ในบทความนี้

• เหตุใดการเสียชีวิตกะทันหันจากภาวะหัวใจหยุดเต้นจึงยังคงยากที่จะคาดเดา
• เครื่องมือทางคลินิกแบบดั้งเดิมมีข้อบกพร่องอย่างไร โดยเฉพาะในผู้ป่วยที่อายุน้อย
• อะไรที่ทำให้โมเดล AI ของ MAARS แม่นยำและยุติธรรมมากขึ้น
• เหตุใดภาพทางการแพทย์แบบดิบจึงมีความสำคัญมากกว่าบทสรุปของผู้เชี่ยวชาญ
• AI จะสามารถกำหนดความรับผิดชอบและความน่าเชื่อถือทางการแพทย์ใหม่ได้อย่างไร

AI เหนือกว่าแพทย์ในการพยากรณ์โรคหัวใจ

ภาวะหัวใจหยุดเต้นเฉียบพลัน (SCD) ไม่ได้ให้โอกาสแก้ตัว มักเกิดขึ้นโดยไม่มีสัญญาณเตือนล่วงหน้า และเป็นสาเหตุการเสียชีวิตจำนวนมหาศาลทั่วโลก เฉลี่ยอยู่ที่ 50 ถึง 100 ราย จากประชากร 100,000 คนในอเมริกาเหนือและยุโรปในแต่ละปี แม้ว่าเครื่องกระตุกหัวใจไฟฟ้าแบบฝัง (implantable defibrillator) จะสามารถป้องกันโศกนาฏกรรมเหล่านี้ได้ แต่ความท้าทายที่แท้จริงอยู่ที่การรู้ว่าใครต้องการเครื่องกระตุ้นหัวใจไฟฟ้าจริงๆ นั่นคือสิ่งที่วงการการแพทย์เคยล้มเหลวมาโดยตลอด โดยเฉพาะอย่างยิ่งในผู้ป่วยโรคกล้ามเนื้อหัวใจหนา (Hypertrophic Cardiomyopathy: HCM) ซึ่งเป็นโรคทางพันธุกรรมที่มักพบในคนหนุ่มสาวที่ดูเหมือนจะมีสุขภาพดี

แพทย์มักยึดถือแนวทางปฏิบัติที่อิงตามเศษส่วนการขับเลือด ซึ่งก็คือปริมาณเลือดที่หัวใจสูบฉีดออกมาในแต่ละจังหวะการเต้นของหัวใจ แต่โดยทั่วไปแล้วผู้ป่วย HCM มักมีเศษส่วนการขับเลือดต่ำ หัวใจของพวกเขาอาจทำงานมากเกินไปด้วยซ้ำ ดังนั้นสัญญาณเตือนภัยเหล่านี้จึงยังไม่ชัดเจนเพียงพอ และเมื่อเครื่องมือแบบดั้งเดิมล้มเหลว ผู้ป่วยจะต้องรับผลที่ตามมาอย่างสาหัส

ขอแนะนำ MAARS: เครื่องทำนายที่ชาญฉลาดยิ่งขึ้น

พัฒนาโดยทีมงานจากมหาวิทยาลัยจอห์นส์ฮอปกินส์ปัญญาประดิษฐ์แบบหลายโหมดสำหรับการแบ่งชั้นความเสี่ยงภาวะหัวใจเต้นผิดจังหวะ (ventricular Arrhythmia Risk Stratification) หรือที่เรียกสั้นๆ ว่า MAARS ไม่ได้พิจารณาสุขภาพของผู้ป่วยเพียงด้านเดียว แต่เรียนรู้จากทุกสิ่ง ไม่ว่าจะเป็นบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) รายงานผลการตรวจคลื่นเสียงสะท้อนหัวใจ ภาพ MRI ที่ใช้สารทึบรังสี และอื่นๆ อีกมากมาย แบบจำลองนี้ใช้การเรียนรู้เชิงลึกแบบทรานส์ฟอร์เมอร์ ซึ่งเป็นสถาปัตยกรรมเครือข่ายประสาทเทียมรุ่นใหม่ที่คล้ายกับที่ขับเคลื่อน AI อย่าง ChatGPT หรือเครื่องมือจดจำภาพ

