心臓血管疾患における人工知能の応用

人工知能（AI）は、知識の学習、知識の保存、思考、計画という人間の脳の思考プロセスをシミュレートするコンピュータサイエンスに基づく技術です。人工知能には、機械学習（ML）、ディープラーニング（DL）、自然言語処理（NLP）、認知コンピューティング、コンピュータービジョン、ロボティクスなどの一連の操作が含まれます。近年、人工知能技術は飛躍的に発展し、自動運転、顔認識、テキスト処理などが私たちの生活の中に登場しています。しかし、ヘルスケア分野における AI の導入は、金融技術、情報技術、航空宇宙などの他の業界に比べると比較的遅れています。現在、心臓病学における人工知能の応用には、主に 2 つの側面があります。1 つは、電子健康記録や医療画像などのソースに基づく ML/DL、NLP、認知コンピューティングであり、もう 1 つの代表的なものは介入ロボットです。

AI は、通常は人間の知能によって実行されるタスクを実行できるコンピュータ プログラムです。また、収集されたデータに基づいて機械や機器が自動的に決定を下す能力とも考えられます。機械学習 (ML) は現在、AI の主なサブカテゴリであり、教師あり学習、教師なし学習、ディープラーニング (DL) が含まれます。教師あり学習で最も一般的に使用されるアルゴリズムは、人工ニューラル ネットワーク (ANN) とサポート ベクター マシンです。教師なし学習には、クラスタリング アルゴリズムと関連ルール アルゴリズムが含まれます。 DL には、再帰型ニューラル ネットワーク、畳み込みニューラル ネットワーク (CNN)、ディープ ニューラル ネットワーク (DNN) が含まれます。

心臓血管精密医療における機械学習の応用 機械学習は AI 技術の分野の 1 つであり、教師あり学習、教師なし学習、強化学習の 3 つのタイプに分けられます。強化学習は、計算の精度を最大化する目的で、教師あり学習と教師なし学習を組み合わせたものと考えられています。

(I) 教師あり学習:教師あり学習では、手動でラベル付けされたデータセットを使用して臨床結果を予測します。分類や回帰の問題を解決するのに適していますが、大量のデータが必要であり、手動でラベル付けするには時間がかかります。教師あり学習アルゴリズムには、主に人工ニューラル ネットワーク (ANN)、サポート ベクター マシン (SVM)、決定木、ランダム フォレスト、単純ベイズ分類器、ファジー ロジック、K 最近傍アルゴリズム (KNN) が含まれます。循環器分野では、電子カルテのテキスト分類、心電図結果の解釈、不整脈の検出、心筋梗塞心電図信号分類、心エコー図の画像認識、虚血性心筋症画像データ解析、冠動脈CT画像データ処理、薬物治療投与量、心血管疾患リスク層別化、疾患生存予測、臨床意思決定システムなどの処理に使用されます。教師あり学習の制限: モデルをトレーニングし、他のデータ セットを通じて検証するには、より大きなデータ セットが必要です。トレーニング セットに偏りがあると、テスト セットの精度に影響します。さらに、教師あり学習では、既知の出力を予測するために手動でラベル付けされたトレーニング セットが必要です。教師あり学習では、与えられたトレーニング セットを複数の方法で照合することにより、データに一致する「最適な」仮説を自動的に選択できますが、ある仮説を別の仮説よりも優先することで、学習アルゴリズムに偏りが生じる可能性があります。

(ii) 教師なし学習：教師なし学習は、データに隠された新しい疾患メカニズム、遺伝子型、または表現型を識別するプロセスです。ラベル付けされた症例に基づいて臨床結果を予測することに重点を置く教師あり学習とは異なり、教師なし学習はデータ内に隠されたラベル付けされていないパターンを見つけることです。教師なし学習はディープラーニングでよく使用されます。これは、心電図や心臓画像の自動分類、左心室腔の自動セグメンテーションパラメータの構築、心不全や冠状動脈性心疾患のサブタイプの発見、臨床医がさまざまなサブタイプに対して個別化された治療を採用するためのガイドに使用できます。教師なし学習の限界: 主な限界は、初期のクラスタリング パターンを識別するのが難しいことです。したがって、教師なし学習モデルは複数のコホートで検証する必要があります。さらに、適切なアルゴリズムを選択するには、ノイズ データを手動で除去し、データを手動でラベル付けする必要があります。したがって、最良の結果を得るためには、教師なし学習と教師あり学習を組み合わせて適用することがしばしば必要になります。

（III）ディープラーニング：ディープラーニングは、多層ANNを使用して人間の脳の動作をシミュレートし、入力データに基づいて自動的に予測を行います。 ANN を使用したディープラーニングには、再帰型ニューラル ネットワーク (RNN)、畳み込みニューラル ネットワーク (CNN)、ディープ ニューラル ネットワーク (DNN) が含まれます。ディープラーニングは強力な画像認識機能とノイズ処理機能を備えており、より高い時空間解像度で人工的なリアルタイム心血管画像を処理できます。スペックルトラッキング心エコーデータを統合することで、機械学習アルゴリズムはアスリートの生理的および病的な心筋肥大の特定、単一光子放出コンピュータ断層撮影心筋灌流イメージングによる閉塞性心疾患の発生予測能力の向上、安静時の冠動脈CT血管造影下での左室心筋画像の自動分析、侵襲的な心血流予備能検査を受ける患者の回避、川崎病の冠動脈光干渉断層撮影画像の自動分類、心電図異常の検出に役立つことが研究で示されています。 2. ディープラーニングの限界: 過剰適合により予測結果が悪くなる可能性があります。ディープラーニングには、大量のトレーニング データ セットと、部門と電子医療記録システム間の密接なリンクが必要です。さらに、ディープラーニングにはディープラーニング機能を備えたデバイスが必要です。さらに、マルチレベルのディープラーニングではトレーニング時間が長くなる可能性があり、ニューラルネットワークの構築にも時間がかかります。

