Алатка со вештачка интелигенција дијагностицира напредна срцева слабост со висока точност

Револуционизирање на дијагнозата на напредната срцева слабост со ВИ

Напредната срцева слабост, исцрпувачка состојба која зафаќа стотици илјади луѓе ширум светот, долго време претставуваше значаен дијагностички предизвик. Пациентите често страдаат од задоцнета дијагноза поради сложената природа и интензивната употреба на ресурси на тековните методи за проценка. Меѓутоа, револуционерното истражување од колаборативен тим од Weill Cornell Medicine, Cornell Tech, Cornell Ann S. Bowers College of Computing and Information Science, Columbia University Vagelos College of Physicians and Surgeons и NewYork-Presbyterian е подготвено да го промени овој пејзаж. Истражувачите успешно развија и тестираа алатка напојувана со вештачка интелигенција (ВИ) која може да идентификува пациенти со напредна срцева слабост со висока точност користејќи рутински податоци од срцев ултразвук и електронски здравствени досиеја (ЕЗ). Овој иновативен пристап ветува дека ќе ја демократизира дијагнозата и значително ќе ја подобри негата на пациентите.

Дијагностичкото тесно грло: Зошто ВИ е критична

Во моментов, дефинитивната дијагноза на напредна срцева слабост во голема мера се потпира на кардиопулмоналниот тест за вежбање (CPET). Иако е ефикасен, CPET е специјализирана процедура која бара скапа опрема и високо обучен персонал, што го прави достапен првенствено само во големите академски медицински центри. Ова создава значително дијагностичко тесно грло, што доведува до тоа околу 200.000 Американци со напредна срцева слабост да бидат недоволно опслужени или недијагностицирани секоја година. Недостатокот на широк пристап до CPET значи дека многу пациенти го пропуштаат прозорецот за навремени интервенции и специјализирана нега.

Новиот метод поддржан со вештачка интелигенција директно се справува со овој проблем преку обезбедување подостапно и скалабилно дијагностичко решение. "Ова отвора ветувачки пат за поефикасна проценка на пациенти со напредна срцева слабост користејќи извори на податоци кои веќе се вградени во рутинската нега," објаснува д-р Феи Ванг, вонреден декан за ВИ и наука за податоци и професор по медицинска информатика на Frances и John L. Loeb на Weill Cornell Medicine, и виш автор на студијата. Со предвидување на максимална потрошувачка на кислород (peak VO2) – најкритична CPET мерка – од лесно достапни ултразвучни слики и податоци од ЕЗ, моделот на ВИ ги заобиколува традиционалните ограничувања, осигурувајќи дека повеќе пациенти можат да бидат идентификувани и да добијат соодветна нега.

Мулти-модален пристап со ВИ за прецизна кардиологија

Извонредната способност на алатката со ВИ произлегува од нејзиниот софистициран мулти-модален систем за машинско учење со повеќе инстанци. Развиен од тимот на д-р Ванг, вклучувајќи ги главните автори д-р Же Хуанг и д-р Вејшен Пан, овој модел може истовремено да обработува неколку различни типови податоци, нудејќи сеопфатен поглед на кардиоваскуларното здравје на пациентот.

Тип на податоци	Опис	Улога во моделот на ВИ
Обичен подвижен ултразвук	Динамички слики кои покажуваат структура и функција на срцето	Визуелни знаци за срцева контрактилност, големини на комори и движење на ѕидовите
Слики од бранови форми	Графички претстави на динамиката на срцевите залистоци и обрасците на протокот на крв	Увиди во аномалии на протокот на крв и функционалноста на залистоците
Електронски здравствени досиеја	Демографски податоци на пациентот, медицинска историја, лабораториски резултати, лекови, итн.	Контекстуални информации за холистички профил на пациентот

Оваа способност за спојување и толкување на различни текови на податоци ѝ овозможува на ВИ да научи сложени обрасци кои укажуваат на напредна срцева слабост, кои би можеле да бидат пропуштени преку изолирана анализа на податоци. Моделот беше ригорозно трениран користејќи деидентификувани податоци од 1.000 пациенти со срцева слабост во NewYork-Presbyterian/Columbia University Irving Medical Center. По обуката, неговата перформанса беше валидирана на нова група од 127 пациенти со срцева слабост од три други кампуси на NewYork-Presbyterian. Резултатите беа убедливи, покажувајќи вкупна точност од приближно 85% во разликувањето на високоризични пациенти. Оваа висока точност сугерира негова потенцијална корисност во реални клинички средини, нудејќи нов бенчмарк за евалуација на ВИ агенти за продукција во медицинската дијагностика.