ความก้าวหน้าอยู่ที่วิธีที่ MAARS ประมวลผลข้อมูลนี้ แทนที่จะใช้การตีความภาพ MRI ของแพทย์ ระบบจะอ่านข้อมูลสแกนดิบ ซึ่งหมายความว่าไม่มีการกรองด้วยสายตามนุษย์ ไม่มีอคติ ไม่มีการกำกับดูแล ระบบสามารถระบุรูปแบบในพังผืด หรือรอยแผลเป็นภายในหัวใจ ที่รังสีแพทย์อาจมองข้าม และทำงานในรูปแบบ 3 มิติโดยใช้ Vision Transformer (3D-ViT) โดยยังคงความซับซ้อนของหัวใจมนุษย์ไว้ทั้งหมด

เหนือกว่าผู้เชี่ยวชาญอย่างมาก

มาพูดถึงผลลัพธ์กันดีกว่า ในการทดสอบกับเครื่องมือทางคลินิกมาตรฐาน เช่น แนวทาง ACC/AHA, คะแนนความเสี่ยง ESC และเครื่องคำนวณความเสี่ยง HCM-SCD พบว่า MAARS ไม่เพียงแต่เหนือกว่าคู่แข่งเท่านั้น แต่ยังทำลายคู่แข่งอีกด้วย ในกลุ่มการตรวจสอบภายใน MAARS มีค่า AUC (พื้นที่ใต้เส้นโค้ง) อยู่ที่ 0.89 ขณะที่เครื่องมือทางคลินิกมีค่าอยู่ระหว่าง 0.54 ถึง 0.62 ในการทดสอบภายนอกจากระบบโรงพยาบาลอื่น MAARS ยังคงแข็งแกร่งด้วยค่า AUC ที่ 0.81 ซึ่งสูงกว่าค่าอื่นๆ ที่แพทย์ใช้ในปัจจุบันมาก

นั่นไม่ใช่การปรับปรุงเพียงเล็กน้อย แต่มันคือตัวเปลี่ยนเกม สำหรับบริบท ค่า AUC ที่ 0.5 เท่ากับการโยนเหรียญ เครื่องมือชั้นนำแทบจะไม่สูงกว่าเกณฑ์นั้นเลย MAARS ไม่เพียงแต่ทำนายได้ดีกว่าเท่านั้น แต่ยังทำนายได้อย่างแม่นยำและสม่ำเสมอในทุกกลุ่มอายุ เพศ และเชื้อชาติ

อคติในทางการแพทย์: ปัญหาที่ AI อาจแก้ไขได้

ความยุติธรรมไม่ใช่คำฮิตติดปากในที่นี้ แต่มันคือความเป็นความตาย เครื่องมือทางการแพทย์มักล้มเหลวสำหรับกลุ่มคนส่วนน้อยและผู้ป่วยที่อายุน้อยกว่า เนื่องจากข้อมูลการทดลองที่จำกัดหรือสมมติฐานที่คลาดเคลื่อน แต่ MAARS ซึ่งสร้างขึ้นบนกรอบการทำงานแบบหลายรูปแบบ แสดงให้เห็นถึงประสิทธิภาพที่เท่าเทียมกันอย่างน่าทึ่งในทุกกลุ่มย่อย ไม่ว่าผู้ป่วยจะเป็นเด็กหรือผู้ใหญ่ ชายหรือหญิง แอฟริกันอเมริกันหรือผิวขาว MAARS ก็ให้ผลที่แม่นยำเกือบเท่ากัน ซึ่งถือเป็นสิ่งที่หาได้ยากในการคาดการณ์ทางคลินิก และมีความสำคัญอย่างยิ่งในโลกที่ความเหลื่อมล้ำทางสุขภาพกำลังขยายตัว

จุดพลิกผันที่น่าประหลาดใจอย่างหนึ่งคือ เชื้อชาติแอฟริกันอเมริกันมีความสัมพันธ์กับความเสี่ยง SCDA ที่ลดลงในแบบจำลอง ซึ่งเป็นผลลัพธ์ที่ควรค่าแก่การสำรวจเชิงลึกมากขึ้น แต่ยังเป็นการบอกใบ้ถึงข้อมูลเชิงลึกที่ AI สามารถมอบให้ได้ โดยเฉพาะอย่างยิ่งเมื่อเราปล่อยให้มันพูดจากข้อมูลดิบแทนที่จะใช้สมมติฐานของมนุษย์

