కెన్యాలో హృదయ వైఫల్య ప్రారంభ ప్రమాదాన్ని గుర్తించడంలో AI-మెరుగుపరిచిన ECG స్క్రీనింగ్ ఆశాజనకంగా ఉంది

తక్కువ ఖర్చుతో చేసే పరీక్ష ముందస్తు కార్డియాక్ స్క్రీనింగ్‌కు ప్రాప్యతను పెంచగలదు

UT Southwestern Medical Center పరిశోధకుల నేతృత్వంలోని ఒక అధ్యయనం, వైద్యశాస్త్రంలోని అత్యంత సులభమైన గుండె పరీక్షలలో ఒకదాన్ని, అధునాతన ఇమేజింగ్ అందుబాటులో లేని ప్రాంతాల్లో మరింత ఉపయోగకరంగా మార్చగలదని సూచిస్తోంది. JAMA Cardiology లో ప్రచురితమైన ఈ పనిలో, సాధారణ ఎలక్ట్రోకార్డియోగ్రామ్స్, లేదా ECGs, పై ప్రయోగించిన AI వ్యవస్థ కెన్యాలోని రోగుల్లో left ventricular systolic dysfunction ను ఖచ్చితంగా స్క్రీన్ చేసింది, ఇది హృదయ వైఫల్యానికి ప్రధాన ముందస్తు సూచకం.

ఈ కనుగొనడం ముఖ్యమైనది, ఎందుకంటే ECGలు ఇలాంటి అంతర్గత హృదయ దౌర్బల్యాన్ని గుర్తించడానికి gold standard గా పరిగణించబడే ఎకోకార్డియోగ్రామ్‌లతో పోల్చితే తక్కువ ఖర్చుతో, విస్తృతంగా అందుబాటులో ఉంటాయి. అనేక తక్కువ వనరుల ఆరోగ్య వ్యవస్థల్లో, పరికరాల ఖర్చులు, మౌలిక వసతులు, మరియు నిపుణుల లభ్యత కారణంగా ఎకోకార్డియోగ్రఫీ ప్రాప్యత పరిమితమై ఉంటుంది. దీంతో చాలా మంది రోగులకు హృదయ వైఫల్యం మరింత తీవ్రమయ్యే వరకు, చికిత్స చేయడం కష్టమయ్యే వరకు, నిర్ధారణ జరగదు.

కొత్త ఫలితాలు ఒక ప్రాయోగిక ప్రత్యామ్నాయాన్ని సూచిస్తున్నాయి: విస్తృతంగా అందుబాటులో ఉన్న ఒక పరీక్షను ఉపయోగించి, ఆపై AI విశ్లేషణను జోడించి ఏ రోగులకు ఫాలో-అప్ సంరక్షణ ఎక్కువగా అవసరమయ్యే అవకాశం ఉందో గుర్తించడం. ఇది ధృవీకరించబడి పెద్ద స్థాయిలో అమలు చేయబడితే, జోక్యం మరింత ప్రభావవంతంగా ఉండే ప్రారంభ దశకు నిర్ధారణను మార్చడంలో సహాయపడుతుంది.

ఉప-సహారా ఆఫ్రికాలో ఈ అధ్యయనం ఎందుకు ముఖ్యమైంది

హృదయ వైఫల్యం ప్రపంచవ్యాప్తంగా పెరుగుతోంది, కానీ ఉప-సహారా ఆఫ్రికాలో దాని భారము ప్రత్యేకంగా తీవ్రమైనది. పరిశోధకుల ప్రకారం, ఈ ప్రాంతంలోని రోగులు తరచుగా తక్కువ వయస్సులోనే హృదయ వైఫల్యాన్ని అభివృద్ధి చేస్తారు, మరియు ధనిక దేశాల రోగులతో పోల్చితే సహాయక సంక్లిష్టతలు తక్కువగా ఉన్నప్పటికీ ఫలితాలు మరింత చెడు గా ఉంటాయి. ఈ కలయిక ముందస్తు గుర్తింపును మరింత ముఖ్యమാക്കుతుంది.

పూర్తి హృదయ వైఫల్యం అభివృద్ధి చెందే ముందు, చాలా మంది రోగులు మొదట left ventricular systolic dysfunction వంటి ముందస్తు పరిస్థితులను అనుభవిస్తారు. ఈ పరిస్థితిలో, గుండె ఎడమ వంట్రికల్ రక్తాన్ని సమర్థవంతంగా పంపించదు. దీనిని ముందే గుర్తించడం వైద్యులు త్వరగా జోక్యం చేసుకోవడంలో సహాయపడుతుంది, కానీ సాధారణంగా దానికి అల్ట్రాసౌండ్-ఆధారిత హృదయ ఇమేజింగ్ అవసరం.

UT Southwestern నేతృత్వంలోని బృందం, AI-ECG ఖచ్చితంగా పరిష్కరించగల ఖాళీ ఇదేనని వాదిస్తోంది. ఎకోకార్డియోగ్రఫీని భర్తీ చేయడానికి కాకుండా, ప్రతి రోగిపై ఇమేజింగ్ చేయలేని క్లినిక్లు మరియు ఆసుపత్రుల్లో ఈ వ్యవస్థ ముందు-స్థాయి స్క్రీనింగ్ లేయర్‌గా పనిచేయగలదు. దీనివల్ల కొరతగల నిర్ధారణ వనరులను అత్యధిక ప్రమాదంలో ఉన్నవారికి మళ్లించవచ్చు.

పరిశోధకులు ఏమి కనుగొన్నారు

మూల నివేదిక AI-మెరుగుపరిచిన ECG విశ్లేషణ కెన్యాలో గుండె కార్యాచరణలో ఉన్న అంతర్గత లోపాన్ని రోగులలో ఖచ్చితంగా స్క్రీన్ చేసిందని వివరిస్తుంది. పరిమిత వనరులున్న సందర్భాల్లో హృదయ వైఫల్య ప్రమాదంలో ఉన్న వ్యక్తులను గుర్తించడానికి AI-ECG ఒక విస్తరించగల, ఖర్చు తక్కువ మార్గంగా మారవచ్చని రచయితలు ఈ పనితీరును సాక్ష్యంగా సూచిస్తున్నారు.

UT Southwestern కు చెందిన Ambarish Pandey, ఎకోకార్డియోగ్రఫీ ప్రాప్యత పరిమితంగా ఉన్న చోట AI-ECG ఒక ప్రాయోగిక స్క్రీనింగ్ సాధనం అని ఫలితాలు మద్దతిస్తున్నాయని చెప్పారు. ఇది ముఖ్యమైన తేడా. ఈ అధ్యయనం ECG మాత్రమే మరింత ఆధునిక ఇమేజింగ్‌కు ఖచ్చితమైన ప్రత్యామ్నాయమని చూపడం లేదు. బదులుగా, సాధారణ ECGలను AI వ్యాఖ్యానంతో కలపడం సంప్రదాయ నిర్ధారణ మార్గాన్ని విస్తరించడం కష్టమైన వాతావరణాల్లో case finding ను మెరుగుపరచగలదని సూచిస్తోంది.

ఈ పరిశోధన కెన్యాలోని M.P. Shah Hospital నుండి Bernard Samia మరియు Kenya Cardiac Society సహా భాగస్వాములతో సంయుక్తంగా నడిపించబడింది. వైద్యంలో AI వ్యవస్థల విలువ అవి ఉపయోగించబడే ఆరోగ్య వ్యవస్థల్లో ఎలా పనిచేస్తాయన్నదానిపై చాలా మేర ఆధారపడి ఉంటుంది కాబట్టి ఈ సహకారం ముఖ్యమైనది. కెన్యాలో నిజ జీవిత వినియోగం నుండి వచ్చిన సాక్ష్యం, పూర్తిగా సైద్ధాంతిక లేదా ప్రయోగశాల-ఆధారిత ధృవీకరణ కంటే ఈ ఫలితాలకు మరింత ప్రాముఖ్యత ఇస్తుంది.

ECG తో AI కలయిక ఎందుకు ఆకర్షణీయమైన మోడల్

ECGలు ఇప్పటికే క్లినికల్ సంరక్షణలో సాధారణంగా ఉన్నాయి, ఎందుకంటే అవి వేగవంతమైనవి, తక్కువ ఖర్చుతో కూడినవి, మరియు నిర్వహించడం సులభం. వాటి బలహీనత ఏమిటంటే, అవి ఎకోకార్డియోగ్రామ్ ద్వారా వైద్యులు పొందే శరీర నిర్మాణ వివరాలను నేరుగా అందించవు. నిర్మాణాత్మక లేదా కార్యాత్మక హృదయ సమస్యలతో సంబంధం ఉన్న సూక్ష్మ విద్యుత్ నమూనాలను గుర్తించడం ద్వారా AI ఆ లోటులో కొంత భాగాన్ని పూరించడంలో సహాయపడవచ్చు, అవి సాధారణ వ్యాఖ్యానంలో లేకపోతే తప్పిపోతాయి.