Ветувачки резултати и колаборативна иновација

Успехот на оваа алатка со ВИ е доказ за моќта на интердисциплинарната соработка, белег на Иницијативата за кардиоваскуларна ВИ, поширок напор од Cornell, Columbia и NewYork-Presbyterian. Д-р Нир Уриел, директор на Одделот за напредна срцева слабост и трансплантација на срце во NewYork-Presbyterian, одигра клучна улога во иницирањето на проектот. "Првично, собравме група од повеќе од 40 специјалисти за срцева слабост и ги замоливме да ни кажат каде мислат дека вештачката интелигенција најдобро може да се примени," раскажа тој. Овој клиничарски пристап осигури дека решението со ВИ директно се справува со критична клиничка потреба.

Д-р Дебора Естрин, вонреден декан за влијание на Cornell Tech, ја нагласи симбиотската врска: "Тесната интеракција помеѓу клиничарите и истражувачите за ВИ на овој проект доведе до развој на нови ВИ техники кои инаку не би биле истражени. Значи, ова беше случај на медицина која ја обликува иднината на ВИ – а не само ВИ која ја обликува иднината на медицината." Овој колаборативен дух, кој ја премостува клиничката експертиза со врвните истражувања за ВИ, беше клучен за развој на робусна и клинички релевантна алатка. Ваквите партнерства се од суштинско значење за унапредување на апликациите на ВИ во чувствителни домени како што е здравствената заштита, каде што приватноста на податоците и етичките размислувања се најважни. Напорите околу приватноста на претпријатието при ракување со медицински податоци постојано еволуираат.

Отворање пат за клиничка интеграција и идно влијание

Ветувачките резултати од оваа студија означуваат значаен чекор кон интегрирање на ВИ во рутинската кардиоваскуларна нега. Истражувачкиот тим веќе планира клинички студии, неопходна фаза за добивање одобрение од Американската управа за храна и лекови (FDA) и последователно широко распространето клиничко прифаќање. Д-р Уриел го нагласи трансформативниот потенцијал: "Ако можеме да го користиме овој пристап за да идентификуваме многу пациенти со напредна срцева слабост кои инаку не би биле идентификувани, тогаш ова ќе ја промени нашата клиничка пракса и значително ќе ги подобри исходите за пациентите и квалитетот на животот."

Оваа алатка со ВИ претставува повеќе од само технолошки напредок; таа е промена на парадигмата во начинот на дијагностицирање на напредната срцева слабост, правејќи ја прецизната медицина подостапна. Со искористување на постоечката инфраструктура (ултразвучни машини) и широко достапните податоци (ЕЗ), моделот ги намалува бариерите за рано откривање, осигурувајќи дека повеќе пациенти добиваат навремени третмани кои спасуваат живот. Успехот на оваа иницијатива несомнено ќе инспирира понатамошно истражување на улогата на ВИ во различни медицински специјалности, на крајот подобрувајќи ја дијагностичката точност и негата на пациентите насекаде.

Оригинален извор

https://news.weill.cornell.edu/news/2026/03/ai-tool-shows-promise-in-diagnosing-advanced-heart-failure

Често поставувани прашања

What is advanced heart failure and why is its diagnosis challenging?

Advanced heart failure is a severe, chronic condition where the heart struggles to pump enough blood to meet the body's needs, significantly impacting quality of life and prognosis. Diagnosing this condition accurately is critically challenging due to its complex nature and the limitations of current standard diagnostic procedures. The gold standard, cardiopulmonary exercise testing (CPET), requires specialized equipment and highly trained personnel, making it accessible only in large, tertiary medical centers. This bottleneck means that a vast number of patients who could benefit from advanced therapies are often overlooked or diagnosed late, delaying crucial interventions and worsening outcomes. The difficulty in early and widespread detection underscores the urgent need for more accessible and efficient diagnostic methods, which this new AI tool aims to provide by simplifying the diagnostic pathway and democratizing access to timely identification of the condition.

How does the new AI tool specifically improve upon existing diagnostic methods like CPET?

The AI tool developed by Weill Cornell Medicine and its partners represents a significant leap forward by overcoming the inherent limitations of CPET. Unlike CPET, which demands specialized facilities and staff, the AI model utilizes readily available cardiac ultrasound images and electronic health records (EHRs)—data sources routinely collected in most clinical settings. By processing these common data types, the AI can predict peak oxygen consumption (peak VO2), the most crucial measure derived from CPET, with high accuracy. This dramatically reduces the need for expensive, time-consuming, and resource-intensive CPETs. The improvement lies in its scalability and accessibility; it transforms a complex diagnostic process into one that can be integrated into routine clinical care, potentially identifying tens of thousands more patients who would otherwise go undiagnosed due to geographical or resource constraints.

What types of data does the AI model leverage for its predictions?

