Уважаемый редактор,
Искусственный интеллект (ИИ) в значительной степени трансформировал гемодинамический мониторинг и сохраняет потенциал для дальнейшего прогресса в будущем. ИИ предлагает новые методы мониторинга за пределами классического анализа давления и формы волны, внедряя расширенный анализ изображений и интенсивное изучение форм волны. В этом письме мы рассматриваем современное влияние ИИ и его влияние в будущем на различные области гемодинамического мониторинга.
Оптимизация современного гемодинамического мониторинга
Различные клинические условия требует различающихся стратегий мониторинга. В педиатрической и неонатальной интенсивной терапии предпочтение отдается не инвазивному мониторингу у пациентов без шока. Основанное на ИИ тепловизионное изображение (thermal imaging) может прогнозировать шок, что позволяет применять инвазивный мониторинг только при необходимости, тем самым улучшая использование ресурсов и снижая неблагоприятные последствия [1].
ИИ также может помочь в совершенствовании существующих устройств для мониторинга, включая устройства с электрокардиограммами (ЭКГ). Глубокие нейронные сети (Deep neural networks), анализируя ЭКГ из одного отведения, могут выявить повышение давления в левом предсердии и определить фракцию изгнания левого желудочка [2]. Касаемо инвазивного мониторинга, то ведомый ИИ анализ пульсового контура может извлекать ударный объем из артериальной волны, превосходя традиционные методы [3].
Далее, ИИ имеет потенциал в решении таких сложных задач, когда нормальное артериальное давление скрывает сниженние сердечно-сосудистого резерва. Машины опорных векторов, обученные на данных об артериальном давлении, оксигенации головного мозга по данным спектроскопии в ближнем инфракрасном диапазоне (near-infrared spectroscopy [NIRS]) и скорости церебрального кровотока по данным транскраниального допплера (transcranial Doppler [TCD]), показали многообещающие результаты в прогнозировании гиповолемии с очень высокой специфичностью [4]. И несмотря на то, что это все еще не стало стандартом оказания медицинской помощи в связи со сложностью, ИИ может превратить такие технологии в клинически доступные и независимые от пользователя.
Прогнозирование ухудшения гемодинамики
Отделение интенсивной терапии (ОИТ) можно рассматривать как среду, богатую данными, особенно это касается гемодинамического мониторинга, что делает ОИТ идеальным местом для внедрения ИИ. Такие алгоритмы, как прогнозный индекс гипотензии (Hypotension Prediction Index [HPI]), могут предсказать гипотензию до того момента, как она произойдет путем анализа формы артериальной волны, которая достаточно долго остается стабильной, благодаря компенсаторным механизмам [5]. Применение ИИ с HPI в рандомизированных исследованиях показало значительное снижение эпизодов гипотензии в отделении интенсивной терапии [15]. Но эти исследования также показывают, что для того, чтобы оказать влияние на существующую клиническую практику необходимы изменения в поведении и соблюдение алгоритмов, ведомых искусственным интеллектом [6].
Классификация или характеризация состояний гемодинамики
ИИ помогает классифицировать пациентов и их состояния, такие как фибрилляцию и синусовый ритм [7]. Модели ИИ могут даже прогнозировать начало аритмии, выстилая дорогу для превентивных вмешательств. Стеноз аортального клапана (Aortic valve stenosis [AoS]) — другое состояние, при котором явна видна польза от классификации с помощью ИИ. Как правило, диагноз AoS ставится на основании данных трансторакальной эхокардиографии (ТТЕ), но модели ИИ, используя формы волны артериального давления, могут неинвазивно выявлять данную патологию с многообещающей точностью [8, 9]. Этот подход может снизить рутинное применение ТТЕ и расширить стратегии скрининга патологий и других клапанов сердца, а не только аортального клапана.
ИИ также применялся и для классификации типов шока и эндотипов гипотензии. К примеру, иерархический кластеринг выявил шесть эндотипов интраоперационной гипотензии, предоставляя ценную информацию для индивидуализации терапевтических подходов [10].
Поддержка терапии
ИИ модели предлагают поддержку в реальном времени в процессах принятия решения. К примеру, индекс стабильности гемодинамики (Hemodynamic Stability Index [HSI]) предсказывает нестабильность у критически больных пациентов путем анализа данных ОИТ, при этом AUC составляет 0.82, а специфичность достигает 92% [11]. Способность HSI определять доверительные интервалы и важные характеристики делает его подходящим инструментом в медицине критических состояний.
ИИ также поддерживает специфические виды терапии, к примеру терапию болюсами жидкости. Модели машинного обучения рандомного леса анализируют формы волны артериального давления и прогнозируют реакцию на ведение жидкости с очень большой точностью, превосходя в этом традиционные методы, такие как вариации пульсового давления [12]. Это позволяет индивидуализировать менеджмент жидкости, что имеет потенциал в улучшении исходов у критически больных пациентов
Совершенствование рабочих процессов
Ложные срабатывания тревоги на аритмию вызывают в ОИТ ненужный шум и усталость от постоянных тревог, что влияет на уход за пациентом. Структуры глубокого обучения на основе ИИ, такие как сверточные нейронные сети (convolutional neural networks [CNNs]), улучшают выявление ложных тревог, достигая 86% точности и 96% реальных тревог [13]. Системы замкнутого цикла (Closed-loop systems), что уже используются в аппаратах искусственной вентиляции легких, были изучены для применения в гемодинамическом мониторинге и для автоматической корректировки режимов дозирования лекарственных препаратов. Эти системы также оптимизируют механическую поддержку при сердечно-легочной реанимации путем предоставления обратной связи в реальном времени по специфическим целям гемодинамики, что улучшает исходы [14].