心臓血管分野における人工知能

現在および将来のアプリケーション

心エコー検査

心エコー検査は、心臓の構造と機能を便利に、タイムリーに、そして経済的に評価することができ、心血管疾患の診断と評価に大きな価値があります。しかし、心エコー検査の画像品質と診断の有用性には依然としてかなりのばらつきがあります。心エコー検査は依然として検査技師の経験に大きく依存しているため、人工知能によって心エコー検査の評価を強化し、標準化できる可能性があります。

画像分類用の畳み込みニューラル ネットワークを含む ML 手法の成熟により、臨床心エコー検査データの累積量が増加し、心エコー検査人工知能プラットフォームの開発に十分な機会が提供されています。この分野におけるイノベーションにより、自動測定、病理学的特徴（弁膜症、局所壁運動異常、心筋症）の特定、および治療への迅速な応用を通じて、現在のプロセスを改善し、標準化することができます。心エコー検査における AI 研究の強みと将来性は、潜在性疾患や予後を示す可能性のある微妙な、または認識されていない画像特徴を特定できることにあります。

AI モデルのパフォーマンスは向上し続けていますが、AI を臨床現場で安全に使用できるようになるには、克服しなければならない重要な課題があることを認識することが重要です。どのモデルでもそうですが、開発データの品質と臨床特性は重要な考慮事項です。心エコー検査関連のデータは大量かつ複雑であり、堅牢な心エコー検査 AI プラットフォームは、幅広い臨床特性、病理学的特徴、超音波機器ベンダー、画像品質を網羅した多数の研究に基づいてトレーニングおよび検証される必要があります。心エコー検査の人工知能に関する現在の研究では、サンプルサイズが小さいことが多く、機関、地理的要因、心エコー検査機器のブランドによって制限されており、過剰な統合のリスクが生じ、プラットフォームの汎用性が制限される可能性があります。さらに、現在の心エコー検査は人間による解釈に大きく依存しており、解釈と測定には本質的にばらつきがあります。

心エコー検査における人工知能は、臨床診療に革命をもたらす素晴らしい機会となります。検証済みの心エコー検査 AI モデルは、品質の向上、ポイントオブケアの意思決定の実現、診断評価への公平なアクセスの促進を可能にします。心エコー検査における人工知能は患者の診断と治療に影響を与えることが期待されており、臨床結果と費用対効果を改善するための臨床研究が待たれています。

核医学

心臓病学の他の分野とは異なり、人工知能技術は核医学心臓学のいくつかの日常業務に組み込まれています。人工知能アルゴリズムが画像処理に適用され、完全に自動化された単一光子放出コンピュータ断層撮影 (SPECT)、心筋灌流イメージング (MPI) の動き補正、再構成、定量化、および高度な分析が可能になりました。

市販されており、FDA 承認済みの画像診断ソフトウェアには、正常な心筋灌流分布のデータベースが組み込まれており、低灌流心筋を識別するためのコンピューター支援診断ツールを専門の読者に提供しています。こうした種類の自動化、機械学習によるデジタル画像データ、人工知能アルゴリズムによる SPECT MPI データは、単独で、または臨床特性と組み合わせて使用​​することで、冠動脈疾患診断の予後価値をさらに向上させ、血行再建術を実施するかどうかの臨床的意思決定に合理的な根拠を提供します。

診断パフォーマンスの向上

単一施設の研究では、画像変数（定量ソフトウェアによって実行される安静時および負荷時の SPECT における灌流損失、虚血変化、駆出率変化）を組み込んだ ML アルゴリズムは、全体的な患者診断精度の点で個々の定量画像パラメータよりも優れていました（86% 対 81%、P < .01）。 MLアルゴリズムによる閉塞性CADの検出における曲線下面積（AUC）の合計（0.92 ± 0.01）も、2つの手動読影者による値（0.87 ± 0.01および0.88 ± 0.01、P < 0.05）よりも有意に高かった。同じグループは、別のデータセットを使用して、臨床変数と画像変数（自動ソフトウェアによって生成された総灌流欠損 [TPD]）を統合する AI アルゴリズムを作成しました。この研究では、ML の精度 (87.3% ± 2.1%) が、1 人または 2 人の専門読者 (82.1% ± 2.2%) または自動化された TPD (82.8% ± 2.2%) の精度よりも高いことが実証されました。閉塞性 CAD を検出する感度が高くなります。 1,638 名の参加者を対象とした多施設研究では、CAD が判明していない患者において、従来の SPECT スキャナーと比較して、生の MPI 極座標マップと定量的 MPI 極座標マップの両方を使用したディープラーニング (DL) の AUC 値が高かったことが示されました。これらの研究に基づいて、AI アルゴリズムは現在の臨床方法よりも閉塞性 CAD の予測を約 2.5% 改善しました。他の研究と一致して、十分に訓練されたニューラル ネットワークは、専門医の視覚分析と比較して、特定の冠動脈狭窄病変によって引き起こされる低灌流の分布を識別する際に同様に優れたパフォーマンスを示します。

