Artificiell intelligens vid diagnostik av förmaksflimmer prediktion av dess följdsjukdomar

Bakgrund:

Med introduktionen av Artificiell Intelligens (AI) och Machine Learning (ML) öppnas nya förutsättningar att få ut mer information om patientens hälsotillstånd ur ögonblicksbilden vid ett EKG. Det finns en betydande potential och möjlighet att med AI-teknik utöka det kliniska värdet av ett EKG.

Den vanligaste hjärtrytmrubbningen i Sverige är förmaksflimmer (FF). Obehandlat leder det till en kraftigt förhöjd risk för följdsjukdomar såsom stroke och demens, samt en fördubblad risk att dö förtida.

Patienter med FF är ofta asymptomatiska, med ökad risk att förbli odiagnostiserad och obehandlad. Detta gör det angeläget att hitta metoder för att identifiera och diagnostisera patienter som lider av förmaksflimmer, innan det leder till följdsjukdomar.

I flera stora screening-studier, bland annat STROKESTOP, STROKESTOP II i Sverige och SAFER [safer.phpc.cam.ac.uk] i Storbritannien, har 1-kanals EKG använts för att hitta och diagnostisera FF tidigt. Det har visat sig vara mycket effektivt för att hitta förmaksflimmer jämfört med traditionella metoder.

Målsättning: I föreliggande projekt avser vi undersöka en AI-baserad modell för att se huruvida vi kan predicera detektion av paroxysmalt FF utifrån ett första, normalt EKG från en patient.

Arbetsplan: Vi kommer att använda anonymiserad EKG-data från genomförda och pågående screeningstudierna STROKESTOP, STROKESTOP II och SAFER. EKG är redan annoterad med hjälp av regelbaserad maskintolkning på EKG-nivå samt med manuell annotering på patientnivå. Etiktillstånd finns.

Databaserna från studierna innehåller sammantaget 538.978 EKG-registreringar från 15.137 patienter med en jämn könsfördelning av män och kvinnor. Av de 15.137 patienterna har 664 patienter fått diagnosen förmaksflimmer. I en första delstudie planerar vi att med hjälp av ett första 1-kanals EKG se om vi kan förbättra detektion av förmaksflimmer jämfört med två veckors screening.

Därefter kommer vi att studera om vi utifrån EKG-registreringar kan predicera utfall av samsjuklighet hos patienter med och utan förmaksflimmer. Data från register avses att inhämtas 2020.

Betydelse: Möjligheten att identifiera högriskpatienter för FF och dess följdsjukdomar utifrån ett enskilt upptaget EKG när patienten är i normalrytm, skulle innebära ett nytt och effektivt sätt att förebygga konsekvenser av förmaksflimmer.