Проблемы оценки клинической эффективности применения искусственного интеллекта в диагностике ишемического инсульта
Аннотация
Искусственный интеллект (ИИ) активно используется в диагностике ишемического инсульта, позволяя ускорить процесс принятия решений и повысить точность диагностики. Модели машинного обучения способны выявлять зоны ишемии по данным КТ и МРТ, а также указывать объём поражения и рассчитывать балл по шкале ASPECTS. Современные ИИ-сервисы демонстрируют высокую диагностическую точность, сравнимую с точностью врачей-рентгенологов. По результатам клинических исследований, эти сервисы значимо сокращают время от поступления пациента с симптомами острого нарушения мозгового кровообращения в сосудистый центр до момента проведения лечения, однако их влияние на клинические исходы остаётся неясным. В статье рассматриваются проблемы оценки клинической эффективности ИИ в диагностике ишемического инсульта, включая систематические ошибки (bias) при обучении модели и выборе дизайна исследования, а также публикационная предвзятость. Для интеграции ИИ в клиническую практику необходимы рандомизированные контролируемые исследования с клинически значимыми конечными точками, а также стандартизация данных и методов оценки эффективности. Несмотря на значительный прогресс в разработке ИИ-решений для диагностики ишемического инсульта, их эффективность в реальной клинической практике требует дальнейшего изучения и валидации.
Об авторе
Илья Олегович Балунов
Российский государственный медицинский университет имени Н.И. Пирогова Министерства здравоохранения Российской Федерации
Россия
Россия
студент, кафедра медицинского права, этики и антропологии ИММ, 3434-2440
Список литературы
1. Wolcott ZC, English SW. Artificial intelligence to enhance prehospital stroke diagnosis and triage: a perspective. Front Neurol. 2024 May 2;15:1389056. doi: 10.3389/fneur.2024.1389056
2. McCarthy JJ, Minsky M, Rochester N, Shannon CE. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. Ai Magazine [Internet]. 2006 Dec 15;27(4):12. doi:10.1609/aimag.v27i4.1904
3. Adlung L, Cohen Y, Mor U, Elinav E. Machine learning in clinical decision making. Med. 2021 Jun 11;2(6):642-665. doi: 10.1016/j.medj.2021.04.006. Epub 2021 Apr 30. PMID: 35590138.
4. Lindroth H, Nalaie K, Raghu R, Ayala IN, Busch C, Bhattacharyya A, Moreno Franco P, Diedrich DA, Pickering BW, Herasevich V. Applied Artificial Intelligence in Healthcare: A Review of Computer Vision Technology Application in Hospital Settings. J Imaging. 2024 Mar 28;10(4):81. doi: 10.3390/jimaging10040081.
5. Esteva A, Chou K, Yeung S, Naik N, Madani A, Mottaghi A, Liu Y, Topol E, Dean J, Socher R. Deep learning-enabled medical computer vision. NPJ Digit Med. 2021 Jan 8;4(1):5. doi: 10.1038/s41746-020-00376-2
6. Maegerlein C, Fischer J, Mönch S, Berndt M, Wunderlich S, Seifert CL, Lehm M, Boeckh-Behrens T, Zimmer C, Friedrich B. Automated Calculation of the Alberta Stroke Program Early CT Score: Feasibility and Reliability. Radiology. 2019 Apr;291(1):141-148. doi: 10.1148/radiol.2019181228
7. Guberina N, Dietrich U, Radbruch A, Goebel J, Deuschl C, Ringelstein A, Köhrmann M, Kleinschnitz C, Forsting M, Mönninghoff C. Detection of early infarction signs with machine learning-based diagnosis by means of the Alberta Stroke Program Early CT score (ASPECTS) in the clinical routine. Neuroradiology. 2018 Sep;60(9):889-901. doi: 10.1007/s00234-018-2066-5
8. Adamou A, Beltsios ET, Bania A, Gkana A, Kastrup A, Chatziioannou A, Politi M, Papanagiotou P. Artificial intelligence-driven ASPECTS for the detection of early stroke changes in non-contrast CT: a systematic review and meta-analysis. J Neurointerv Surg. 2023 Nov;15(e2):e298-e304. doi: 10.1136/jnis-2022-01944
9. Amukotuwa SA, Straka M, Smith H, Chandra RV, Dehkharghani S, Fischbein NJ, Bammer R. Automated Detection of Intracranial Large Vessel Occlusions on Computed Tomography Angiography: A Single Center Experience. Stroke. 2019 Oct;50(10):2790-2798. doi: 10.1161/STROKEAHA.119.026259
