Artificial Intelligence (AI) of in het Nederlands: kunstmatige intelligentie vindt steeds meer een weg binnen de zorg. AI is een verzamelterm die omvat dat een computer, robot, device of software taken uitvoert die normaal gesproken worden gedaan door de mens, omdat deze taken het humane intelligentie- en onderscheidingsvermogen nodig hebben. Deze techniek is voor clinici soms nog lastig te begrijpen. Voornamelijk door het “black-box” effect van AI: het algoritme geeft een voorspelling of annoteert wat op scans staat, maar hoe dit precies in zijn werk gaat, is niet altijd transparant. In dit artikel wordt de toepassing van AI binnen de cardiologie uiteengezet en daarin met name gekeken naar atriumfibrilleren (AF). Hoe groot is nu eigenlijk het gat tussen de ontwikkeling van AI en het daadwerkelijke gebruik in de klinische praktijk?
AI neemt werk uit handen
AI kent vele toepassingen binnen de cardiologie. In een oogopslag kan de anatomie van het hart worden beoordeeld of kunnen echocardiograms worden geanalyseerd met AI. Dit ondersteunt het annotatie- of analyse proces en neemt daarmee werk uit handen van de elektrocardiogram(ECG)- analisten en cardioloog. Daarnaast kan AI worden ingezet voor automatische segmentaties van de ventrikels op Magnetic Resonance Imaging (MRI) scans of voor het detecteren van abnormale hartritmes. Op deze manier kunnen op AI-gebaseerde modellen artsen ondersteunen om patiënten met hartafwijkingen te identificeren.
Hoe werkt een AI-algoritme?
AI, Machine Learning (ML) of Deep Learning (DL) zijn veel genoemde termen. AI is erop gericht functies te ontwikkelen die humaan intelligente taken kunnen uitvoeren. ML is het vakgebied dat zich richt op het bereiken van het doel van AI door middel van het ontwikkelen van algoritmes. DL is een ML-methode, die zelfstandig of onzelfstandig relaties bepaalt tussen de gegeven input en gewenste output. Deze termen overlappen elkaar en worden daardoor in de klinische praktijk nog wel eens door elkaar gebruikt.
Een AI-algoritme bestaat uit een algoritme (het model) en de data invoer. Het algoritme is in staat om zelf patronen te herkennen in de data invoer en om hiervan te leren. Dit kan gecontroleerd, door als input geannoteerde data te selecteren. Van een dataset aan scans ‘weet’ het algoritme wat op de scans staat, want dit is vooraf aangegeven door een mens. Door meerdere voorbeelden te zien, leert het algoritme zelf welke features (of kenmerken) horen bij de bepaalde scans. Wanneer in het algoritme een eerder ongeziene scan voorbij komt, voorspelt deze wat de scan is. Een andere methode is om het minder gecontroleerd te doen. De input scans zijn dan niet geannoteerd en het algoritme ontdekt zelf een structuur binnen deze input. AI-algoritmes kunnen meer dan alleen het classificeren van de data. Zo kan het ook worden toegepast binnen regressie-modellen om bijvoorbeeld te evalueren wat voor factoren van invloed zijn op de prognose van een patiënt. Dit zijn prognostische factoren die in een enorme reeks van data door alleen menselijke inzichten niet worden gevonden en kunnen dus zorgen voor waardevolle toevoegingen aan de gezondheidszorg.
Atriumfibrilleren en AI
AF is de meest voorkomende hartritmestoornis en kan leiden tot bloedstolsels, een hartaanval of hartfalen. De incidentie van AF neemt ieder jaar toe. Patiënten kunnen deze hartritmestoornis hebben zonder de symptomen bewust te ervaren. Door een verstoorde elektrofysiologische activatie van het hart is sprake van een snelle en onregelmatige activiteit en contractie van de boezems.
De diagnose kan worden gesteld met behulp van onder andere een ECG, bloedonderzoek of echografie. AF treedt niet voortdurend op en wordt hierdoor tijdens korte onderzoeken niet altijd gediagnosticeerd. Een ECG gedurende 24-uur of langer kan dan worden ingezet om alsnog de diagnose te stellen. Deze metingen omvatten enorm veel data, wat een tijdrovende beoordeling vereist. Hier biedt AI dan ook een uitkomst. Door een AI-model te voorzien van ECG-data met geannoteerde periodes van AF kan het model zelf leren om AF op een ECG te detecteren. Een normaal patroon betreft een sinusritme; het model leidt zelf af uit de voorbeelden waar AF afwijkt van de rest van het normale patroon. Wanneer een langdurige ECG-scan in het model wordt ingevoerd, detecteert het model zelf of een periode sprake is geweest van AF. Een arts hoeft dus niet zelf de gehele meting na te gaan.