దీని వల్ల ఎదుగుతున్న ఆరోగ్య వ్యవస్థలకు శక్తివంతమైన మోడల్ ఏర్పడుతుంది. ఖరీదైన ఇమేజింగ్ సామర్థ్యం విస్తరించేవరకు వేచి ఉండకుండా, ఇప్పటికే ఉన్న పరీక్షలకు వర్తించే తెలివిని మెరుగుపరచడం ద్వారా సేవాదారులు స్క్రీనింగ్‌ను మెరుగుపరచగలరు. ప్రాయోగికంగా, సంరక్షణ ప్రాప్యతను విస్తరించడంలో కొత్త hardware ఎంత ముఖ్యమో, software, workflows, మరియు validation కూడా అంతే ముఖ్యంగా మారవచ్చు.

ఇది వైద్య AIలోని విస్తృత ధోరణితో కూడా సరిపోతుంది: algorithms ను కేవలం top-tier academic hospitals లో మాత్రమే కాక, ప్రధాన ప్రయోజనం triage, screening, మరియు కొరతగల నైపుణ్యాన్ని మరింత సమర్థవంతంగా ఉపయోగించడమే అయిన సెట్టింగుల్లో కూడా వినియోగించడం. సాధారణ ECG, ఎకోకార్డియోగ్రఫీ అత్యవసరమైన రోగులను గుర్తించడంలో సహాయపడితే, ప్రత్యేక సంరక్షణ అత్యధిక ప్రభావం చూపే చోట దృష్టి కేంద్రీకరించవచ్చు.

తదుపరి దశలు

ఈ అధ్యయనం AI స్థాపిత వైద్య పరికరాలను తక్కువ వనరుల సెట్టింగ్స్‌లో మరింత ఉపయోగకరంగా మార్చగలదన్న ఆలోచనకు వేగం ఇస్తోంది. కానీ సంరక్షణ అందింపులోకి అనువదించడం అనేక తదుపరి దశలపై ఆధారపడుతుంది, వాటిలో వివిధ రోగి జనాభాల్లో ధృవీకరణ, క్లినిక్ workflows లో ఏకీకరణ, మరియు స్క్రీనింగ్ మెరుగైన చికిత్స నిర్ణయాలు మరియు ఫలితాలకు దారితీస్తుందనే ఆధారం ఉన్నాయి.

అయితే, ప్రధాన ఫలితం విశేషంగా ఉంది. హృదయ వైఫల్యం తరచుగా చాలా ఆలస్యంగా నిర్ధారణ అవుతుంది, మరియు నిర్ధారణలోని bottleneck చాలా సార్లు అవసరం లేకపోవడం వల్ల కాదు, ఖర్చు మరియు సామర్థ్య పరిమితుల వల్ల. AI-మెరుగుపరిచిన ECG వ్యాఖ్యానం కెన్యాలో ఒక కీలక ముందస్తు పరిస్థితిని గుర్తించగలదని చూపడం ద్వారా, డిజిటల్ సాధనాలు ఆ ఖాళీని ఎలా తగ్గించగలవో ఈ అధ్యయనం ఒక స్పష్టమైన ఉదాహరణను అందిస్తోంది.

పెరుగుతున్న కార్డియోవాస్కులర్ వ్యాధి భారాలను ఎదుర్కొంటున్న ఆరోగ్య వ్యవస్థలకు, ఆకర్షణ సూటిగా ఉంది: ఇప్పటికే అందుబాటులో ఉన్నదాన్ని ఉపయోగించండి, అది చూపగలదాన్ని మెరుగుపరచండి, మరియు అధిక ప్రమాదంలో ఉన్న రోగులను ముందుగానే గుర్తించండి. ఇది ప్రపంచ హృదయ సంరక్షణలోని ప్రతి మౌలిక సదుపాయ సమస్యను పరిష్కరించదు, కానీ వాస్తవికమైన మరియు విస్తరించగల ముందడుగు ఇవ్వగలదు.

ఈ వ్యాసం Medical Xpress రిపోర్టింగ్‌పై ఆధారపడి ఉంది. అసలు వ్యాసాన్ని చదవండి.