The innovative AI model is a multi-modal, multi-instance machine learning system, designed to synthesize information from diverse clinical data sources for a comprehensive assessment. It specifically processes three distinct categories of data. Firstly, it analyzes ordinary moving ultrasound images of the heart, capturing critical visual information about cardiac structure and function. Secondly, it incorporates related waveform imagery, which displays intricate details of heart valve dynamics and blood flow patterns. Lastly, the model integrates various items found in the patient’s electronic health records (EHRs), including demographic information, medical history, lab results, and other clinical parameters. The ability to combine and interpret these disparate data types allows the AI to develop a holistic understanding of a patient's cardiac health, leading to more accurate predictions.

What was the accuracy of the AI model in predicting peak VO2, and what does this mean clinically?

The AI model achieved a remarkable overall accuracy of roughly 85% in predicting peak VO2, which is a significant indicator for distinguishing high-risk patients with advanced heart failure. This figure was measured using a metric that assesses the probability of a randomly chosen high-risk patient having a higher predicted risk than a randomly chosen lower-risk patient. Clinically, an 85% accuracy suggests that the tool is highly effective and reliable in identifying individuals who require advanced heart failure care. This level of precision means that the AI can act as a powerful screening or supplementary diagnostic tool, helping clinicians more confidently and quickly identify patients who would benefit most from further evaluation or specialized treatments. This promising result paves the way for potential FDA approval and widespread adoption in healthcare.

Which institutions and key individuals collaborated on the development of this AI tool?

This groundbreaking study was the result of a highly collaborative effort involving several leading institutions and prominent experts. Key collaborating entities included Weill Cornell Medicine, Cornell Tech, Cornell Ann S. Bowers College of Computing and Information Science, Columbia University Vagelos College of Physicians and Surgeons, and NewYork-Presbyterian. The study was senior-authored by Dr. Fei Wang, Associate Dean for AI and Data Science at Weill Cornell Medicine. Other pivotal contributors included Dr. Deborah Estrin, Associate Dean for Impact at Cornell Tech, and Dr. Nir Uriel, Director of Advanced Heart Failure and Cardiac Transplantation at NewYork-Presbyterian. The AI team, under Dr. Wang, also included lead authors Dr. Zhe Huang and Dr. Weishen Pan, along with students and faculty from Cornell Bowers, highlighting a robust interdisciplinary approach to medical innovation.

What are the next steps for bringing this AI diagnostic tool into routine clinical practice?

The research team is actively planning the crucial next steps required to transition this promising AI diagnostic tool from a research finding to routine clinical practice. The immediate focus will be on conducting extensive clinical studies. These studies are essential to further validate the model's performance in diverse patient populations and real-world clinical settings, gathering the robust evidence necessary for regulatory approvals. Achieving U.S. Food and Drug Administration (FDA) approval is a critical milestone for widespread adoption. Following approval, efforts will concentrate on integrating the AI tool seamlessly into existing healthcare workflows and electronic health record systems. The ultimate goal is to enable clinicians to easily leverage this technology, ensuring more patients with advanced heart failure are identified and receive appropriate care in a timely manner, transforming current diagnostic paradigms.

How does this research embody the intersection of medicine and AI innovation?

This research project serves as a prime example of how the synergy between medicine and AI innovation can drive transformative advancements in healthcare. It began with clinicians, specifically heart failure specialists, identifying a critical unmet need—the diagnostic bottleneck for advanced heart failure. This clinical challenge then inspired AI experts to develop novel machine learning techniques, demonstrating a unique 'medicine shaping AI' dynamic. The multi-modal AI model, capable of interpreting complex medical images and electronic health records, showcases AI's potential to extract subtle, actionable insights that might elude human analysis or standard tests. This interdisciplinary approach not only addresses a significant clinical problem but also pushes the boundaries of AI research, developing models specifically tailored for the intricacies of medical data and clinical decision-making. It highlights the power of collaborative innovation in solving real-world healthcare issues.

What are the broader implications of this AI tool for patient care and healthcare systems?

The broader implications of this AI diagnostic tool for patient care and healthcare systems are profound. Firstly, it promises to significantly improve patient outcomes and quality of life by enabling earlier and more accurate identification of advanced heart failure. This means patients can receive timely interventions, advanced therapies, or even transplantation referrals, preventing disease progression and reducing mortality. Secondly, it addresses health disparities by making advanced diagnostic capabilities accessible beyond specialized centers, potentially reaching underserved populations. For healthcare systems, the tool could lead to more efficient resource allocation, reducing the burden on CPET facilities and streamlining diagnostic pathways. It also sets a precedent for how AI can be integrated into routine care to augment clinical decision-making, offering a scalable solution to complex medical challenges and enhancing the overall precision and accessibility of cardiovascular medicine.

Бидете информирани

Добивајте ги најновите AI вести на е-пошта.

Сподели