केन्यामध्ये हृदय अपयशाच्या सुरुवातीच्या धोक्याची ओळख पटवण्यासाठी AI-वर्धित ECG स्क्रीनिंग आशादायक ठरली आहे

कमी खर्चाची चाचणी लवकर हृदयविषयक स्क्रीनिंगचा आवाका वाढवू शकते

UT Southwestern Medical Center मधील संशोधकांच्या नेतृत्वाखाली केलेल्या एका अभ्यासातून असे सूचित होते की कृत्रिम बुद्धिमत्ता वैद्यकातील सर्वात सोप्या हृदय चाचण्यांपैकी एकाला, प्रगत इमेजिंग मिळणे कठीण असलेल्या ठिकाणी, अधिक उपयुक्त बनवू शकते. JAMA Cardiology मध्ये प्रकाशित झालेल्या या कामात, नियमित इलेक्ट्रोकार्डिओग्राम्स, म्हणजेच ECGs, वर लागू केलेल्या AI प्रणालीने केनियातील रुग्णांमध्ये left ventricular systolic dysfunction अचूकपणे स्क्रीन केले, जे हृदय अपयशाचे एक प्रमुख पूर्वसूचक आहे.

हे निष्कर्ष महत्त्वाचे आहेत कारण ECG हे इकोकार्डिओग्रामच्या तुलनेत तुलनेने स्वस्त आणि व्यापकपणे उपलब्ध असतात, तर इकोकार्डिओग्रामला अशा प्रकारच्या अंतर्निहित हृदय दुर्बलतेची ओळख पटवण्यासाठी gold standard मानले जाते. अनेक कमी-संसाधन असलेल्या आरोग्य व्यवस्थांमध्ये उपकरणांचा खर्च, पायाभूत सुविधा आणि तज्ज्ञांची उपलब्धता यामुळे इकोकार्डिओग्राफीपर्यंत पोहोच मर्यादित राहते. त्यामुळे अनेक रुग्णांचे निदान हृदय अपयश अधिक प्रगत आणि उपचारास कठीण होईपर्यंत होत नाही.

नवीन निष्कर्ष एक व्यावहारिक पर्याय सूचित करतात: सर्वत्र उपलब्ध असलेली चाचणी वापरा, आणि मग AI विश्लेषण जोडून कोणत्या रुग्णांना पुढील काळजीची सर्वाधिक गरज असेल हे ओळखा. जर हे मोठ्या प्रमाणावर पडताळले आणि तैनात केले गेले, तर तो दृष्टिकोन निदान लवकर टप्प्यावर आणण्यास मदत करू शकतो, जेव्हा हस्तक्षेप अधिक प्रभावी असू शकतो.

उप-सहारा आफ्रिकेत हा अभ्यास महत्त्वाचा का आहे

हृदय अपयश जागतिक स्तरावर वाढत आहे, पण उप-सहारा आफ्रिकेत त्याचा भार विशेषतः गंभीर आहे. संशोधकांच्या मते, या प्रदेशातील रुग्ण अनेकदा कमी वयात हृदय अपयश विकसित करतात आणि श्रीमंत देशांतील रुग्णांपेक्षा कमी गुंतागुंत असूनही त्यांचे परिणाम अधिक वाईट असतात. ही जोडणी लवकर ओळख अधिक महत्त्वाची बनवते.

पूर्ण हृदय अपयश होण्यापूर्वी, अनेक रुग्णांना left ventricular systolic dysfunction सारख्या पूर्वसूचक स्थिती प्रथम जाणवतात. या अवस्थेत, हृदयाचा डावा व्हेंट्रिकल रक्त प्रभावीपणे पंप करत नाही. ते लवकर ओळखल्यास डॉक्टरांना वेळेत हस्तक्षेप करता येतो, पण त्यासाठी सहसा अल्ट्रासाऊंड-आधारित हृदय इमेजिंगची गरज असते.

UT Southwestern-नेतृत्वाखालील पथकाचे म्हणणे आहे की AI-ECG नेमका हाच फरक भरून काढू शकतो. इकोकार्डिओग्राफीची जागा घेण्याऐवजी, ही प्रणाली अशा क्लिनिक आणि रुग्णालयांमध्ये front-end screening layer म्हणून काम करू शकते, जिथे प्रत्येक रुग्णाचे इमेजिंग करणे शक्य नाही. यामुळे दुर्मिळ निदान संसाधने सर्वाधिक धोक्यात असलेल्या रुग्णांकडे वळवता येतील.

संशोधकांना काय आढळले

मूळ अहवालानुसार AI-वर्धित ECG विश्लेषणाने केनियामध्ये हृदय कार्यातील अंतर्निहित बिघाडाची रुग्णांमध्ये अचूक स्क्रीनिंग केली. लेखकांनी या कामगिरीकडे असे पुरावे म्हणून पाहिले आहे की AI-ECG संसाधन-सीमित परिस्थितींमध्ये हृदय अपयशाच्या धोक्यात असलेल्या लोकांना ओळखण्याचा स्केलेबल आणि परवडणारा मार्ग बनू शकतो.