Niet alleen ECG, maar ook temperatuur monitoring of optische hartslagmeting met fotoplethysmografie (PPG) kunnen van meerwaarde zijn voor AF diagnostisering. Klinisch worden op dit moment deze parameters niet langdurig gemeten. Start-ups springen hierop in en ontwikkelingen medisch toepasbare hulpmiddelen die de patiënt gedurende meerdere dagen kan dragen. Praxa Sense (YESDelft!, Delft, Nederland) werkt bijvoorbeeld aan de ontwikkeling van Afi. Deze meet een ecg-signaal en bevat daarnaast een PPG-sensor, een bewegingssensor en temperatuurmeter. Extra metingen resulteren echter in meer variabelen die beoordeeld moeten worden. Een algoritme dat met behulp van AI naast het ECG-signaal ook deze variabelen meeneemt in AF detectie maakt dit klinisch toepasbaar voor langdurige metingen, omdat een arts of ECG-analist zelf minder handmatig moet controleren. Een nog breder algoritme dat naast ECG-, temperatuur- en PPG-data ook relevante klinische gegevens als leeftijd en BMI van de patiënt meeneemt, maakt een voorspelling door het algoritme nog patiënt-specifieker. Wanneer alle parameters voor een maand gemeten worden, is dit klinisch alleen relevant indien het automatisch geannoteerd en geanalyseerd kan worden. Een device als Afi en een achterliggend algoritme voor langdurige metingen, biedt een ondersteunende functie voor de uiteindelijke klinische diagnose.
Is AI klinisch toepasbaar?
Geautomatiseerde zorg, minder werk en daardoor meer focus op de patiënt. AI-algoritmes moeten aantrekkelijk klinken voor clinici. Maar wordt AI al gebruikt door clinici binnen de cardiologie? Veel werknemers met een medische achtergrond staan open voor het gebruik van AI, maar hebben niet de volledige kennis van de principes van de techniek. Samenwerking tussen software ingenieurs en de klinisch ontwikkelaar is dan ook cruciaal voor de implementatie van bijvoorbeeld een automatisch AF algoritme. Daarnaast is het van belang dat de patiënt wordt betrokken in het meetproces. Wanneer de patiënt bijvoorbeeld symptomen ervaart, moeten ze in staat zijn om dit aan te kunnen geven. De patiënt levert daarmee extra input aan het algoritme wat resulteert in een meer nauwkeurige voorspelling. Voorbeelden uit het verleden tonen aan dat de meest succesvolle techniek er een is die samenwerkt met de mens, in plaats van als losstaande entiteit.
AI-algoritmes worden op dit moment voornamelijk experimenteel toegepast als ondersteunende functie in de diagnosestelling. Een arts zal nog altijd de uiteindelijke diagnose stellen, maar kan daarvoor de hulp van een AI-algoritme gebruiken. De grootste uitdaging zit in de hoeveelheid data. Hoe meer invoer, hoe beter de voorspelling van het algoritme. Wanneer meerdere voorbeelden ‘voorbij’ zijn gekomen of wanneer een algoritme meer kenmerken heeft om tussen te onderscheiden, zal het resultaat nauwkeuriger zijn. Het aspect van meer data brengt ons terug naar een device als Afi, dat extra parameters meet bij de patiënt. Door deze extra parameters mee te nemen kan het AI-algoritme nog accurater worden. Het AI-algoritme kan niet altijd alle AF episodes detecteren en kan ook twijfelgevallen annoteren. Voor deze twijfelgevallen is het nog altijd van belang dat de arts vervolgens een keuze maakt en indien nodig zelf de data bekijkt.
Door het verminderen van druk in de zorg kan AI een positieve bijdrage leveren. Door clinici meer kennis te geven over de werking en de toepassingen van AI zal het sneller worden ontvangen en toegepast in de klinische praktijk. AI kan ook een helpen om meer ruimte voor de interactie tussen patiënt en arts te faciliteren, doordat het handmatig annoteren van langdurige metingen grotendeels wordt geautomatiseerd. Zo blijft er dankzij het werkt van een computer meer tijd over voor mensenwerk.
Referenties
- Bohr, A., & Memarzadeh, K. (2020). The rise of artificial intelligence in healthcare applications. Artificial Intelligence in Healthcare, 25–60. https://doi.org/10.1016/B978-0-12-818438-7.00002-2
- Castagno, S., & Khalifa, M. (2020). Perceptions of Artificial Intelligence Among Healthcare Staff: A Qualitative Survey Study. Frontiers in artificial intelligence, 3, 578983. https://doi.org/10.3389/frai.2020.578983
- Cheema, B. S., Walter, J., Narang, A., & Thomas, J. D. (2021). Artificial Intelligence-Enabled POCUS in the COVID-19 ICU: A New Spin on Cardiac Ultrasound. JACC. Case reports, 3(2), 258–263. https://doi.org/10.1016/j.jaccas.2020.12.013
- Friedman, P. A. (n.d.). AI may identify AF in patients during normal sinus rhythm. Healio. Retrieved December 2, 2021, from https://www.healio.com/news/cardiology/20190802/ai-may-identify-af-in-patients-during-normal-sinus-rhythm.
- Haleem, A., Javaid, M., Singh, R. P., & Suman, R. (2021). Applications of Artificial Intelligence (AI) for cardiology during COVID-19 pandemic. Sustainable Operations and Computers, 2, 71–78. https://doi.org/10.1016/j.susoc.2021.04.003
- Lippi, G., Sanchis-Gomar, F., & Cervellin, G. (2021). Global epidemiology of atrial fibrillation: An increasing epidemic and public health challenge. International journal of stroke : official journal of the International Stroke Society, 16(2), 217–221. https://doi.org/10.1177/1747493019897870
- Shen, J., Zhang, C., Jiang, B., Chen, J., Song, J., Liu, Z., He, Z., Wong, S. Y., Fang, P. H., & Ming, W. K. (2019). Artificial Intelligence Versus Clinicians in Disease Diagnosis: Systematic Review. JMIR medical informatics, 7(3), e10010. https://doi.org/10.2196/10010