治療と予後予測

人工知能のアプローチは、最初の MPI スキャンから 90 日以内に関連する侵襲的血管造影検査を受けた 713 人の SPECT MPI 患者を対象とした研究で、CAD が疑われる患者の早期血行再建を予測するためにも使用されました。性別、高血圧および糖尿病の履歴、ベースライン ECG ST 部分低下、運動 ECG、臨床変化 (合計 33 変数) など、自動的に導出されたいくつかの画像変数と臨床パラメータが ML アルゴリズムによって統合され、血行再建イベントが予測されました。血流再構成を予測するMLのAUC（0.81±0.02）は単独医師の場合（0.81±0.02）と同程度であり、別の医師の場合（0.72+0.02、P＜0.05）よりも優れていた。したがって、この研究では、ML は MPI 後の早期血行再建を予測する上で経験豊富な医師と同等かそれ以上の成績を示しました。予後に関しては、Betancur らは SPECT MPI の患者 2619 名を研究し、28 の臨床変数、17 のストレス テスト変数、および 25 の画像変数 (TPD を含む) を人工知能アルゴリズムに統合して主要な心臓イベントを予測しました。 3.2±0.6年以上の追跡調査で、研究者らは、以下の結果についてAUC予測を比較した：(1) MLと利用可能なすべてのデータ（ML結合）、(2) MLと画像データのみ（ML画像）、(3) 5段階診断スケール（医療診断）、および(4) 自動定量画像解析（ストレスTPDおよび虚血性TPD）。研究者らは、ML併用群のMACE予測値がML画像群の予測値よりも有意に高かったことを発見した（AUC、0.81対0.78、P < 0.01）。 ML 複合モデルの予測精度は、医療診断、自動ストレス TPD、自動虚血 TPD よりも高かった (AUC、それぞれ 0.81 vs 0.65、0.73、0.71、P < 0.01)。医師の診断と比較すると、併用療法のリスク再分類は 26% (P < 0.01) でした。研究結果に基づき、研究者らは、人工知能が臨床データと画像データを統合し、SPECT MPI を受ける患者の個別の MACE リスク計算を実行できる可能性があると示唆しています。

AI 駆動型構造化レポート CDS。 AI 駆動型アルゴリズムは、FDA 承認を受けた初のそして唯一の核イメージング ソフトウェアにも組み込まれており、CDS ツールと自然言語を使用してレポートを自動的に生成します。このシステムには、うつ伏せと仰向けの姿勢、減衰補正済みと非減衰補正済みの画像結果、品質管理データなどの追加情報を含む、230 を超えるルール、可逆性、機能性、患者の人口統計情報が統合されています。 1,000 人の患者を対象とした研究では、CAD を検出するためのこの AI 駆動型レポート システムが検証され、CAD における虚血の印象に関して、AI 駆動型構造化レポートと 9 人の専門家の間で一致に大きな違いは見られませんでした。

定量的なツールは核医学診療ではすでに日常的に使用されていますが、複数の特徴と臨床データを組み合わせたより高度なツールはまだ一般的ではありません。最近の研究では、臨床現場での応用に大きな可能性があることが示されています。診断と予後を改善するための研究の改良と構築に加えて、核医学における今後の AI の優先事項には、検査の適切性、検査の選択、スケジュール、ワークフローの優先順位付け、プロトコル、レポート、および患者管理に関する臨床意思決定を支援する AI 駆動型アルゴリズムの開発が含まれる必要があります。これらの開発は医師やその他の医療専門家の役割に取って代わるものではありませんが、病気をより一貫して検出し、リスクを分類し、個々の患者の管理を最適化するための非常に正確なツールを提供します。

電気生理学

電気生理学に AI を統合する重要な機会としては、データ管理 (つまり、大量の患者データの管理を可能にする方法)、データ解釈 (つまり、複雑なデータの専門家による解釈を民主化する方法)、複数のモダリティで取得したデータのリアルタイム統合などが挙げられます。さらに、AI を活用し、コスト効率よく取得した ECG などの電気生理学データを使用した進化する発見は、ECG に通常は関連しない状態をスクリーニングする能力が、集団の健康を改善するためのスケーラブルな機会を提供する可能性があることを示唆しています。

電気生理学における現在の大きな議論の 1 つは、動的に取得された ECG を臨床診療にどのように取り入れるかということです。埋め込み型レコーダーや、スマートフォンやスマートウォッチに対応した消費者向け心電図装置などのさまざまなツールにより、多くの場合、心血管疾患の既知の患者として特定される前に、より費用対効果の高いスクリーニングを集団に対して行うことができます。たとえば、個人がインターネット経由で独自の ECG 機器を購入し、独自の ECG を記録し、その後、このデータを正確に解釈する必要があります。これらの心電図を正確かつ自動的に解釈できるシステムは改善されましたが、偽陽性または偽陰性のリスクはまだ残っています。心電図の読影に関する専門知識はプライマリケアの現場に分散されており、心電図へのアクセスが容易になっています。予備データによると、AI 技術によって心電図の解釈がさらに改善され、心臓専門医や電気生理学者などの医師の診察が必要な患者に適切なトリアージを提供できる可能性があることが示唆されています。しかし、現時点では人口レベルでコンピューティングの必要性と有効性を評価することはできません。