Взгляд в будущее
ИИ реформирует гемодинамический мониторинг и, возможно, в скором времени позволит персонализировать лечение на основании выявленных фенотипов и эндотипов. С другой стороны, остается большая и нерешенная задача: клиническое одобрение (валидация). Несмотря на то, что многие модели ИИ показали технический успех, в совсем немногих рандомизированных контролируемых исследованиях (РКИ) были показаны улучшение исходов пациентов или более высокая эффективность оказания медицинской помощи. Регуляторные органы в настоящий момент оценивают, действительно ли модели ИИ эффективны, как это заявляется, но это не гарантирует клинической эффективности. Более того, на сегодня не имеется руководящих принципов, в которых описывается, насколько часто модели ИИ должны подвергаться обновлениями или повторной сертификации для обретения уверенности в том, что они сохраняют свою стабильность и надежность в постоянно изменяющихся клинических условиях.
Резюме — при том, что ИИ таит в себе огромные перспективы в трансформации гемодинамического мониторинга, успешная его интеграция в клиническую практику требует тщательной валидации, регулярных обновлений для сохранения стабильности и надежности, внедрения в существующую инфраструктуру здравоохранения и приобретения уверенности в том, что системы ИИ послужат целям улучшения клинических исходов у пациентов.
References
- Abbas A, Decoopman E, Laporte R et al (2019) Noninvasive monitoring and prediction of central blood volume variation during head-up tilt test in healthy subjects using skin surface temperature. J Appl Physiol (1985) 126(1):31–38
- Attia ZI, Friedman PA, Noseworthy PA, et al (2023) Age and sex estimation using artificial intelligence from standard 12-lead ECGs. Circ Arrhythm Electrophysiol. 16(8).
- Harrois A, Legrand M, Sakka SG et al (2019) Stroke volume estimation using arterial pulse contour analysis: a comparison between the FloTrac/Vigileo and PiCCO systems. Crit Care 23(1):261
- Pinsky MR, Brochard L, Antonelli M et al (2022) Predicting fluid respon-siveness in intensive care unit patients using various physiological parameters: an exploration of AI-based approaches. J Crit Care 64:77–85
- Wijnberge M, Geerts BF, Hol L et al (2020) Effect of a machine learning-derived early warning system for intraoperative hypotension vs standard care on depth and duration of intraoperative hypotension during elective noncardiac surgery: a randomized clinical trial. JAMA 323(11):1052–1060
- Maheshwari K, Khanna AK, Kapoor N et al (2020) A randomized trial of a machine-learning algorithm for the reduction of intraoperative hypoten-sion. Anesthesiology 132(5):953–961
- Attia ZI, Kapa S, Lopez-Jimenez F et al (2021) Artificial intelligence-ena-bled electrocardiography for identification of patients with low ejection fraction: a pragmatic study. Nat Med 27(1):49–58
- Hong Y, Choi H, Choi JW et al (2023) Prediction of aortic valve stenosis from blood pressure waveform using deep learning: a retrospective observational study. Eur Heart J Digit Health 4(1):54–63
- Kho E, Schenk J, Vlaar APJ et al (2024) Detecting aortic valve stenosis based on the non-invasive blood pressure waveform-a proof of concept study. Geroscience 46(6):5955–5965
- Sieber FE, Pauldine R, Shore-Lesserson L et al (2023) Novel insights into the mechanisms of intraoperative hypotension: clinical implications. Br J Anaesth 131(2):312–321
- Finney SJ, Taylor BL, Griffith DM et al (2022) AI-driven hemodynamic monitoring and its integration into clinical decision-making in intensive care: challenges and opportunities. Intensiv Care Med 48(11):1630–1638
- Trepte CJ, Eichhorn V, Haas SA et al (2024) Hemodynamic effects of fluid challenge in critically ill patients: analysis of noninvasive methods using AI tools. J Clin Monit Comput 38(1):141–150
- Sayadi O, Alkhoder A, Pueyo E, et al (2022) Novel deep learning models for arrhythmia detection in intensive care: validation and clinical integra-tion. Am J Physiol Heart Circ Physiol. 322(4)
- Mokra D, Matas I, Javorka M et al (2021) Use of closed-loop systems in mechanical ventilation: a review of developments and potential in hemo-dynamic monitoring. Expert Rev Med Devices 18(7):645–655
- Schuurmans J, Rellum S, Schenk J et al (2024) Effect of a machine learning-derived early warning tool with treatment protocol on hypoten-sion during cardiac surgery and intensive care unit stay. In press. https:// doi. org/ 10. 1097/ CCM. 00000 00000 006518
Источник: https://doi.org/10.1007/s00134-024-07752-6
Наш сайт работает без рекламы, и мы рады, что вы с нами! Для поддержки проекта и его развития сканируйте QR-код ниже!
