Malli, joka näkee normaalilta vaikuttavan sydänfilmin taakse
Koneoppimismallit ovat oppineet lukemaan EKG-nauhoituksista merkkejä, joita kokenutkaan kardiologi ei paljain silmin erota. Tuhansilla, joskus sadoilla tuhansilla sydänfilmeillä koulutetut mallit tunnistavat potilasjoukon, jonka riski on koholla, vaikka perinteinen tulkinta luokittelee käyrän normaaliksi.
Kyse ei ole yksittäisestä taikatempusta vaan tutkimuslinjasta, joka on kypsynyt muutamassa vuodessa. Sen ydin on yksinkertainen: sama data, uusi lukutapa.
Mitä 'piilossa ollut riskiryhmä' tarkoittaa
Perinteisessä EKG-tulkinnassa lääkäri etsii tunnettuja poikkeamia: rytmihäiriöitä, hapenpuutteen merkkejä, johtumisen ongelmia. Jos näitä ei näy, käyrä tulkitaan normaaliksi ja potilas ohjataan pois jatkotutkimuksista.
Piilossa ollut riskiryhmä koostuu ihmisistä, joiden käyrä läpäisee tämän seulan mutta joilla on silti kohonnut vaara. Tyyppiesimerkki on oireeton vasemman kammion vajaatoiminta: sydämen pumppausteho on jo heikentynyt, mutta oireita ei vielä ole eikä tavallinen EKG paljasta tilaa. Ilman kaikututkimusta se jää usein huomaamatta.
Miten malli näkee vaaran, jota menetelmä ei
Ihminen tulkitsee EKG:ta hahmoina: aaltojen muoto, niiden välit ja poikkeamat perustasosta. Neuroverkko käsittelee saman signaalin numeroina ja oppii yhdistämään hienovaraisia, hajallaan olevia piirteitä lopputulokseen. Nämä piirteet ovat usein niin pieniä tai monimutkaisia, ettei niitä voi tiivistää sääntökirjaan.
Mayo Clinicin tutkimuksessa (Nature Medicine, 2019) noin 45 000 potilaan aineistolla koulutettu malli tunnisti heikentyneen pumppaustehon, ejektiofraktion alle 35 prosentin, pelkästä EKG:sta. Erottelukyky oli hyvä, AUC noin 0,93. Saman ryhmän toinen työ (Lancet, 2019) ennusti eteisvärinän riskiä yli 180 000 potilaan aineistosta silloinkin, kun rytmi oli nauhoitushetkellä normaali.
Tutkimustulos ei ole vielä hoitosuositus
Suuri osa tuloksista on saatu takautuvasti kerätyllä sairaala-aineistolla. Se, että malli erottaa riskiryhmän tilastollisesti, ei vielä tarkoita, että sen käyttö parantaisi potilaiden ennustetta arjessa. Satunnaistettuja tutkimuksia on toistaiseksi vähän, ja mallin tarkkuus voi heiketä, kun se viedään toiseen sairaalaan tai toisenlaiseen potilasjoukkoon.