10. Yahav-Dovrat A, Saban M, Merhav G, Lankri I, Abergel E, Eran A, Tanne D, Nogueira RG, Sivan-Hoffmann R. Evaluation of Artificial Intelligence-Powered Identification of Large-Vessel Occlusions in a Comprehensive Stroke Center. AJNR Am J Neuroradiol. 2021 Jan;42(2):247-254. doi: 10.3174/ajnr.A6923
11. Martinez-Gutierrez JC, Kim Y, Salazar-Marioni S, Tariq MB, Abdelkhaleq R, Niktabe A, Ballekere AN, Iyyangar AS, Le M, Azeem H, Miller CC, Tyson JE, Shaw S, Smith P, Cowan M, Gonzales I, McCullough LD, Barreto AD, Giancardo L, Sheth SA. Automated Large Vessel Occlusion Detection Software and Thrombectomy Treatment Times: A Cluster Randomized Clinical Trial. JAMA Neurol. 2023 Nov 1;80(11):1182-1190. doi: 10.1001/jamaneurol.2023.3206
12. Delora A, Hadjialiakbari C, Percenti E, Torres J, Alderazi YJ, Ezzeldin R, Hassan AE, Ezzeldin M. Viz LVO versus Rapid LVO in detection of large vessel occlusion on CT angiography for acute stroke. J Neurointerv Surg. 2024 May 21;16(6):599-602. doi: 10.1136/jnis-2023-020445
13. Weyland CS, Papanagiotou P, Schmitt N, Joly O, Bellot P, Mokli Y, Ringleb PA, Kastrup A, Möhlenbruch MA, Bendszus M, Nagel S, Herweh C. Hyperdense Artery Sign in Patients With Acute Ischemic Stroke-Automated Detection With Artificial Intelligence-Driven Software. Front Neurol. 2022 Apr 5;13:807145. doi: 10.3389/fneur.2022.807145
14. Kasasbeh AS, Christensen S, Parsons MW, Campbell B, Albers GW, Lansberg MG. Artificial Neural Network Computer Tomography Perfusion Prediction of Ischemic Core. Stroke. 2019 Jun;50(6):1578-1581. doi: 10.1161/STROKEAHA.118.022649
15. Vilela P. Acute stroke differential diagnosis: Stroke mimics. Eur J Radiol. 2017 Nov;96:133-144. doi: 10.1016/j.ejrad.2017.05.008.
16. Bojsen JA, Elhakim MT, Graumann O, Gaist D, Nielsen M, Harbo FSG, Krag CH, Sagar MV, Kruuse C, Boesen MP, Rasmussen BSB. Artificial intelligence for MRI stroke detection: a systematic review and meta-analysis. Insights Imaging. 2024 Jun 24;15(1):160. doi: 10.1186/s13244-024-01723-7
17. Miceli G, Basso MG, Rizzo G, Pintus C, Cocciola E, Pennacchio AR, Tuttolomondo A. Artificial Intelligence in Acute Ischemic Stroke Subtypes According to Toast Classification: A Comprehensive Narrative Review. Biomedicines. 2023 Apr 10;11(4):1138. doi: 10.3390/biomedicines11041138
18. Newbury-Chaet I, Mercaldo SF, Chin JK, Ghatak A, Halle MA, MacDonald AL, Buch K, Conklin J, Mehan WA Jr, Pomerantz S, Rincon S, Dreyer KJ, Bizzo BC, Hillis JM. Evaluation of an Artificial Intelligence Model for Identification of Mass Effect and Vasogenic Edema on CT of the Head. AJNR Am J Neuroradiol. 2024 Oct 3;45(10):1528-1535. doi: 10.3174/ajnr.A8358
19. Zatcepin A, Kopczak A, Holzgreve A, Hein S, Schindler A, Duering M, Kaiser L, Lindner S, Schidlowski M, Bartenstein P, Albert N, Brendel M, Ziegler SI. Machine learning-based approach reveals essential features for simplified TSPO PET quantification in ischemic stroke patients. Z Med Phys. 2024 May;34(2):218-230. doi: 10.1016/j.zemedi.2022.11.008
20. Cross JL, Choma MA, Onofrey JA. Bias in medical AI: Implications for clinical decision-making. PLOS Digit Health. 2024 Nov 7;3(11):e0000651. doi: 10.1371/journal.pdig.0000651
21. Hernandez-Boussard T, Bozkurt S, Ioannidis JPA, Shah NH. MINIMAR (MINimum Information for Medical AI Reporting): Developing reporting standards for artificial intelligence in health care. J Am Med Inform Assoc. 2020 Dec 9;27(12):2011-2015. doi: 10.1093/jamia/ocaa088
22. Liu X, Cruz Rivera S, Moher D, Calvert MJ, Denniston AK; SPIRIT-AI and CONSORT-AI Working Group. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nat Med. 2020 Sep;26(9):1364-1374. doi: 10.1038/s41591-020-1034-x
23. Cruz Rivera S, Liu X, Chan AW, Denniston AK, Calvert MJ; SPIRIT-AI and CONSORT-AI Working Group. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Lancet Digit Health. 2020 Oct;2(10):e549-e560. doi: 10.1016/S2589-7500(20)30219-3