ความโปร่งใสในกล่องดำ

คนส่วนใหญ่ไม่เชื่อถืออัลกอริทึมแบบกล่องดำ ซึ่งก็ถูกต้องแล้ว MAARS ไม่ได้แค่แสดงคะแนนความเสี่ยงออกมา แต่มันอธิบายตัวเองได้ ด้วยการใช้เทคนิคต่างๆ เช่น ค่า Shapley และการทำแผนที่ความสนใจ แบบจำลองนี้จึงเผยให้เห็นปัจจัยที่มีอิทธิพลต่อการตัดสินใจ ไม่ว่าจะเป็นประวัติภาวะหัวใจห้องบนสั่นพลิ้ว การทดสอบความเครียดที่แสดงให้เห็นการตอบสนองของอัตราการเต้นของหัวใจที่ต่ำลง หรือรูปแบบที่ซ่อนอยู่ในพังผืดจากการสแกนหัวใจ MAARS ไม่ได้ทำให้แพทย์ต้องคาดเดา มันให้แนวทางในการทำความเข้าใจความเสี่ยง และอาจรวมถึงพยาธิสภาพพื้นฐานด้วย

นี่ไม่ใช่ความสามารถในการตีความในฐานะคุณสมบัติ แต่มันคือความสามารถในการตีความในฐานะความรับผิดชอบ เมื่อ AI กำลังให้คำแนะนำที่เปลี่ยนแปลงชีวิต โดยเฉพาะอย่างยิ่งเกี่ยวกับผู้ที่จะได้รับเครื่องกระตุ้นหัวใจไฟฟ้าแบบฝัง ความชัดเจนจึงเป็นสิ่งสำคัญ MAARS มอบสิ่งนี้ให้ ทั้งในรูปแบบภาพและสถิติ

เหตุใดข้อมูลทางการแพทย์ดิบจึงเปลี่ยนเกม

มีบทเรียนตรงนี้ที่มากกว่าแค่เรื่องหัวใจวิทยา นั่นคือ ข้อมูลดิบสามารถสรุปผลได้ รายงานของแพทย์แม้จะมีคุณค่ามหาศาล แต่ก็ทำให้เกิดความคิดเห็นส่วนตัว แต่ MAARS อ่านสัญญาณนั้นเอง ซึ่งก็คือภาพสแกนจริง และเรียนรู้รูปแบบที่มนุษย์ไม่เคยสอนให้มันมองเห็น มันไม่ได้ถูกจำกัดด้วยสิ่งที่เราคิดว่าสำคัญอยู่แล้ว การทำเช่นนี้ได้นิยามความหมายของคำว่า "สำคัญ" ขึ้นใหม่ แม้ในทางคลินิก

การเปลี่ยนแปลงนี้ จากการตีความข้อมูลที่ประมวลผลล่วงหน้า ไปสู่การวิเคราะห์ข้อมูลดิบ ถือเป็นหัวใจสำคัญของ AI ทางการแพทย์ยุคใหม่ ก้าวจากการเลียนแบบแพทย์ ไปสู่การเสริมประสิทธิภาพ หรือเหนือกว่าแพทย์ นี่คือความแตกต่างระหว่างการฝึกนกแก้วกับการเลี้ยงดูนักวินิจฉัยโรค

ข้อจำกัดและอุปสรรคในโลกแห่งความเป็นจริง

อย่ามองว่า MAARS ไร้ที่ติ เช่นเดียวกับโมเดลอื่นๆ มันยังเผชิญกับความท้าทาย กลุ่มฝึกอบรมของ MAARS มีจำนวนค่อนข้างน้อย คือมีผู้ป่วยเพียง 800 คนเท่านั้น และการเสียชีวิตจากภาวะหัวใจหยุดเต้นเฉียบพลันยังคงเป็นเหตุการณ์ที่เกิดขึ้นได้ยาก ซึ่งหมายความว่ามีข้อมูลจำกัดสำหรับสิ่งที่โมเดลพยายามทำนาย แม้ว่าอัลกอริทึมจะทำงานได้ดีทั้งในการตรวจสอบความถูกต้องภายในและภายนอก แต่จำเป็นต้องทดสอบกับประชากรในวงกว้างและระยะเวลาที่ยาวนานขึ้น