電気生理学におけるもう一つの現在の課題は、複雑な電気生理学的データの解釈をより容易にする方法です。たとえば、QT 間隔の測定は、突然死や抗不整脈薬の毒性のリスクがある人を特定するために重要ですが、心臓専門医や一部の電気生理学者の間でも、その測定結果は非常にばらつきがあることが判明しています。予備データによると、DL AI 技術は、ECG 画像のみから特定の QT 間隔によって生じるリスクを特定するのに役立つ可能性があることが示唆されています。さらに、専門家レベルの QT 解釈を使用してニューラル ネットワークをトレーニングすると、電気生理学者や心臓専門医以外の人による解釈の精度が向上する可能性があります。これらの原則は、不整脈室グラフなどの他の電気生理学的データの解釈にも適用されます。

現在の電気生理学におけるもう一つの大きな可能性は、多くの場合複数の異なる補完的でありながら別々に取得されたデータを統合して、特定の患者に対する治療の正しい解釈と最適化を促進することです。侵襲的電気生理学的検査およびアブレーションを受ける不整脈患者では、術前画像診断（瘢痕分布を評価するための磁気共鳴画像診断、不整脈の原因を評価するための心電図検査など）と術中画像診断（心臓内心エコー検査、透視検査など）を組み合わせて治療を最適化することができます。ただし、これらのデータは異なる時点に異なる手法を使用して取得されました。最近のデータによると、AI テクノロジーはデータ統合を促進し、医師がより効率的に、あるいはより効果的に患者の状態に関連する領域を特定して見つけるのに役立つ可能性があることが示されています。

最後に、電気生理学的データに AI 技術を適用する大きなチャンスは、データの民主化、拡張、正確な解釈と統合の促進だけでなく、人間以外の人が解釈できる洞察を通じて集団の健康を改善する能力も得られることです。この原理の鍵となるのは、心電図には人間が容易に理解できない微妙な要素が含まれている可能性があるということです。たとえば、研究では、心電図のみを使用して低 EF の存在を高い精度で識別できることが示されています。同様に、ECG から他のいくつかの状態を特定できるため、スケーラブルかつ低コストな方法で集団レベルでのリスク層別化を改善できます。したがって、心電図から診断が不十分で治療可能な可能性のある状態を特定できれば、費用対効果の高い方法で人口の健康を改善できる可能性があります。

冠動脈疾患の検出と予後

急性冠症候群 (ACS) は、最も重篤な冠状動脈疾患であり、通常は心電図とバイオマーカーに基づいて、ST 部分上昇型心筋梗塞 (STEMI)、非 ST 部分上昇型心筋梗塞 (NSTEMI)、不安定狭心症 (UA) に分類されます。 STEMI の迅速な治療には、診断のための迅速な ECG 評価が不可欠です。単一チャネルのスマートフォン プラットフォームを使用することで、迅速な診断が実行可能であることが実証されました。この技術は広く普及し、ML と組み合わせて STEMI 患者の迅速なトリアージに活用できる可能性があります。経皮的冠動脈介入施設への迅速な搬送により、よりタイムリーに治療結果が改善される可能性があります。院外心停止に関する研究も進行中であり、そのほとんどは ACS によって引き起こされます。機械学習アルゴリズムは、スマートホームスピーカーやスマートフォンを介した家庭内の会話の録音を分析し、心停止の典型的な兆候である窒息のような呼吸を特定するために使用されている。このような記録を正確に検出することで、家庭内で発生する多数の目撃者なしの心停止を検出し、緊急対応を開始できるようになります。

STEMI 以外の ACS (NSTEMI および UA) では、管理が明確でない場合があります。この点で、早期診断と治療における 12 誘導 ECG 解釈に ML を試すことは有意義です。 UA/NSTEMI の治療は主にリスク層別化に基づいており、ML は TIMI や GRACE リスク スコアなどの以前に検証されたモデルを改善することが示されています。同様に、死亡率や治療合併症の長期予測も改善される可能性があります。高リスク患者と低リスク患者の識別を改善することで、リソースのより効率的な活用とより個別化された治療が可能になります。現在の研究では、ACS の診断、治療、予後をさらに改善するために、さまざまな非心臓データを統合することに取り組んでいます。安定した CAD 患者も AI の恩恵を受けることができ、たとえば、血行再建術の恩恵を受けられる可能性のある患者を特定したり、抗血栓効果と出血リスクのバランスをとって最も適切な抗血小板戦略を選択したりすることができます。

上記の研究は、冠状動脈疾患の予防から治療まで、人工知能を幅広く応用できる可能性を示しています。明らかに、現在の多くのケースでは、ランダム化比較試験による臨床検証が依然として必要です。しかし、ML が CAD に与える影響の初期段階であっても、より良い予後を提供し、新しいリスク要因を発見することが期待されており、それが CAD 患者の治療をさらに支援することになるのは喜ばしいことです。

