En ny AI-model kan opdage akut hjertesvigt på CT-scanninger af brystkassen hos patienter, der indlægges med åndenød. Den klarer sig på niveau med både radiologer og kardiologer og kan på sigt hjælpe læger med at få mere ud af billeder, som mange af patienterne allerede får taget.
Mere end hver tyvende akut indlagte patient på et dansk sygehus har akut hjertesvigt – en sygdom, hvor hurtig behandling kan være afgørende. Problemet er, at symptomerne ofte ligner både lungebetændelse, kronisk obstruktiv lungesygdom og blodpropper i lungerne, selv om behandlingen er en helt anden. Derfor kan diagnosen være vanskelig at stille, netop når tiden er vigtigst.
Nu viser et nyt studie, at kunstig intelligens kan genkende sygdommen i CT-billeder af brystkassen med en AUROC på 0,95. AUROC er et mål for, hvor godt en test kan skelne mellem syge og raske patienter, og 1,0 svarer til en perfekt diagnose.
Det er på niveau med, hvad trænede radiologer kan klare.
“Vi så en oplagt mulighed for at bruge de CT-scanninger, mange af patienterne alligevel får foretaget, mere aktivt som et diagnostisk værktøj. Ved at lade kunstig intelligens analysere billederne kan vi potentielt opdage hjertesvigt tidligere og samtidig hjælpe med at prioritere dem, der har behov for specialiseret hjertediagnostik,” fortæller læge og forsker Kristina Cecilia Miger fra Kardiologisk Afdeling på Bispebjerg og Frederiksberg Hospital.
Forskningen er offentliggjort i European Radiology Experimental.
Sporene på hjertesvigt gemmer sig allerede på scanningen
Nye tal viser, at fem til syv pct. af alle akutte indlæggelser skyldes hjertesvigt, og blandt personer over 65 år er det en af de hyppigste årsager.
Udfordringen er, at åndenød også kan skyldes lungesygdomme eller blodpropper i lungerne. Derfor skal lægerne ofte træffe beslutninger, før billedet er helt klart, selv om hurtig behandling kan være afgørende for patientens forløb.
”Den mest præcise metode er ultralyd af hjertet, men undersøgelsen kræver specialuddannet personale og er ikke altid umiddelbart tilgængelig. Røntgen og ultralyd af lungerne kan bidrage, men kan ikke alene bekræfte eller afkræfte diagnosen sikkert. Det betyder, at nogle patienter enten diagnosticeres for sent eller i første omgang får en anden diagnose,” forklarer Kristina Cecilia Miger.
AI-modellen er trænet til at genkende mønstre på CT-billeder, som typisk ses ved akut hjertesvigt – blandt andet væske i og omkring lungerne, der opstår, når hjertet ikke pumper blodet effektivt nok videre gennem kroppen.
Da modellen blev testet mod både den almindelige radiolograpport, blindede ekspertradiologer og kardiologernes vurdering, lå AUROC mellem 0,91 og 0,96. Det tyder på, at resultaterne ikke afhænger af én bestemt måde at stille diagnosen på.
“Vi havde selvfølgelig håbet på gode resultater, men vi blev positivt overraskede over, hvor robust modellen klarer sig i sammenligning med erfarne kardiologer og radiologer. Det vigtigste for os er ikke kun den høje AUROC, men at den fungerer stabilt hos de patienter, vi møder i klinikken,” siger Kristina Cecilia Miger.
To grænser skal hjælpe med at af- eller bekræfte diagnosen
Studiet arbejder med tre tærskler for AI’ens vurdering, hvor især to kan få klinisk betydning. En tærskel er den grænse, der afgør, hvornår modellen vurderer, at risikoen for hjertesvigt er høj nok til, at lægen bør reagere.
Ved den laveste tærskel finder modellen 97 pct. af patienterne med akut hjertesvigt og overser dermed kun ganske få tilfælde. Derfor kan den især bruges til at udelukke diagnosen.
Ved den højeste tærskel opnår modellen en specificitet på 96 pct, hvilket betyder, at relativt få raske patienter fejlagtigt klassificeres som syge. Derfor kan den hjælpe med at bekræfte diagnosen og prioritere videre udredning og behandling.
“Tanken er, at modellen kan bruges på samme måde som andre diagnostiske tests i akutmedicin. En lav tærskel kan hjælpe med hurtigt at udelukke hjertesvigt hos patienter med lav sandsynlighed, mens en høj tærskel kan pege på dem, hvor diagnosen er meget sandsynlig. Det handler ikke om at erstatte den kliniske vurdering, men om at støtte beslutningerne, særligt om natten, hvor specialiseret radiologisk eller kardiologisk ekspertise ikke altid er umiddelbart tilgængelig,” forklarer Kristina Cecilia Miger.
Kan de skjulte spor bruges i praksis?
Studiet viste også, at patienter, som AI’en klassificerede med akut hjertesvigt, havde mere end dobbelt så høj dødelighed over to års opfølgning. Resultatet tyder på, at modellen i høj grad identificerer de patienter, der generelt er mest alvorligt syge.
Sammenhængen forsvandt dog efter justering for blandt andet alder og køn, hvilket tyder på, at scanningssvaret især overlapper med kendte risikomarkører.
Studiet er udført på ét hospital og inkluderede kun patienter på 50 år eller derover, der blev scannet med lavdosis CT uden kontrast. Forskerne ved derfor endnu ikke, om resultaterne er lige så gode på andre hospitaler eller i andre patientgrupper. Værktøjet skal derfor valideres bredere, før det kan tages i daglig klinisk brug.
“Næste skridt er større multicenter-valideringer og undersøgelser af, hvordan værktøjet påvirker kliniske beslutninger og patientforløb i praksis. Derudover kræver implementering regulatorisk godkendelse og integration i hospitalernes IT-systemer. Hvis resultaterne kan reproduceres i større studier, kan denne type AI-beslutningsstøtte sandsynligvis blive en del af klinisk praksis over de kommende år,” siger Kristina Cecilia Miger.