24. Tejani AS, Klontzas ME, Gatti AA, Mongan JT, Moy L, Park SH, Kahn CE Jr; CLAIM 2024 Update Panel. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): 2024 Update. Radiol Artif Intell. 2024 Jul;6(4):e240300. doi: 10.1148/ryai.240300
25. Akay EMZ, Hilbert A, Carlisle BG, Madai VI, Mutke MA, Frey D. Artificial Intelligence for Clinical Decision Support in Acute Ischemic Stroke: A Systematic Review. Stroke. 2023 Jun;54(6):1505-1516. doi: 10.1161/STROKEAHA.122.041442
26. Galanty M, Luitse D, Noteboom SH, Croon P, Vlaar AP, Poell T, Sanchez CI, Blanke T, Išgum I. Assessing the documentation of publicly available medical image and signal datasets and their impact on bias using the BEAMRAD tool. Sci Rep. 2024 Dec 30;14(1):31846. doi: 10.1038/s41598-024-83218-5
27. Garin SP, Parekh VS, Sulam J, Yi PH. Medical imaging data science competitions should report dataset demographics and evaluate for bias. Nat Med. 2023 May;29(5):1038-1039. doi: 10.1038/s41591-023-02264-0
28. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019 Oct 25;366(6464):447-453. doi: 10.1126/science.aax2342
29. Larrazabal AJ, Nieto N, Peterson V, Milone DH, Ferrante E. Gender imbalance in medical imaging datasets produces biased classifiers for computer-aided diagnosis. Proc Natl Acad Sci U S A. 2020 Jun 9;117(23):12592-12594. doi: 10.1073/pnas.1919012117
30. Sasank Chilamkurthy, Rohit Ghosh, Swetha Tanamala, et. al. Development and validation of deep learning algorithms for detection of critical findings in head CT scans. arXiv preprint. 2018. doi:10.48550/arXiv.1803.05854
31. Pearce FJ, Cruz Rivera S, Liu X, Manna E, Denniston AK, Calvert MJ. The role of patient-reported outcome measures in trials of artificial intelligence health technologies: a systematic evaluation of ClinicalTrials.gov records (1997-2022). Lancet Digit Health. 2023 Mar;5(3):e160-e167. doi: 10.1016/S2589-7500(22)00249-7
32. van Leeuwen KG, Schalekamp S, Rutten MJCM, van Ginneken B, de Rooij M. Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. Eur Radiol. 2021 Jun;31(6):3797-3804. doi: 10.1007/s00330-021-07892-z
33. Kim DW, Jang HY, Kim KW, Shin Y, Park SH. Design Characteristics of Studies Reporting the Performance of Artificial Intelligence Algorithms for Diagnostic Analysis of Medical Images: Results from Recently Published Papers. Korean J Radiol. 2019 Mar;20(3):405-410. doi: 10.3348/kjr.2019.0025
34. Yu AC, Mohajer B, Eng J. External Validation of Deep Learning Algorithms for Radiologic Diagnosis: A Systematic Review. Radiol Artif Intell. 2022 May 4;4(3):e210064. doi: 10.1148/ryai.210064
35. Mikhail P, Le MGD, Mair G. Computational Image Analysis of Nonenhanced Computed Tomography for Acute Ischaemic Stroke: A Systematic Review. J Stroke Cerebrovasc Dis. 2020 May;29(5):104715. doi: 10.1016/j.jstrokecerebrovasdis.2020.104715
36. Soun JE, Zolyan A, McLouth J, Elstrott S, Nagamine M, Liang C, Dehkordi-Vakil FH, Chu E, Floriolli D, Kuoy E, Joseph J, Abi-Jaoudeh N, Chang PD, Yu W, Chow DS. Impact of an automated large vessel occlusion detection tool on clinical workflow and patient outcomes. Front Neurol. 2023 May 25;14:1179250. doi: 10.3389/fneur.2023.1179250
37. Ngoc Mai Le, Iyyangar AS, Kim Y, et al. Machine Learning–Enabled Automated Large Vessel Occlusion Detection Improves Transfer Times at Primary Stroke Centers. Stroke: vascular and interventional neurology, 2024. doi:10.1161/svin.123.001119
38. Н.А. Медведева, М.Ю. Казиева, А.А. Сидорова и соавт. Современные возможности комплексного алгоритма искусственного интеллекта в диагностике ишемического инсульта и внутричерепных кровоизлияний. Журнал Диагностическая и интервенционная радиология. 2024; 18(2.1): 152–159
Дополнительные файлы
Рецензия
Для цитирования:
Балунов И.О. Проблемы оценки клинической эффективности применения искусственного интеллекта в диагностике ишемического инсульта. Российский кардиологический журнал. :6357.
Просмотров:
5
Послать статью по эл. почте 