冠動脈造影と介入

インターベンショナル心臓病学は、伝統的に心血管疾患の革新の最前線にありました。過去 10 年間で、侵襲的血管内イメージング、生理学、血行動態、ロボット工学、ハイブリッド心臓血管手術が急速に発展しました。診断予測、治療戦略の設計、デバイスの選択、手順の最適化、合併症の回避はすべて、AI アプリケーションが急速に進歩すると期待されている分野です。

冠動脈を評価するために人工知能を使用した初期の研究には、最近の CEREBRIA-1 研究が含まれます。この研究では、冠動脈病変の重要な生理学的機能を評価し、血行再建術を推奨する上で、ML と人工知能が従来の診断および治療に劣らないことが実証されました。

現在、どこでも優れた緊急心血管ケアシステムが導入されていますが、重要な早期診断と管理の決定にはかなりのばらつきがあります。将来的には、スマートアルゴリズムが最初の電話の直後に患者の病歴とリスク要因を確認し、一連の予測的な質問を通じて、搬送サービスが病院に到着する前に予備診断を確立する可能性があります。静脈穿刺のために皮膚をスキャンできる装置の開発により、高解像度のコンピューター断層撮影スキャナーは、人間の介入なしに冠動脈の解剖学的および生理学的評価を提供できるようになりました。迅速な心電図検査により明確な診断が得られ、5 ～ 10 分以内に救急科に到着できるようになります。上記の手順では、人間による介入や評価がまったく必要ない場合もあります。そのため、侵襲的冠動脈造影が第一選択ではなくなる可能性がありますが、必要な場合には実行できます。人工知能に基づく診断方法は、冠動脈病変の機能評価を分析するために使用されてきたが、これまでのところ結果はまちまちである。 Cho らによる研究では、全体的に血管造影機能解析の精度は FFR の 82% に近づく可能性があることが示されました。

過去 10 年間に、冠動脈介入のための磁気ナビゲーション システムとロボット技術が登場しましたが、コストの高さと非効率的なインターフェイスが障害となっていました。リアルタイムの熱、超音波、血流データをロボットや以前に取得した診断用コンピューター画像と融合するマルチモーダル技術により、AI 誘導による血管アクセスと病変への介入デバイスのナビゲーションが可能になります。同様に、AI 誘導デバイスを介して冠動脈血行再建術や薬物療法を行うことも可能になるかもしれません。これにより、介入心臓チームは電離放射線にさらされることなく、これを監視および制御できます。アテローム性動脈硬化の領域に自律的に移動し、標的治療を施すことができるナノ粒子はすでに開発中であり、内部および外部の磁気誘導とリガンド結合凝集により、他の臓器への悪影響を最小限に抑えながら、さらに有益な効果を生み出すことができる可能性があります。

弁膜疾患、先天性および後天性異常、生命維持技術も AI 応用の主要分野となるでしょう。将来、心臓カテーテル検査室では、患者の解剖学的情報を時間と空間でリアルタイムに評価および統合し、自己生体細胞やポリマー剛性金属複合材料、3D プリントを組み合わせることが、介入心臓病学の重要な方向性となる可能性があります。

心不全

心不全（HF）の現在の診断および治療パラダイムは未熟であり、診断の遅れが一般的であり、HF の多くの危険因子が認識されておらず、治療および管理は比較的低い水準にあります。駆出率が低下した心不全（HF）患者と駆出率が保持された心不全患者のほとんどは、死亡率と罹患率を低下させることが証明されている治療を受けていないか、またはこれらの治療の投与量が不足しています。さらに、HF 表現型の病態生理学的特徴はまだ調査中です。 AI を活用した戦略は、これらの問題に対処できる可能性があります。

心不全予防

臨床試験では、心不全の予防により心不全の発症率を大幅に減らすことができることが確認されています。心不全の予防には、心不全のリスクがある患者を特定する方法と、心不全の予防介入のプロセスが必要です。心不全リスクの特定は、これらの患者への介入を集中させるのに役立ち、それによって実現可能性が向上し、全体的なコストが削減されます。介入部分の有効性によって、人口全体に対する心不全の予防と治療のメリットが決まります。

現在、心不全リスクスコアは臨床現場ではほとんど使用されていません。 Ng らは、EHR データを使用して HF の発生を予測する教師あり ML アルゴリズムを開発しました。 ML アルゴリズムは、将来の HF を予測するための AUC が約 0.79 であり、差し迫った (6 か月以内の) HF を検出する精度がより高かった。 AI アルゴリズムは従来のモデルよりも優れた予測価値を持たないかもしれませんが、電子健康記録に組み込まれた ML アルゴリズムは、医師に即時のリスク情報 (患者向け) を提供し、リスク要因が変化した場合に時間の経過に伴うリスクの変化を調整し、ECG または画像分析、ウェアラブル デバイス、およびその他のデータを統合して、個人固有のリスク要因をより正確に予測することができます。

将来的には、人工知能による心不全リスク評価ツールが開発され、事前に計画された介入と組み合わせることで、心不全の発生率を減らすことができるでしょう。これらの介入には、新しい治療パラダイム、特定の治療薬、または臨床医と患者がHFリスク要因を治療するように促すインテリジェントな意思決定が含まれる可能性があります。臨床試験では、心不全の発生率を減らすための効果的な戦略を検証するために、リスク予測と介入戦略を評価する必要があります。

