Czy da się przewidzieć zawał serca?

Choć powyższe pytanie może brzmieć jak wyjęte z podręcznika filozofii, to pod cienką warstwą poetyki kryje się w nim brutalna codzienność. Serce pracuje nieprzerwanie od chwili poczęcia, a w ciągu jednego dnia wykonuje około 100 tys. uderzeń, przepompowując krew przez sieć naczyń o długości ponad 100 tys. kilometrów. I przez dekady, nieprzerwanie, bez protestu, spełnia swoją funkcję. Aż nagle – przestaje.

Ta cisza bywa niespodziewana jak awaria na autostradzie w środku nocy. Nie poprzedza jej sygnał alarmowy, nie zawsze daje znać, że nadchodzi. I to właśnie sprawia, że zawał serca jest jednym z najbardziej nieuchwytnych zabójców współczesności – atakuje znienacka, często pozornie zdrowych ludzi, pozostawiając rodzinę, lekarzy i samego pacjenta bez szans na reakcję.

Przez dekady medycyna próbowała znaleźć sposób, by przewidywać te incydenty. Wywiady rodzinne, skale ryzyka, markery zapalne, rezonanse i tomografie – wszystko to pomogło w lepszym zrozumieniu przyczyn, ale nie w przewidywaniu konkretnego momentu.

I właśnie w tym miejscu do gry wkracza zupełnie nowy gracz: sztuczna inteligencja (SI). Narzędzie, które zamiast linearnie analizować pojedyncze zmienne, wchłania setki tysięcy danych i wypluwa prognozę – coraz częściej trafną.

Czy algorytmy uczące się mogą przewidzieć, kiedy serce przestanie bić?

Globalna pandemia, o której mówi się za mało

Według danych Światowej Organizacji Zdrowia (WHO), choroby układu sercowo-naczyniowego (CVD – Cardiovascular Disease) odpowiadają za niemal jedną trzecią wszystkich zgonów na świecie, a to ok. 17,9 miliona ludzi rocznie. Spośród nich aż cztery na pięć zgonów spowodowane są zawałem serca lub udarem mózgu, a jedna trzecia tych zgonów dotyczy osób poniżej 70. roku życia.

W Polsce sytuacja nie wygląda lepiej – choroby układu sercowo-naczyniowego są najczęstszą przyczyną śmierci, wyprzedzając nowotwory i choroby płuc. Według danych z 2023 roku odpowiadają one za około 37 proc. wszystkich zgonów w naszym kraju.

Niewydolność serca jest szczególnie niebezpieczna, powodując około 150 tys. zgonów rocznie, co stanowi liczbę ponad dwukrotnie wyższą niż w przypadku zawałów serca.

Współczesna medycyna zna większość czynników ryzyka prowadzących do chorób serca. Nadciśnienie tętnicze, cukrzyca, otyłość, siedzący tryb życia, palenie tytoniu, dieta bogata w tłuszcze nasycone, przewlekły stres, brak snu. Do tego dochodzą uwarunkowania genetyczne, wiek, płeć.

Ale nawet przy tej wiedzy lekarze wciąż zmagają się z fundamentalnym problemem: brakiem indywidualnej predykcji. Można powiedzieć pacjentowi, że ma „zwiększone ryzyko” – ale to wciąż znaczy: może dostaniesz zawału za pięć lat, może za dwadzieścia, a może nigdy.

Właśnie dlatego

Nie tylko u ludzi starszych – coraz częściej dotyczy osób w średnim wieku, aktywnych zawodowo, pozornie zdrowych. Niektórzy nie mają nigdy postawionej diagnozy nadciśnienia, nie biorą leków, nigdy nie byli pod opieką kardiologiczną. To przewrotne, ale zawał może być pierwszym i ostatnim objawem choroby serca.

To także tragedia społeczna.

