Przegląd metod sztucznej inteligencji jako narzędzia diagnostycznego w analizie obrazów 2D z echokardiografii przezklatkowej, w tym ultrasonografii point-of-care u dorosłych pacjentów

Abstract

Cel. Celem niniejszego przeglądu systematycznego była ocena, czy narzędzia sztucznej inteligencji (AI, artificial intelligence ), w tym metody uczenia maszynowego (ML, machine learning ) i głębokiego (DL, deep learning ), mogą skutecznie wspomagać interpretację dwuwymiarowych obrazów echokardiografii przezklatkowej (2D TTE, two-dimensional transthoracic echocardiography ) u dorosłych pacjentów w ostrych stanach kardiologicznych. Kryteria włączenia i wyłączenia. Włączano oryginalne badania, w których zastosowano metody AI do analizy obrazów 2D TTE u dorosłych wymagających pilnej oceny kardiologicznej. Badania musiały porównywać wyniki uzyskane z wykorzystaniem AI z oceną ekspertów lub z innymi metodami referencyjnymi. Wykluczono badania dotyczące populacji pediatrycznych, zwierząt, wyłącznie przezprzełykowej echokardiografii (TEE, transesophageal echocardiography ), obrazowania trójwymiarowego (3D, three-dimensional ) oraz prace pozbawione ilościowych danych oceniających skuteczność AI. Źródła informacji. Przeszukano bazy PubMed i Web of Science (ostatnie wyszukiwanie: grudzień 2023), stosując operatory mlogiczne łączące słowa kluczowe („AI” lub „machine learning” oraz „echocardiography” oraz „shocks”). Po usunięciu duplikatów przeprowadzono selekcję tytułów i streszczeń, a następnie analizę pełnych tekstów. Metody analizy danych. Ze względu na zróżnicowanie algorytmów AI, populacji chorych i punktów końcowych przeprowadzono syntezę jakościową. Tam, gdzie co najmniej dwa badania raportowały porównywalne miary [np. frakcja wyrzutowa lewej komory (LVEF, left ventricular ejection fraction )], wykonano opisowe porównanie wartości diagnostycznych (czułość, swoistość, współczynniki korelacji). Główne wyniki. W 15 włączonych badaniach AI istotnie usprawniła diagnostykę echokardiograficzną w stanach nagłych, osiągając dokładność i powtarzalność porównywalną z oceną ekspertów. Algorytmy skutecznie wspierały ocenę LVEF (korelacja z ekspertami około 0,8–0,9), wykrywanie wysięku osierdziowego (czułość do 89%, swoistość do 92%) oraz automatyczną klasyfikację projekcji echokardiograficznych (dokładność do 96%). Do ograniczeń zaliczono gorszą jakość obrazów uzyskiwanych w warunkach ratunkowych oraz ograniczone, często jednoośrodkowe zbiory danych. Wnioski. Przegląd potwierdza wysoki potencjał AI w ultrasonografii POCUS (point-of-care echocardiography), szczególnie przydatny dla mniej doświadczonych operatorów pracujących pod presją czasu. Konieczne są dalsze badania wielo-ośrodkowe obejmujące zróżnicowane populacje, aby w pełni ocenić wpływ kliniczny tych rozwiązań.

Ähnliche Arbeiten