心不全入院の予防

心不全による入院を予防するには、リスクのある患者を特定し、入院予防を監視する方法も必要です。従来の統計モデルは再入院の予測性能が低く、AI ベースのモデルにも限界があります。 3 件の研究では、HF 入院後の再入院を予測するために教師あり ML (大規模コホートにおける DL アルゴリズムを含む) が使用され、AUC は 0.63 ～ 0.71 の範囲であると報告されました。したがって、HF再発のリスクを特定するためのさまざまなアルゴリズムの予測能力を向上させるために、さらなる研究が必要です。

ML はリスク予測を改善する可能性を秘めていますが、より厄介な問題は、リスクの増加が認識された後に再入院をいかに防ぐかということです。医療機関が再入院を減らすために採用したさまざまな戦略は、ほとんど効果を発揮していません。外部遠隔モニタリング システムまたは埋め込み型デバイス (除細動器またはペースメーカー) 診断を使用した遠隔モニタリングは、入院または再入院の予防には効果がなく、肺動脈圧に基づく遠隔モニタリング戦略のみが心不全による入院を減らすのに効果があることが示されています。最も顕著なのは、再入院を減らす戦略が、HF 入院後の短期および長期の死亡率の上昇と関連していたことです。したがって、AI ベースの入院リスク予測と新しい介入戦略は、有効性と安全性を確保するために臨床試験で慎重に研究されなければなりません。

心不全の管理

AI 分析は、心不全患者が診断を受け、GDMT の処方を受けているか受けていないか、最適な投与量を投与されているか、治療計画に従っているか、特定の心不全治療から最も恩恵を受ける可能性が高いかを特定することにより、心不全患者にリアルタイムで実用的な情報を提供できます。この種の AI 生成情報は、患者のケアに影響を与える可能性のある斬新で便利、かつインテリジェントな方法で患者と医師に提供できます (患者に意思決定支援、特定の問題に関する医師または患者への教育、サポート連絡先、またはその他の地域または医療システム固有のリソースを提供します)。このアプローチは、非常に成功している商用 AI 分析によって提供されるデータに似ていますが、ヘルスケアにおける AI の応用はまだこのレベルの成功には達していません。

人工知能は心不全の病態生理学を解明する上で重要な役割を果たしています。

精密医療と新しい治療法の役割

現在、HF は EF と推定される病因によって広く特徴付けられます。クラスター分析などの監視されていないML分析は、独自のHF表現型を特定でき、その後、従来の統計的方法または監視された学習技術を使用して、特定された表現型が異なる予後または耐性または治療に対する反応を持っているかどうかを判断できます。このような分析は、HFPEFおよびHFREFのHF患者で実行されており、臨床データを入力変数として使用して、異なる予後のHFPEFおよびHFREF表現型を特定しています。将来的には、心不全患者の表現型をさらに診断し、新しい治療標的または診断/診断/予後の生物採数を介したユニークな病態生理学的変化を特定するためには、ゲノム、プロテオーム、ミクロビオーム、新しい臨床データ、心電図、または画像分析などの臨床的特性を超えるデータが必要になります。

予防心臓学

CHDの研究は、リスク層別化の全体的なモデルに関連する条件のリスク要因の特定と追加を含む、現代医学の基本と見なされる概念につながっています。人工知能は、多数の変数を分析し、非線形関連を特定し、新しいリスク要因を特定するのに役立つ位置にあります。

現在、冠動脈心疾患とアテローム性動脈硬化性心血管疾患の原発性リスク層別化で最も一般的に使用されるツールは、米国心臓病/アメリカ心臓協会の共同コホート方程式リスク計算機であり、貴重だが不正確なツールです。同じ9つの従来のリスク要因を使用して、MLアルゴリズムは、リスクの高い個人の13％を特定したり、低リスクの個人の25％にスタチン療法を推奨したりするなど、リスクの層別化を大幅に改善することができました。対照的に、コホートリスク計算機を改善するために1人あたり最大735の変数を使用した別の研究で、非伝統的なリスク要因を含めることの重要性を強調しました。興味深いことに、アルゴリズムに大量のデータを含めた後の期待に反して、標準のCADリスク因子のみを使用して、前述のアルゴリズムと比較して、数百の変数を使用して予測パフォーマンスは良くありませんでした。

機械学習は、非伝統的および未知のリスク要因を心血管リスク層別化に組み込むことができる革新的で強力なツールです。たとえば、網膜眼底画像などのバイオシグナルは、バイオバンクの一部として使用され、他の臨床的特徴がない場合に心血管リスク因子を予測するために使用されます。同様に、MLアルゴリズムを使用したスマートフォン記録を介した音声分析により、CADに関連付けられた機能が明らかになりました。これらの例は、有用かもしれない多くの新しいデジタルバイオマーカー情報のほんの一部です。アテローム性動脈硬化性の心血管イベントを予測するアプローチには、10年未満のフォローアップの結果を評価するなど、いくつかの受け入れられたパラダイムの変化が必要になる場合があり、シリアルデータを使用して複数の時点を取得し、生物学的な整備に基づいた変数を選択するのではなく、より監視されていない学習アプローチを考慮するなどです。

