T, Kotronias RA, Adlam D, Modi B, Rodrigues J, Screaton N, Kardos A, Greenwood JP, Sabharwal N, De Maria GL, Munir S, McAlindon E, Sohan Y, Tomlins P, Siddique M, Kelion A, Shirodaria C, Pugliese F, Petersen SE, Blankstein R, Desai M, Gersh BJ, Achenbach S, Libby P, Neubauer S, Channon KM, Deanfield J, Antoniades C; ORFAN Consortium. Inflammatory risk and cardiovascular events in patients without obstructive coronary artery disease: the ORFAN multicentre, longitudinal cohort study. Lancet. 2024 Jun 15;403(10444):2606-2618. doi: 10.1016/S0140-6736(24)00596-8. Epub 2024 May 29. PMID: 38823406; PMCID: PMC11664027.

Interpretacja EKG: lekarz kardiolog vs. sztuczna inteligencja

Opublikowane: 8 października 2017 | Autor: | Filed under: Badania kliniczne, Choroby, Układ krążenia | Tags: , , , , | Dodaj komentarz

Od kilku lat obserwujemy bardzo intensywny rozwój systemów wykorzystujących metody sztucznej inteligencji do interpretowania EKG i rozpoznawania istotnych klinicznie arytmii serca. Mimo, że dla większości praktykujących lekarzy, w tym kardiologów, zastąpienie doświadczonego oka algorytmem nadal jest pieśnią przyszłości, ostatnie pozytywne opienie Amerykańskiej Agencji ds. Leków (FDA, ang. Food and Drug Agency) dość istotnie skracają drogę do praktycznego wdrożenia takich rozwiązań.

Flagowym przykładem jest jednoodprowadzeniowe EKG Kardia, które może być umieszczone obudowie smartfona. Poza klasycznym zapisem czynności elektrycznej serca aplikacja zarządzająca urządzeniem posiada algorytm automatycznego rozpoznawania migotania przedsionków. To najczęstszy rodzaj arytmii, który nieleczony prowadzi do udaru niedokrwiennego mózgu oraz nasila niewydolność serca. W formie napadowej, migotanie przedsionków często sprawia trudność diagnostyczną i je zbyt późno rozpoznawane. Automatyzacja procesu i wyręczenie lekarza możnie mieć piramidalne ważne konsekwencji poprawy diagnostyki pacjentów i redukcji powikłań arytmii.

Opublikowane na łamach Circulation badanie REHEARSE-AF potwierdziło 4-krotnie większą częstość rozpoznania migotania przedsionków w grupie pacjentów stosujących EKG podłączone do smartfona dwa razy w tygodniu.

Przykładem projektu badawczego, który przekształcił się w funkcjonującą i certyfikowaną platformę do diagnostyki EKG jest francuski Cardiologs, który pozwala na automatyczną diagnostykę 10 arytmii, w tym również migotania przedsionków. Badania kliniczne wspierające technologią pokazują 91% dodatnią wartość predykcyjną i 97% czułość w wykrywaniu migotania przedsionków. Podobnie technologia iRhythm, również oparta na algorytmach sztucznej inteligencji, w badaniu walidującym koncepcję rozwiązania, w przypadku 14 z analizowanych 16 typów arytmii okazała się być skuteczniejsza od opisujących zapisy specjalistów kardiologii. Pojawia się zatem pytanie czy sięganie po tego typu rozwiązania to tylko oszczędność czasu lekarzy i redukcja kosztów, czy też może powinniśmy oceniać je również pod kątem bezpieczeństwa opieki medycznej.

Obok sygnału EKG równie atrakcyjną metodą detekcji arytmii jest analiza fali tętna monitorowanej za pośrednictwem pulsometrów umieszczonych w smartwatchach i opaskach monitorujących aktywność fizyczną. Ogłoszone w trakcie 38 konferencji Heart Rythem Society badanie mRhythm Study potwierdziło, że automatyczna analiza fali tętna wykonywana przez Apple Watch pozwala z 97% dokładnością wykryć migotanie przedsionków (ta funkcja nie jest jeszcze standardowo dostępna w oprogramowaniu watchOS). Warto zauważyć, że takie podejście nie wymaga od chorego żadnych dodatkowych czynności, poza założeniem rano zegarka na rękę.

Podsumowując, wprowadzenie technik opartych na metodach sztucznej inteligencji do budowania algorytmów interpretujących zapisy EKG pozwoliły na uzyskanie wyników porównywalnych lub lepszych od tradycyjnego podejścia. Najbliższe 12 miesięcy pokaże na ile szybko wyniki tych badań uda się wprowadzić do praktyki klinicznej, a aplikacje diagnozujące arytmie instalowane będą na telefonach i smartwatchach naszych pacjentów.