Dr. Duygu İnan

Dr. Duygu İnan

Başakşehir Çam ve Sakura Şehir Hastanesi Kardiyoloji Bölümü

Sol ventrikül ejeksiyon fraksiyonunun (LVEF) doğru bir şekilde değerlendirilmesi, kardiyovasküler hastalığın teşhisi ve doğru tedavinin temel basamaklarından biridir. İnsan değerlendirmesi, genellikle yüksek gözlemciler arası değişkenlikle sonuçlanabilecek az sayıda kardiyak siklusun incelenmesine dayanır. EchoNet-Dynamic, kalp fonksiyonunu değerlendirmek için ekokardiyogram videoları üzerinde eğitilmiş ve daha önce ortalama %4,1–6,0 mutlak hata ile LVEF'yi değerlendirdiği gösterilen bir derin öğrenme algoritmasıdır. Algoritma, hatayı en aza indirmek ve tutarlı sonuçlar üretmek için birden fazla kardiyak döngü boyunca bilgiyi kullanmak üzere programlanmıştır. Yapay zekanın (YZ) tıpta kullanımı konusunda çok sayıda yeni çalışma mevcut, fakat teknolojilerin ileriye dönük klinik deneylerde değerlendirildiği çalışmalar nadirdir. Daha önceki çalışmalarda, EchoNet-Dynamic derin öğrenme modelinin kardiyak fonksiyonu (LVEF) doğru bir şekilde ölçebildiğini ve hipertrofik kardiyomiyopati ve kardiyak amiloidoz gibi sıklıkla gözden kaçan durumların teşhisine yardımcı olabilecek ince LV duvar geometrik ölçümlerini tanımlayabildiği gösterilmiştir. Bu çalışmada ise, kardiyak fonksiyonun ekokardiyografik değerlendirmesine (LVEF) tabi tutulan hastalarda, YZ tarafından yapılan ön değerlendirme ile ilk ekokardiyografi teknisyeni değerlendirmesi arasındaki fark araştırılmıştır.

Çalışmaya, herhangi bir klinik endikasyon için yetişkinler üzerinde uygulanan 3.495 transtorasik ekokardiyogram dahil edildi. EchoNet-RCT randomize kontrollü, kör çalışma olarak tasarlandı. Çalışmada, LVEF' yi YZ veya ekokardiyografi teknisyeni değerlendirmesinin, incelemeyi yapan bir kardiyolog tarafından daha sık ayarlanıp ayarlanmadığı test edildi. Ekokardiyografi ile LVEF' yi belirlemek için standart klinik iş akışı; bir ekokardiyografi teknisyeninin hastayı taraması, ekokardiyografi teknisyeninin LVEF'in ilk değerlendirmesini yapması ve ardından bir kardiyoloğun, LVEF'nin nihai raporunu sağlamak için değerlendirmeyi gözden geçirmesi şeklindedir. Bu çalışmada ise, ekokardiyografi teknisyeninin taraması, rastgele 1:1 olacak şekilde, YZ ilk değerlendirmesine veya ekokardiyografi teknisyeninin ilk değerlendirmesine ayrıldı, ardından kör kardiyologların değerlendirmeyi gözden geçirmesi ve LVEF' nin nihai raporunu onaylaması şeklinde iş akışında düzenleme yapıldı (Şekil-1). Araştırmacılar, kardiyologların YZ ve ekokardiyografi teknisyeni tarafından tarafından yapılan ilk değerlendirmelerinin değiştirme oranlarını karşılaştırdılar. Birincil son nokta, ilk değerlendirme (YZ veya ekokardiyografi teknisyeni) ile son kardiyolog raporu arasında LVEF'de %5'ten fazla değişikliğin sıklığı olarak belirlendi. Çalışma, süperiyoriteyi test etmek için ikincil bir amaç ile non-inferiyorite olmadığını test etmek için tasarlandı (%8'e karşı %5, alfa 0,05 ve güç 0,9). Güvenlik son noktası olarak, nihai kardiyolog raporu ile önceki kardiyolog raporu arasındaki fark kabul edildi.

Genel sonuçlar, önemli ölçüde değişen çalışmaların oranının YZ grubunda %16,8 ve ekokardiyografi teknisyeni grubunda %27,2 olduğunu gösterdi (fark -%10,4, %95 GA -%13,2 ile -%7,7, non-inferiyorite için p<0,001, süperiyorite için p<0,001). Güvenlik açısından, ekokardiyografi teknisyeni grubundaki %7,23 ile karşılaştırıldığında YZ grubunda ortalama mutlak fark %6,29 tespit edildi (fark -%0,96, %95 GA -%1,34 ila -%0,54, süperiyorite için p<0,001). Ayrıca algoritmanın altta yatan patolojiden bağımsız olarak LV işlevini doğru bir şekilde ölçebildiği gösterildi.

EchoNet-RCT, kardiyolojide yapay zekanın geniş popülasyonda, randomize ve kontrollü olarak değerlendirildiği ilk çalışmadır. Çalışmada, bölgesel kardiyak yapıları belirlemek ve kardiyak fonksiyonu tahmin etmek için tasarlanmış bir derin öğrenme algoritmasının, sol ventrikül fonksiyonunu tutarlı bir şekilde ölçmede ekokardiyografi teknisyeni tahminlerinden daha duyarlı olduğu gösterildi. YZ algoritmasının olağan klinik iş akışına kör bir şekilde entegre edilebileceği doğru ortamda, bu tür bir çalışmanın oldukça uygulanabilir olduğunu göstermesi bakımından çalışma heyecan vericidir. Diğer önemli bir nokta ise gelecekte, belirli YZ algoritmaları, doğru şekilde geliştirilip entegre edildikleri takdirde, yalnızca eko okuma çıktısının kalitesini iyileştirmede değil, aynı zamanda basitleştirme yoluyla ekokardiyografi teknisyenleri ve kardiyologlar tarafından harcanan zaman ve çabadaki verimliliği artırmada çok etkili olabileceği gerçeğidir.

Şekil -1. EchoNet-RCT çalışma dizaynı