UT Southwestern चे Ambarish Pandey यांनी सांगितले की इकोकार्डिओग्राफीपर्यंत पोहोच मर्यादित असलेल्या ठिकाणी AI-ECG हे एक व्यावहारिक स्क्रीनिंग साधन म्हणून उपयुक्त ठरते, हे निकाल समर्थित करतात. हा एक महत्त्वाचा फरक आहे. अभ्यास ECG ला एकमेव, अधिक प्रगत इमेजिंगचा निश्चित पर्याय म्हणून सादर करत नाही. त्याऐवजी, तो सूचित करतो की मानक ECGs सोबत AI व्याख्या जोडल्याने अशा वातावरणात case finding सुधारू शकते, जिथे पारंपरिक निदान मार्ग वाढवणे कठीण आहे.

हा संशोधन प्रकल्प केनियामधील M.P. Shah Hospital चे Bernard Samia आणि Kenya Cardiac Society यांसारख्या भागीदारांसह संयुक्तपणे झाला. वैद्यकात AI प्रणालींचे मूल्य मुख्यतः त्या ज्या आरोग्य व्यवस्थांमध्ये वापरायच्या आहेत तिथे त्या कशा काम करतात यावर अवलंबून असते, म्हणून हे सहकार्य महत्त्वाचे आहे. केनियातील प्रत्यक्ष वापरातून मिळालेला पुरावा केवळ सैद्धांतिक किंवा प्रयोगशाळा-आधारित पडताळणीपेक्षा निष्कर्षांना अधिक सुसंगती देतो.

ECG आणि AI यांचे संयोजन का आकर्षक आहे

ECG आधीपासूनच क्लिनिकल काळजीमध्ये सामान्य आहेत, कारण त्या जलद, तुलनेने स्वस्त आणि करायला सोप्या असतात. त्यांची कमकुवत बाजू म्हणजे त्या इकोकार्डिओग्राममधून डॉक्टरांना मिळणारी शारीरिक तपशीलवार माहिती थेट देत नाहीत. संरचनात्मक किंवा कार्यात्मक हृदय समस्यांशी संबंधित सूक्ष्म विद्युत नमुने शोधून AI त्या अंतराचा काही भाग भरून काढू शकते.

यामुळे उदयोन्मुख आरोग्य व्यवस्थांसाठी एक संभाव्य शक्तिशाली मॉडेल तयार होते. महागड्या इमेजिंग क्षमतेच्या व्यापक विस्ताराची वाट न पाहता, उपलब्ध चाचण्यांवर लावलेली बुद्धिमत्ता वाढवून प्रदाते स्क्रीनिंग सुधारू शकतात. व्यावहारिक दृष्ट्या, याचा अर्थ असा की सेवा उपलब्धता वाढवण्यात नवीन hardware इतकेच software, workflows आणि validation महत्त्वाचे ठरू शकतात.

हे वैद्यकीय AI मधील व्यापक प्रवाहाशीही सुसंगत आहे: algorithms केवळ उच्च-स्तरीय शैक्षणिक रुग्णालयांमध्येच नव्हे, तर जिथे मुख्य लाभ triage, screening, आणि दुर्मिळ तज्ज्ञतेचा अधिक कार्यक्षम वापर हा असतो अशा ठिकाणीही वापरणे. जर नियमित ECG सर्वाधिक इकोकार्डिओग्राफीची गरज असलेल्या रुग्णांना ओळखण्यास मदत करू शकत असेल, तर तज्ज्ञ काळजी जिथे तिचा सर्वाधिक परिणाम होईल तिथे केंद्रित करता येईल.

पुढे काय

हा अभ्यास AI स्थिरावलेल्या वैद्यकीय साधनांना कमी-संसाधन असलेल्या परिस्थितींमध्ये अधिक उपयुक्त बनवू शकतो या कल्पनेला गती देतो. पण प्रत्यक्ष काळजीमध्ये रूपांतर अनेक पुढील टप्प्यांवर अवलंबून असेल, ज्यात वेगवेगळ्या रुग्ण गटांमध्ये पडताळणी, क्लिनिक workflows मध्ये एकत्रीकरण, आणि स्क्रीनिंगमुळे चांगले उपचार निर्णय व परिणाम मिळतात याचा पुरावा यांचा समावेश आहे.

तरीही, मुख्य निष्कर्ष उल्लेखनीय आहे. हृदय अपयशाचे निदान अनेकदा खूप उशिरा होते, आणि निदानातील अडथळा बहुधा गरज नसून खर्च आणि क्षमता यांच्याशी संबंधित असतो. AI-वर्धित ECG व्याख्या केनियामध्ये एक महत्त्वाची पूर्वसूचक स्थिती ओळखू शकते हे दाखवून, हा अभ्यास डिजिटल साधने ती दरी कशी कमी करू शकतात याचे ठोस उदाहरण देतो.

हृदयविकाराचा वाढता भार सहन करणाऱ्या आरोग्य व्यवस्थांसाठी याचे आकर्षण सरळ आहे: जे आधीच उपलब्ध आहे त्याचा वापर करा, ते काय दाखवू शकते ते सुधारा, आणि उच्च-जोखीम रुग्णांना लवकर पकडा. हे जागतिक हृदय काळजीतील प्रत्येक पायाभूत समस्येचे निराकरण करत नाही, पण पुढे जाण्याचा वास्तववादी आणि स्केलेबल टप्पा देऊ शकते.

हा लेख Medical Xpress च्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.