Szacuje się, że w Polsce rocznie z powodu nagłych incydentów sercowych tracimy ponad 100 tys. lat życia skorygowanych o jakość (QALY). To nie tylko koszty emocjonalne – to też miliardy złotych rocznie obciążające system opieki zdrowotnej i rynek pracy.

Choroby serca są jedną z głównych przyczyn niezdolności do pracy i długoterminowej absencji zawodowej. A przecież wiele z tych przypadków mogłoby zostać wykrytych wcześniej. Jednak „wcześniej” wymaga narzędzi, które widzą więcej niż człowiek; które są w stanie analizować nie jeden czynnik, ale tysiące parametrów równocześnie. I właśnie tutaj na scenę wchodzi sztuczna inteligencja.

Gdy algorytm widzi więcej niż lekarz

Jednym z pionierskich projektów, który zapoczątkował rewolucję w wykorzystaniu sztucznej inteligencji w kardiologii, była praca zespołu z Mount Sinai Health System w Nowym Jorku. W 2019 roku badacze kierowani przez dr Ziada Attię opracowali algorytm SI, który potrafi wykryć oznaki niewydolności serca na podstawie zaledwie 15-sekundowego zapisu EKG – i to takiego, który dla lekarzy wyglądał jak całkowicie prawidłowy. Swoje wyniki opublikowali na łamach Nature Medicine, co od razu wywołało dyskusję o granicach ludzkiej percepcji w diagnostyce.

Algorytm został przeszkolony na bazie ponad 600 tys. elektrokardiogramów, powiązanych z wynikami echokardiografii, czyli obrazowego badania pozwalającego ocenić frakcję wyrzutową lewej komory serca (LVEF). To właśnie obniżenie LVEF poniżej 40 proc. uznaje się za klasyczny objaw niewydolności serca – choroby przewlekłej, która może latami rozwijać się bezobjawowo.

Program SI był w stanie rozpoznać wzorce związane z początkiem tego procesu, nawet jeśli rytm serca mieścił się w normach fizjologicznych. Dla ludzkiego oka – nic szczególnego. Dla algorytmu dysponującego ogromnym materiałem porównawczym – sygnał ostrzegawczy.

To był pierwszy przypadek, w którym sztuczna inteligencja „dostrzegła” coś, czego lekarz nie byłby w stanie wychwycić. System nie tylko przewidywał obecność niewydolności serca, ale również klasyfikował pacjentów jako wymagających dalszej diagnostyki lub pilnego leczenia. Co ważne, skuteczność modelu potwierdzono w zewnętrznych walidacjach, również w populacjach, które nie były częścią pierwotnego zbioru wykorzystanego do treningu algorytmu SI – co w świecie uczenia maszynowego jest rzadkością i dowodem solidności metodologicznej.

Od tamtej pory technologia ta została przetestowana i wdrożona w ponad 20 ośrodkach medycznych w USA i Europie. Co więcej, podobne algorytmy zaczęto integrować z mobilnymi urządzeniami do rejestracji EKG, co otworzyło drogę do masowej prewencji – również poza gabinetem lekarskim. Oznacza to, że pacjent, który rejestruje swoje EKG w domu, może otrzymać sygnał o ukrytej niewydolności serca na długo przed wystąpieniem pierwszych objawów.

Zobaczyć „cichą miażdżycę"

W jednym z najbardziej zaawansowanych ośrodków medycznych świata – Mayo Clinic w Rochester – zespół badaczy poszedł o krok dalej, integrując program sztucznej inteligencji z szerokim zbiorem danych klinicznych w celu prognozowania ryzyka zawału serca.

Nie chodziło już tylko o analizę sygnału EKG, ale o stworzenie systemu, który łączy dane z różnych źródeł: zapisy elektrokardiograficzne, wyniki badań laboratoryjnych (w tym wskaźniki zapalne, takie jak białko C-reaktywne), ciśnienie tętnicze, wiek, BMI, historię chorób przewlekłych, a nawet dane demograficzne i styl życia.

