Doctors take minutes to measure heart function. AI takes seconds

AIは心臓スキャンを数分ではなく数秒で分析し、2万7000人以上の患者の死亡率予測において専門の臨床医をわずかに上回ったが、研究者らはその臨床上の利点についてはまだ前向きの検証が必要だと警告している。

研究: 死亡率予測のための人工知能と臨床医の心臓 MRI の左心室セグメンテーションのパフォーマンス: 遡及的、多施設、予後研究。画像クレジット: Reshetnikov_art/Shutterstock.com

人工知能 （AI) から導出された心臓からの左心室駆出率の測定値 MRI で発表された後ろ向き研究によると、スキャンは臨床医による測定値よりもわずかに良好に全死因死亡率を予測しました。 ランセットデジタルヘルス。この研究結果は、AI が心機能評価の合理化に役立つ可能性があることを示唆していますが、その臨床上の利点についてはさらなる調査が必要です。

AI は心臓 MRI による死亡率の予測方法を改善できるでしょうか?

左心室駆出率は心機能の重要な尺度であり、臨床上の意思決定やリスク層別化に広く使用されています。心臓 MRI は心機能を評価するためのゴールドスタンダードと考えられていますが、臨床医による手動の画像セグメンテーションは観察者のばらつきに左右され、測定精度が制限される可能性があります。

これまでの研究では、AI が測定のばらつきを減らし、精度を向上させ、画像処理時間を大幅に短縮できることが示唆されています。しかし、これらの利点が臨床転帰のより適切な予測につながるかどうかは、まだ完全には理解されていません。

今回の研究では、心臓MRIスキャンからの駆出率やその他の左心室パラメータのAI由来の測定値が、全死因死亡率の予測において専門の臨床医の測定値を上回るかどうかを調査した。

AI は専門の臨床医よりわずかに優れた死亡率予測を行う

この後ろ向き研究には、英国と米国の 2 つの施設で心臓 MRI を受けた 27,382 人の患者が含まれていました。中央値5.6年の追跡調査中に13%が死亡した。

AI 由来の駆出率は、臨床医由来の測定値よりも優れた統計モデルの適合性と、全死因死亡率のわずかに優れた識別を示しました。

年齢と性別を調整する前、AI ベースのモデルでは C インデックスが 0.669 に達しましたが、臨床医の測定では 0.637 でした。調整後、差は大幅に縮小し、C インデックス値はそれぞれ 0.781 と 0.777 になりました。統計的に有意ではありましたが、死亡率の差別化の改善はわずかでした。

臨床医の測定値を含むモデルに AI 由来の駆出率を追加すると、モデルの適合性が大幅に向上しました。逆に、臨床医の測定値を AI ベースのモデルに追加しても、わずかな改善しか得られませんでした。これらの発見は、AI 測定が臨床医の測定によって提供される予後情報のすべてではなく、ほとんどを取得したことを示唆しています。

また、AI アルゴリズムは心臓 MRI スキャンを大幅に高速に処理し、患者 1 人あたり約 3 ～ 4 秒を要しました。比較すると、以前の研究では臨床医のセグメンテーションに患者 1 人あたり中央値 13 分かかりました。

ただし、AI の測定にエラーがなかったわけではありません。無作為に選択された 600 人の患者のサンプルでは、​​6 つのケースでセグメンテーション エラーが発生しました。これは 1% のエラー率に相当します。極端な駆出率測定、特に非常に低い値を使用したスキャンではエラーがかなり頻繁に発生しており、臨床医の監視の重要性が浮き彫りになっています。

また、AI は臨床医とは体系的に異なる測定値を生成し、駆出率の中央値は 62.1% と比較して 57.8% と低くなりました。しかし、この研究では、独立した参照標準と比較して、どの測定値が解剖学的により正確であるかは確立されていませんでした。

わずかな予測利益が AI の可能性と限界を浮き彫りにする

この調査結果は、AI が心臓 MRI 解析を加速し、臨床医の作業負荷を軽減し、死亡リスク予測を若干向上させる可能性があることを強調しています。

予後性能の小さな改善であっても、大規模な患者集団に適用すると、潜在的に価値がある可能性があります。しかし、観察された差異の臨床的重要性は依然として不確かである。

研究者らはまた、さまざまな心臓の状態にわたる予測性能も調べました。

閉塞性冠動脈疾患の患者では、AI から導出された駆出率は臨床医の測定よりも死亡率モデルによく適合していることが示されました。 AI 測定値を臨床医由来の測定値に追加するとモデルはさらに改善されましたが、臨床医の測定値を AI 由来の測定値に追加しても改善されませんでした。

非虚血性心筋症患者では、AI はモデルの適合においてより小さな利点を示しましたが、臨床医の測定値に AI 由来の駆出率を追加しても、予測は大幅に改善されませんでした。

対照的に、臨床医が導き出した駆出率は、肥大型心筋症患者ではわずかに良好な結果を示しました。研究者らは、AI アルゴリズムのセグメンテーション手法では、過剰小柱形成や乳頭筋の肥大など、特定の解剖学的特徴を完全には捕捉できない可能性があると示唆しました。

しかし、左心室容積測定値は、AI または臨床医が測定値を取得したかどうかに関係なく、一般にこのサブグループの死亡率の予測因子としては不十分でした。

全体的な調査結果は、急性新型コロナウイルス感染症で入院した患者の心エコー検査から AI で導き出された駆出率を使用した、より良い死亡率予測を報告した以前の研究と一致しています。

この研究では、現実世界の画像条件下で AI ベースの予後ツールを評価するための大規模な臨床データセットの可能性も強調しています。ただし、いくつかの制限があるため、考慮する必要があります。

この分析は遡及的であり、原因別の死亡率データは含まれていませんでした。臨床医のセグメンテーション技術の違いも、観察された AI の利点に寄与した可能性があります。さらに、研究者らは統計モデルの適合性と死亡率の区別を評価したが、リスク校正や、AIに基づく測定が臨床上の意思決定や患者の転帰を改善するかどうかは評価しなかった。

この研究には英国と米国の両方からの患者が含まれていましたが、ほとんどの参加者は英国の 1 つの施設からの参加者であり、著者らは民族グループ間のパフォーマンスを評価していませんでした。数人の著者は、研究で使用されたセグメンテーション技術に関連する会社である MycardiumAI との財政的関係も明らかにしました。

研究者らは、AI 由来の駆出率は臨床医の監視下での第一選択の測定アプローチとして有用である可能性があると結論付けました。ただし、その臨床的有用性、費用対効果、患者ケアへの影響を確立するには、前向き研究が必要です。