臨床的意思決定サポート

医学的知識の高まりと患者管理の複雑さの高まりの時代には、診断と治療の選択のための標準化されたプロトコルが必要です。実際、CDSシステムは、医療専門家に最新の医療知識とエビデンスに基づいたガイダンスを提供するために、電子医療記録と統合されることを義務付ける必要があります。最近まで、ヘルスケアに展開されているほとんどのCDSシステムは、実験室の結果などの電子医療記録の構造化データへのアクセスに限定されていました。ただし、構造化されていない臨床物語の情報は、NLPによって抽出される場合があります。以前は、NLPツールは研究に限定されており、CDSシステムへの自動入力を生成するために使用されていませんでした。重要なことに、NLPを使用してデジタル電子医療記録を検索する電子ツールは、CDSプログラムへの自動入力を提供することで、治療時に患者中心の意思決定を行うために患者にパーソナライズされた情報を提供することもできます。このシナリオを実現するために、自然言語処理を使用して、高性能、スケーラブル、リアルタイムのソリューションを提供します。 Mayo Clinicは最近、末梢動脈疾患患者向けのCDSシステムへのパーソナライズされた入力を生成するために、検証済みのルールベースのNLPアルゴリズムをMayo Clinic EHRのビッグデータインフラストラクチャに設置することにより、特定の疾患に対するこのアプローチの実現可能性について報告しました。また、コミュニティベースの研究から生成されたモデルから導出された構造化データ要素と自動リスク計算機を使用して、末梢動脈疾患患者の関連する臨床検査結果と自動予後評価を表示することもできます。原則として、同様のアプローチを潜在的に幅広い他の心血管の健康状態に使用し、標準化された高品質のドキュメントを備えたヘルスケアシステムを構築し、最終的に適切な情報を適切な患者に適切な患者に提供して適切な決定を提供できるようにします。

心血管研究を最適化するための人工知能

人工知能（MLおよびDLを含む）は、全ゲノムシーケンス、モバイルデバイス生体認証、およびEHRデータ処理に適用できます。機械学習は、診断、リスク予測、予防、および心血管疾患の治療を変革しています。これらの新しいアプローチは、大量のデータの迅速な統合、パーソナライズされた診断と治療、基礎となる関係の評価など、有望な可能性を提供します。しかし、彼らは新しい方法論的課題を提起します。表現型は、信頼性、データ統合などを最適化するために標準化する必要があります。データのトレーサビリティ、妥当性、および再現性を反映する必要があります。地理、人口統計、社会経済的地位によるインターネットアクセスのデジタル分割や違いを含む、結果の研究デザインと解釈で新しいバイアスを考慮する必要があります。最後に、データの欠落と治療パターンの変更を考慮する必要があります。実際、一次データ収集とは異なり、医療記録データは特定の臨床エピソード中に収集され、患者の健康状態と介護行動および臨床医の治療に直接関係しています。研究者ではなく患者と医師であるため、データから引き出された結論は異なります。これらの重要な質問は、チームサイエンスの重要性を強調し、臨床医、データサイエンティスト、統計学者を集めて、これらのツールの妥当性と信頼性を確立します。

表現型とリスク予測

現在の方法とスコアリングシステムは、効果的な臨床応用には面倒すぎることが多く、さまざまな集団で十分に複製されていないため、臨床環境では症例識別と結果予測の精度と有効性を改善する必要があります。電子医療記録の豊富なデータに加えて、他のタイプの構造化または非構造化データもML技術に適しています。これらの要因には、心電図、心エコー図、およびその他の画像研究からのデータが含まれますが、これらに限定されません。表現型にMLを使用する例は、HFPEF患者の特性評価とこれらの患者の生存の予測です。監視されていないMLを使用して、Shah et alはHFPEF患者の3つの異なるグループを特定し、異なるグループの死亡率と入院の違いを調べました。これらの興味深い結果は、他のコホートで検証する必要がありますが、EHRの豊富な環境に人工知能を適用できることを2つの方法で実証しています。別の例は、Attia et alによる心電図データへの適用です。 ECGデータのみを使用して、35％以下のEFとして定義される心室機能障害のある患者を特定するために、畳み込みニューラルネットワークが訓練されました。 52,870人の患者を対象とした独立したテストでは、ネットワークモデルのAUC値、感度、特異性、および精度は、それぞれ0.93、86.3％、85.7％、および85.7％でした。これらの発見は、人工知能を心電図データに適用すると、心室機能障害を特定するためのスクリーニングツールを提供できることを示唆しています。

臨床試験

採用試験参加者は、非効率的で、時間がかかり、労働集約的であると広く考えられており、新しい治療の開発を遅らせ、最終的に患者の治療を遅らせます。患者の特性を試験包含および除外基準に一致させるために、電子医療記録に人工知能を適用すると、事前スクリーニングの効率が向上する可能性があります。

センサー

健康予防と疾患管理におけるウェアラブルセンサーの適用は意味のあるトピックであり、この新興分野での人工知能の貢献はユニークです。 1つの例は、SmartWatchデータを使用して心房細動を検出することです。 RR間隔のおおよその表現に依存するヒューリスティックを使用して事前に訓練された深いニューラルネットワークは、参照標準心電図と比較して意味のあるパフォーマンスを示します。 9750人の参加者で実施されたこの研究では、スマートウォッチが心房細動を検出できるが、標準的な心電図と比較して感度と特異性が低下したという概念の証明を確立しました。