Efektem była wielowymiarowa platforma predykcyjna, zdolna do identyfikowania pacjentów z ukrytym ryzykiem incydentu sercowego – często, zanim cokolwiek zaczęło wskazywać na zagrożenie.

Największym osiągnięciem tego systemu było to, że potrafił wykrywać przypadki tzw. cichej miażdżycy – postaci choroby niedokrwiennej serca, która rozwija się bezobjawowo przez lata. W typowych warunkach pacjent z takim stanem trafia do szpitala dopiero po wystąpieniu zawału. Algorytm zaprojektowany przez zespół Mayo Clinic potrafił wyłapać subtelne oznaki ryzyka zawału z wyprzedzeniem sięgającym nawet 6-12 miesięcy, co dawało lekarzom szansę na wprowadzenie wczesnej interwencji: zmianę leków, skierowanie na koronarografię, a czasem – na operację ratującą życie.

Model oparty był na uczeniu głębokim (deep learning), przetwarzającym dane ponad 100 tys. pacjentów. Jednym z najbardziej przełomowych aspektów była zdolność do samodzielnego wykrywania nieoczywistych zależności między parametrami, które dotąd nie były klinicznie powiązane. Na przykład: pewna kombinacja poziomu hemoglobiny glikowanej, tętna spoczynkowego i zmienności rytmu zatokowego mogła – według programu SI – oznaczać dwukrotnie wyższe ryzyko incydentu wieńcowego w ciągu nadchodzących 3 miesięcy. Lekarze wcześniej nie traktowali takiego zestawu jako szczególnie alarmującego.

System SI Mayo Clinic przeszedł walidację w różnych populacjach pacjentów i obecnie jest wykorzystywany pilotażowo w kilku amerykańskich stanach, również jako narzędzie integrujące się z platformami telemedycznymi. W praktyce oznacza to, że pacjenci mogą być klasyfikowani pod względem ryzyka bez potrzeby każdorazowego pojawiania się w klinice. Otwiera to drzwi do scenariusza zdalnej prewencji chorób serca, opartej na danych i dynamicznie reagującej na zmiany w stanie zdrowia.

Pięć lat do zawału serca

W Cedars-Sinai Medical Center w Los Angeles, jednym z najbardziej innowacyjnych ośrodków badawczych w dziedzinie kardiologii, zespół pod kierunkiem dr Damini Dey opracowała przełomowy model sztucznej inteligencji, który przetwarza obrazy tomografii komputerowej z angiografią (CTA) z niezwykłą precyzją i głębokością analizy.

Kluczową różnicą w stosunku do dotychczasowych systemów było to, że algorytm nie ograniczał się do identyfikacji zwężeń tętnic wieńcowych czy obecności blaszek miażdżycowych, lecz analizował także ich mikrostrukturę, skład i lokalizację w obrębie naczynia. Oceniał także gęstość wapniową, charakter nacieku lipidowego i potencjalną podatność blaszki na pęknięcie.

To właśnie niestabilne, bogate w lipidy blaszki miażdżycowe, które nie muszą nawet powodować zwężenia światła naczynia, są najbardziej niebezpieczne, bo mogą w każdej chwili pęknąć i wywołać gwałtowne zamknięcie tętnicy. Tradycyjna diagnostyka często je pomija, skupiając się na stopniu zwężenia. Tymczasem algorytm SI z Cedars-Sinai potrafił na podstawie subtelnych różnic w obrazie tomograficznym wskazać, które zmiany w naczyniach najprawdopodobniej doprowadzą do zawału w ciągu 5 lat.

Badanie opublikowane w Journal of the American College of Cardiology w 2020 roku objęło ponad 1600 pacjentów, którzy przeszli CTA i byli obserwowani przez 5 lat. Algorytm oparty na uczeniu głębokim analizował dane obrazowe i był w stanie przewidzieć ryzyko incydentu sercowego – takiego jak zawał lub niestabilna dławica piersiowa – z dokładnością ponad 90 proc. To znacząco przewyższało skuteczność klasycznych metod oceny, w tym skali CAC (calcium score) czy klasyfikacji wizualnej.

