การตรวจคลื่นไฟฟ้าหัวใจ

ปัจจุบัน NHS มีเครื่องตรวจวัดระดับน้ำตาลกลูโคสแบบต่อเนื่อง (Continuous Glucose Monitors - CGM) เพื่อตรวจหาภาวะน้ำตาลในเลือดต่ำ (ระดับน้ำตาลในเลือดหรือผิวหนัง) พวกเขาวัดระดับน้ำตาลในของเหลวคั่นระหว่างหน้าโดยใช้เซ็นเซอร์ที่บุกรุกด้วยเข็มขนาดเล็ก ซึ่งจะส่งสัญญาณเตือนและข้อมูลไปยังอุปกรณ์แสดงผล ในหลายกรณี พวกเขาต้องการการสอบเทียบสองครั้งต่อวันด้วยการตรวจระดับน้ำตาลในเลือดด้วยปลายนิ้ว อย่างไรก็ตาม ทีมงานของ Dr Leandro Pecchia แห่งมหาวิทยาลัย Warwick ได้เผยแพร่ผลการวิจัยในบทความเรื่อง 'Precision Medicine and Artificial Intelligence: A Pilot Study on Deep Learning for Hypoglycemic Events Detection based on ECG' ในวารสาร Nature Springer รายงานทางวิทยาศาสตร์ที่พิสูจน์ว่าการใช้การค้นพบล่าสุดของปัญญาประดิษฐ์ (เช่น การเรียนรู้เชิงลึก) พวกเขาสามารถตรวจจับเหตุการณ์น้ำตาลในเลือดต่ำจากสัญญาณ ECG ดิบที่ได้มาจากเซ็นเซอร์สวมใส่ที่ไม่รุกรานที่มีอยู่ทั่วไป การศึกษานำร่อง 2 เรื่องกับอาสาสมัครที่มีสุขภาพดีพบความไวและความจำเพาะโดยเฉลี่ยประมาณ 82% สำหรับการตรวจหาภาวะน้ำตาลในเลือดต่ำ ซึ่งเทียบได้กับประสิทธิภาพของ CGM ในปัจจุบัน แม้ว่าจะไม่รุกรานก็ตาม ดร. Leandro Pecchia จาก School of Engineering แห่งมหาวิทยาลัย Warwick แสดงความคิดเห็นว่า: "การแคะนิ้วไม่เคยเป็นที่พอใจและในบางกรณีก็ยุ่งยากเป็นพิเศษ การแคะนิ้วในตอนกลางคืนเป็นสิ่งที่ไม่พึงประสงค์อย่างแน่นอน โดยเฉพาะอย่างยิ่งสำหรับผู้ป่วยที่อยู่ในวัยเด็ก "นวัตกรรมของเราประกอบด้วยการใช้ปัญญาประดิษฐ์ในการตรวจจับภาวะน้ำตาลในเลือดต่ำโดยอัตโนมัติผ่าน คลื่นไฟฟ้าหัวใจ เพียงไม่กี่ครั้ง สิ่งนี้มีความเกี่ยวข้องเนื่องจากสามารถตรวจจับคลื่นไฟฟ้าหัวใจได้ในทุกสถานการณ์ รวมถึงการนอนหลับ" รูปแสดงผลลัพธ์ของอัลกอริทึมในช่วงเวลาหนึ่ง: เส้นสีเขียวแสดงถึงระดับน้ำตาลปกติ ในขณะที่เส้นสีแดงแสดงถึงระดับน้ำตาลต่ำ เส้นแนวนอนแสดงค่ากลูโคส 4 มิลลิโมล/ลิตร ซึ่งถือเป็นเกณฑ์ที่สำคัญสำหรับเหตุการณ์ภาวะน้ำตาลในเลือดต่ำ พื้นที่สีเทารอบเส้นต่อเนื่องแสดงถึงแถบข้อผิดพลาดในการวัด แบบจำลอง Warwick เน้นว่า ECG เปลี่ยนแปลงอย่างไรในแต่ละเรื่องในระหว่างเหตุการณ์ภาวะน้ำตาลในเลือดต่ำ รูปด้านล่างเป็นตัวอย่าง เส้นทึบแสดงอัตราการเต้นของหัวใจเฉลี่ยสำหรับสองเรื่องที่แตกต่างกัน เมื่อระดับน้ำตาลอยู่ในเกณฑ์ปกติ (เส้นสีเขียว) หรือต่ำ (เส้นสีแดง) เงาสีแดงและสีเขียวแสดงถึงค่าเบี่ยงเบนมาตรฐานของการเต้นของหัวใจรอบค่าเฉลี่ย การเปรียบเทียบเน้นว่าทั้งสองเรื่องมีการเปลี่ยนแปลงรูปคลื่น ECG ที่แตกต่างกันในระหว่างเหตุการณ์ไฮโป โดยเฉพาะอย่างยิ่ง ผู้รับการทดลองที่ 1 แสดงช่วงเวลา QT ที่ยาวขึ้นอย่างเห็นได้ชัดในช่วงภาวะไฮโป ในขณะที่ผู้รับการทดลองที่ 2 ไม่มี แถบแนวตั้งแสดงถึงความสำคัญสัมพัทธ์ของคลื่น ECG แต่ละคลื่นในการพิจารณาว่าการเต้นของหัวใจจัดอยู่ในประเภทไฮโปหรือปกติ จากแถบเหล่านี้ แพทย์ที่ผ่านการฝึกอบรมเห็นว่าสำหรับอาสาสมัครที่ 1 การกระจัดของคลื่น T มีอิทธิพลต่อการจำแนกประเภท ซึ่งสะท้อนให้เห็นว่าเมื่อผู้รับการทดลองอยู่ในภาวะไฮโป การรีโพลาไรเซชันของโพรงสมองจะช้าลง ในหัวข้อที่ 2 ส่วนประกอบที่สำคัญที่สุดของคลื่นไฟฟ้าหัวใจคือคลื่น P และการเพิ่มขึ้นของคลื่น T ซึ่งบ่งชี้ว่าเมื่ออาสาสมัครอยู่ในภาวะไฮโป สิ่งนี้อาจส่งผลต่อการแทรกแซงทางคลินิกที่ตามมา ผลลัพธ์นี้เป็นไปได้เนื่องจากแบบจำลอง Warwick AI ได้รับการฝึกด้วยข้อมูลของอาสาสมัครแต่ละคน ความแตกต่างระหว่างอัตนัยมีความสำคัญมาก การฝึกระบบโดยใช้ข้อมูลตามรุ่นจะไม่ให้ผลลัพธ์ที่เหมือนกัน ในทำนองเดียวกัน การบำบัดส่วนบุคคลตามระบบของเราอาจมีประสิทธิภาพมากกว่าแนวทางปัจจุบัน ดร. Leandro Pecchia แสดงความคิดเห็น: "ความแตกต่างที่ไฮไลต์ข้างต้นสามารถอธิบายได้ว่าทำไมการศึกษาก่อนหน้านี้ที่ใช้ ECG เพื่อตรวจหาเหตุการณ์ภาวะน้ำตาลในเลือดต่ำจึงล้มเหลว ประสิทธิภาพของอัลกอริทึม AI ที่ฝึกฝนผ่านข้อมูล ECG ของกลุ่มประชากรจะถูกขัดขวางโดยความแตกต่างระหว่างหัวข้อเหล่านี้" "วิธีการของเราช่วยให้สามารถปรับแต่งอัลกอริธึมการตรวจจับได้เฉพาะบุคคล และเน้นย้ำว่าเหตุการณ์ภาวะน้ำตาลในเลือดต่ำส่งผลต่อคลื่นไฟฟ้าหัวใจในแต่ละบุคคลอย่างไร จากข้อมูลนี้ แพทย์สามารถปรับการบำบัดให้เข้ากับแต่ละบุคคลได้ จำเป็นต้องมีการวิจัยทางคลินิกที่ชัดเจนมากขึ้นเพื่อยืนยันผลลัพธ์เหล่านี้ในกลุ่มประชากรที่กว้างขึ้น นี่คือเหตุผลว่าทำไม เรากำลังมองหาพันธมิตร"