未来：AIチャレンジ

医学における人工知能の適用はますます避けられないように思われるため、実装の困難を慎重に考慮する必要があります。実際、より広い範囲のテストで失敗した最初の有望な技術の多くの例は、他の分野でニュースにに関するものでした。これらには、さまざまな集団間の顔認識ソフトウェアの失敗、特に人工知能が間違え続ける可能性のある刑事司法制度の例に関する失敗が含まれます。

このような問題は、トレーニングアルゴリズムに使用されるデータセットが品質が低く、多様性が限られているか、結果や現実的なバイアスの違いを反映している場合に発生します。 「ゴミ、ゴミ出力」は、人工知能技術にも適しています。たとえば、無作為化臨床試験データから得られたモデルは、請求コードまたは電子医療記録から抽出された比較的不正確なデータに適用すると、パフォーマンスが低下する場合があります。同様に、静的画像を検出するためのDLメソッドは、病態生理学の重要な特徴を画像取得のアーティファクトと区別することはできません。したがって、画像の取得タイプが疾患状態に関連している場合、画像取得タイプ（ピクセル機能）に関連する機能が特定の結果と誤って相関する場合があります。これらの手法は全身バイアスを暴露することさえあります。たとえば、患者の特定のサブグループが命を救う介入（心臓移植など）を拒否される可能性が高い場合、リスク予測モデルは誤って利益が得られないと判断する可能性があります。したがって、不十分に実行されたAIが私たちを誤解させる可能性があることを認識しなければなりません。また、AIアルゴリズムを開発または実装しようとする際に考慮しなければならない要因であるヘルスケアギャップを悪化させ、拡大し、悪化させることさえあります。同様に、AIの実装は、病院、地域、または全国レベルであれ、非常に限られた財源であれ、挑戦的です。 AIが高所得者に限定されている場合、この要因は医療の不平等を悪化させる可能性があります。医療専門家の能力または判断に関連するエラーは、特定の個人によって評価または治療された患者に限定されますが、人工知能アルゴリズムが広く使用されている場合、数千または数百万のエラーがある場合があります。臨床医は、結果と応用技術の実践を解釈する際にこれらの落とし穴を認識できる必要があり、有用なアプローチは、特定のテクノロジーの開発を初期からアプリケーションまで追跡することです。まず、トレーニングプロセスの基礎を形成するデータ入力を確認する必要があります。データはどのように収集されていますか？この評価は、曲線の下の領域を超える必要があります。これらの発見は、サブグループ分析と外部検証を提供しましたか？アプリケーションデータセットは、派生したデータセットに似ていますか？これらの発見は、他の方法を使用した私たち自身の臨床的直観または臨床ガイダンスと一致していますか？

課題を管理し、AIデータを公開します

人工知能は、ビッグデータとオープンサイエンスの時代に活況を呈しています。研究者は、大量のデータを複雑なアルゴリズムと組み合わせて、人間のパフォーマンスに合わせたり、それを上回ったりする統計モデルを生成できるようになりました。 2009年のNetflix賞などの競争データの公開は、高価な研究開発作業を通じてイノベーションを刺激し、大きな賞を獲得する機会がありました。ヘルスケア部門は、健康関連データのデータ共有制限のために、同様の戦略を採用するのが遅いです。この状況は、世界中の電子医療記録に含まれる豊富なデータを共有する障壁は何ですか？ただし、一部の学術ジャーナルは、これらの規定と競合する可能性のあるデータの公開共有を必要とするデータ共有ポリシーを開発しています。従来の研究は簡単に認識できるデータを共有する傾向がありますが、人工知能は現在、より難しく、以前に認識することさえ不可能な大量のデータを使用しています。前進する道は、戦略的パートナーシップを通じてである可能性があります。特定の状況に基づいて、データを共有する方法、またはデータを共有するかどうかを決定する必要があります。さらに、協同組織がもはや存在しないか、別の組織によって日和見的に獲得された場合に何が起こるかという問題があります。 GoogleがDeepMindデータアーカイブにアクセスできるようになったとき、人々は実際にデータを公開しないという以前の約束を終了したことに気付きました。それにもかかわらず、コラボレーションとデータへのアクセスを通じて、ヘルスケアを促進する努力を加速し続けなければなりません。

結論は

心臓病は、医学の分野で人工知能の最前線にあり、信号処理、画像セグメンテーション、構造化データ分析に大きな進歩を遂げています。近年、心臓病のほとんどすべての分野で重要な成果が得られており、心電図分析、イメージング研究の自動解釈、リスク予測において、ある程度の特定の進歩がなされています。ただし、AIは、事前に対処する必要があるセキュリティおよび倫理的問題だけでなく、解釈、有効性、一般化に大きなエラーを簡単に引き起こす可能性があります。人工知能は、最も関連性の高い問題を特定し、それらを解決するための最良の方法とデータソースを見つけるために、コンピューター科学者、臨床研究者、臨床医、その他のユーザー間の緊密なコラボレーションを必要とすることは明らかです。このコラボレーションは、心臓病と医学における人工知能の未来が明るいことを証明しています。