Co więcej, model Cedars-Sinai został przystosowany do działania w czasie rzeczywistym i może być wykorzystywany w standardowych skanerach tomograficznych – co oznacza, że nie wymaga kosztownej aparatury ani skomplikowanych procedur wdrożeniowych. Jego potencjał jest ogromny, szczególnie w kontekście prewencji wtórnej: czyli u pacjentów, którzy przeszli już incydent wieńcowy i są szczególnie narażeni na powtórkę.

Obecnie system jest testowany w ramach klinicznego pilotażu w wybranych placówkach kardiologicznych w Stanach Zjednoczonych, a jego twórcy pracują nad rozszerzeniem działania na inne badania obrazowe – w tym rezonans serca i echokardiografię 3D.

Algorytm diagnozuje, lekarz decyduje

Entuzjazm wokół stosowania sztucznej inteligencji w kardiologii jest w pełni uzasadniony. Algorytmy potrafią analizować dane szybciej, dokładniej i bardziej kompleksowo niż człowiek. Ale każda rewolucja technologiczna niesie ze sobą także pytania. I niektóre z nich są bardziej fundamentalne, niż mogłoby się wydawać.

Pierwszy i najbardziej oczywisty problem to zaufanie do czarnej skrzynki.

Wiele modeli SI – zwłaszcza te oparte na deep learningu – generuje odpowiedzi, których nawet ich twórcy nie są w stanie w pełni zinterpretować. Lekarz dostaje wynik: „wysokie ryzyko zawału w ciągu najbliższych 6 miesięcy". Ale nie wie, które konkretnie dane doprowadziły do takiej konkluzji. W sytuacji, gdy chodzi o decyzje kliniczne – w tym rozpoczęcie leczenia, skierowanie na inwazyjną diagnostykę czy wręcz operację – brak możliwości uzasadnienia może stać się barierą nie do przejścia.

Druga kwestia to jakość danych, na których algorytmy są trenowane. Często bywają one nierówne, zniekształcone przez czynniki społeczne, niepełne, a czasem po prostu błędne. Jeżeli model uczy się głównie na danych od pacjentów z określonego regionu, płci, grupy wiekowej czy etnicznej – jego skuteczność w innych populacjach może dramatycznie spadać. To rodzi pytania o równość dostępu do skutecznej diagnostyki, a także o powielanie systemowych uprzedzeń.

Wreszcie – czy człowiek powinien być informowany o tym, że sztuczna inteligencja przewiduje u niego zawał w najbliższych tygodniach? Czy taka informacja nie stanie się dla niektórych wyrokiem, wywołującym panikę, depresję, a nawet reakcje psychosomatyczne?

A jeśli prognoza okaże się błędna – kto weźmie za to odpowiedzialność?

Zmuszają nas do zadawania pytań o granice odpowiedzialności, o sposób komunikacji lekarza z pacjentem, o to, co w medycynie znaczy „pewność„, a czym jest „intuicja”.

Zawał serca to nie jest przypadkowe zdarzenie. To kulminacja procesów, które trwają latami – tylko że często pozostają niewidoczne aż do ostatniego momentu. Obecnie po raz pierwszy w historii medycyny, mamy narzędzia, które potrafią te procesy nazwać, opisać i zinterpretować – z wyprzedzeniem.

Być może do świata, w którym zawały serca w ogóle nie występują, bo jesteśmy w stanie je ze 100-procentową pewnością przewidywać, nam daleko. Ale jeśli choć część z nich przestanie być zaskoczeniem – jeśli przekształcimy ciszę przed burzą w alarm, który da nam czas na reakcję, to już będzie zwycięstwo. Nie maszyny nad człowiekiem, ale człowieka nad własną ślepotą wobec sygnałów ciała.