Uczenie wieloinstancyjne multimodalne do przewidywania wydolności podczas kardiopulmonalnych testów wysiłkowych

Dlaczego to ma znaczenie dla osób z osłabionym sercem

Dla osób żyjących z niewydolnością serca jedno z najważniejszych pytań brzmi: „Ile mi pozostało czasu i co lekarze jeszcze mogą dla mnie zrobić?” Najlepszym testem medycznym, który dziś daje odpowiedź na to pytanie, jest wymagające badanie na bieżni lub rowerze mierzące, ile tlenu organizm potrafi wykorzystać podczas intensywnego wysiłku. Ten test jest jednak trudny do przeprowadzenia i nie jest dostępny w wielu szpitalach. Badanie pokazuje, że lekarze mogą zamiast tego wykorzystać standardowe badania ultrasonograficzne serca i informacje już zawarte w dokumentacji medycznej, połączone z nowoczesną sztuczną inteligencją, aby oszacować tę samą kluczową wartość i wyłapać pacjentów, którzy mogą potrzebować ratujących życie zaawansowanych terapii.

Trudność w wczesnym wykrywaniu zagrożenia

Niewydolność serca dotyka miliony Amerykanów i często odbiera ponad dekadę życia. W najcięższych stadiach przeżycie może być gorsze niż przy wielu nowotworach, mimo że tylko niewielka część pacjentów otrzymuje na czas leczenie takie jak przeszczep serca czy mechaniczne pompy. Kluczowym narzędziem do decyzji o skierowaniu na takie terapie jest kardiopulmonalny test wysiłkowy, który mierzy „peak VO₂” — maksymalną ilość tlenu, jaką organizm może wykorzystać podczas wysiłku. Niski peak VO₂ to silny sygnał ostrzegawczy, ale test wymaga specjalistycznego sprzętu, przeszkolonego personelu i przestrzeni, więc wiele ośrodków — zwłaszcza mniejszych lub wiejskich szpitali — nie może go zaoferować. W przeciwieństwie do tego standardowe badania ultrasonograficzne serca (transthoracic echocardiography, TTE) oraz elektroniczna dokumentacja medyczna (EHR) są szeroko dostępne, lecz same w sobie nie radziły sobie dobrze z przewidywaniem, kto znajduje się w najwyższym ryzyku.

Nauczanie komputerów łączenia wyników z różnych badań

Badacze zbudowali nowy system sztucznej inteligencji, który uczy się z dwóch głównych źródeł informacji: ruchomych obrazów ultradźwiękowych serca oraz szczegółowych danych z EHR, takich jak wiek, waga, przyjmowane leki i standardowe pomiary serca. Każde badanie ultrasonograficzne zawiera wiele klipów i specjalnych projekcji, więc zamiast traktować każde zdjęcie oddzielnie, model przegląda je wszystkie razem, bardziej jak lekarz. Stosuje strategię „wieloinstancyjną”: najpierw zamienia każdy obraz lub klip w skondensowany opis, a następnie łączy je mechanizmem uwagi, który pozwala modelowi skupić się na najbardziej informatywnych fragmentach. Równolegle wyspecjalizowana sieć neuronowa, wytrenowana na wielu rodzajach tabelarycznych danych medycznych, przekształca informacje z EHR w własne streszczenie. Ostateczny etap fuzji łączy streszczenia z ultrasonografii i EHR w jeden obraz pacjenta, na podstawie którego system przewiduje peak VO₂ oraz ocenia, czy osoba znajduje się poniżej krytycznego progu bezpieczeństwa.

Jak dobrze działa system

Zespół trenował i testował swoje podejście na danych z czterech dużych szpitali w sieci New York–Presbyterian, używając 1 000 pacjentów do rozwoju modelu oraz 127 pacjentów z oddzielnych placówek do walidacji zewnętrznej. W porównaniu do wcześniejszego, prostszego modelu AI, który analizował ultrasonografię i EHR bardziej niezależnie, nowa architektura okazała się wyraźnie dokładniejsza. Wyjaśniała około 60% zmienności peak VO₂ w głównej grupie testowej, wobec około 53% wcześniej, a typowy błąd zmniejszył się o mniej więcej połowę ekwiwalentu metabolicznego zadania — co jest klinicznie istotną poprawą. Gdy celem było jedynie identyfikowanie pacjentów wysokiego ryzyka — tych o szczególnie niskiej wydolności wysiłkowej — system osiągnął pole pod krzywą ROC równe 0,85 w grupie rozwojowej i 0,87 w szpitalach zewnętrznych, przewyższając wszystkie modele korzystające wyłącznie z ultrasonografii lub tylko z danych EHR. W praktyce, przy ustalonym, klinicznie rozsądnym kompromisie między pominiętymi przypadkami a fałszywymi alarmami, więcej rzeczywiście wysokiego ryzyka pacjentów zostało poprawnie oznaczonych.

Wgląd w „czarną skrzynkę”

Aby sprawdzić, czy model skupia się na sensownych cechach, autorzy stworzyli mapy wizualne nakładane na obrazy ultrasonograficzne pokazujące, które obszary najbardziej wpływały na przewidywania. Mapy miały tendencję do podkreślania jam serca, ich ruchu oraz przebiegów przepływu krwi — cech, na których kardiolodzy już polegają — co sugeruje, że system uczy się istotnych wzorców, a nie szumu. W danych EHR jako szczególnie ważne wyłoniły się miary takie jak wiek, wskaźnik masy ciała i siła wyrzutu lewej komory, ponownie zgodne z oczekiwaniami klinicznymi. Badacze sprawdzili też, jak model działa w różnych podgrupach. Wydajność była podobna dla mężczyzn i kobiet oraz dla pacjentów białych i niebiałych przy przewidywaniu dokładnej wartości peak VO₂, choć pojawiły się pewne luki u osób starszych i w klasyfikacji wysokiego ryzyka w zależności od rasy, co podkreśla potrzebę bardziej zróżnicowanych danych i dopracowania z uwzględnieniem sprawiedliwości.

Od badań do opieki przy łóżku pacjenta

Ponieważ system wykorzystuje informacje już zbierane w rutynowej opiece — standardowe echokardiogramy i istniejące dane z EHR — w zasadzie mógłby zostać osadzony bezpośrednio w oprogramowaniu szpitalnym. Po odczytaniu badania AI mogłaby dyskretnie oszacować peak VO₂ i wyróżnić pacjentów, których przewidywana wydolność wysiłkowa jest niebezpiecznie niska, skłaniając lekarzy do zlecenia formalnych testów wysiłkowych lub skierowania do specjalistów od zaawansowanej niewydolności serca. Wyniki badania, w tym silna wydajność w szpitalach niewykorzystanych w treningu, sugerują, że takie narzędzie mogłoby pomóc wychwycić więcej zagrożonych pacjentów, którzy w innym wypadku mogliby zostać przeoczeni. Choć nadal potrzebne są prospektywne próby i szersze testy, praca ta wskazuje na przyszłość, w której potężne, ale rzadkie testy są uzupełniane przez systemy AI, które lepiej wykorzystują dane, jakie większość szpitali już posiada.

Cytowanie: Huang, Z., Pan, W., Alishetti, S. et al. Multimodal multi-instance learning for cardiopulmonary exercise testing performance prediction. npj Digit. Med. 9, 304 (2026). https://doi.org/10.1038/s41746-026-02493-w

Słowa kluczowe: niewydolność serca, kardiopulmonalny test wysiłkowy, echokardiografia, sztuczna inteligencja, prognozowanie ryzyka