อุปสรรคอีกประการหนึ่ง? โครงสร้างพื้นฐานที่จำเป็น โรงพยาบาลบางแห่งไม่มีฮาร์ดแวร์สำหรับการถ่ายภาพ ระบบประมวลผลข้อมูล หรือบุคลากรที่พร้อมจะติดตั้งระบบดังกล่าว อย่างไรก็ตาม เมื่อการแบ่งปันข้อมูล การจัดเก็บข้อมูลบนคลาวด์ และการวินิจฉัยโรคด้วย AI พัฒนาขึ้น โมเดลที่คล้ายกับ MAARS อาจเข้าถึงได้ง่ายขึ้นมาก แม้แต่ในคลินิกขนาดเล็กหรือในภูมิภาคที่กำลังพัฒนา

การกำหนดความรับผิดชอบและการตัดสินทางคลินิกใหม่

นี่คือคำถามที่น่าอึดอัดใจ: จะเกิดอะไรขึ้นเมื่อเครื่องจักรมองเห็นสิ่งที่แพทย์ของคุณมองข้ามไป? เราเชื่อมั่นในแบบจำลองนั้นหรือไม่? หรือเรายึดติดกับความปลอดภัยในการตัดสินของมนุษย์? MAARS ก้าวข้ามขีดจำกัดนั้นไป มันไม่ได้มาแทนที่แพทย์ แต่มันท้าทายให้พวกเขาคิดต่างออกไป บูรณาการข้อมูลที่แพทย์อาจไม่มีเวลาวิเคราะห์อย่างเต็มที่ และพึ่งพาเครื่องมือที่ไม่ถูกจำกัดด้วยการนอนหลับ ความเครียด หรือสัญชาตญาณทางคลินิก

อนาคตไม่ใช่การต่อสู้ระหว่างคนกับเครื่องจักร แต่มันคือการต่อสู้ระหว่างคนกับเครื่องจักร และเมื่อต้องป้องกันหนึ่งในสาเหตุการเสียชีวิตที่ฉับพลันและน่าเศร้าที่สุด ความร่วมมือนี้อาจมีคุณค่าอย่างประเมินค่าไม่ได้

MAARS อาจเป็นเพียงตัวย่อตัวหนึ่งในชุดตัวอักษรของ AI ทางการแพทย์ แต่ความหมายของมันนั้นกว้างไกลเกินกว่าคำว่า "โรคหัวใจ" มันบอกอะไรบางอย่างที่สำคัญเกี่ยวกับอนาคตของการดูแลสุขภาพ นั่นคือ การวินิจฉัยที่ชาญฉลาดที่สุดอาจไม่ได้มาจากสิ่งที่คุณเห็น แต่มาจากสิ่งที่คุณตัดสินใจที่จะเชื่อในที่สุด

เกี่ยวกับผู้เขียน

อเล็กซ์ จอร์แดนเป็นนักเขียนประจำของ InnerSelf.com

สรุปบทความ

MAARS คือโมเดล AI แบบหลายโหมดที่คาดการณ์ภาวะหัวใจหยุดเต้นได้แม่นยำกว่าแพทย์ โดยการวิเคราะห์ภาพดิบและข้อมูลทางการแพทย์ โมเดลนี้ให้การประเมินความเสี่ยงที่ยุติธรรม โปร่งใส และเฉพาะบุคคลมากขึ้นสำหรับโรคกล้ามเนื้อหัวใจโต ด้วยประสิทธิภาพที่เหนือกว่าเครื่องมือแบบดั้งเดิมและลดอคติ MAARS จึงเป็นสัญญาณของความก้าวหน้าครั้งสำคัญในการคาดการณ์ภาวะหัวใจหยุดเต้นและการดูแลสุขภาพที่ขับเคลื่อนด้วย AI

#การพยากรณ์โรคหัวใจ #AIhealthcare #โมเดล MAARS #การเสียชีวิตกะทันหันจากโรคหัวใจ #ปัญญาประดิษฐ์ #AI ทางการแพทย์ #การดูแลหลอดเลือดหัวใจ #เทคโนโลยีสุขภาพ #การตรวจคลื่นเสียงสะท้อนหัวใจ #CMRimaging