Modele uczenia maszynowego mogą skuteczniej niż tradycyjne skale oceniać ryzyko zgonu u pacjentów po zawale serca. Naukowcy z Amsterdam University Medical Centre opracowali system PERISCOPE, który przewiduje śmiertelność wewnątrzszpitalną oraz sześciomiesięczną po przezskórnej interwencji wieńcowej (PCI). Analiza danych ponad 164 tys. pacjentów wykazała przewagę nowych modeli nad skalą GRACE 2.0. Wyniki przedstawiono podczas ESC Digital & AI Summit 2026.
Z tego artykułu dowiesz się…
- Jak modele uczenia maszynowego PERISCOPE pomagają przewidywać ryzyko zgonu po zawale serca z uniesieniem odcinka ST (STEMI).
- Jakie wyniki uzyskali naukowcy z Amsterdam University Medical Centre w analizie ponad 164 tys. pacjentów.
- Dlaczego modele PERISCOPE okazały się dokładniejsze od tradycyjnej skali oceny ryzyka GRACE 2.0.
- W jaki sposób sztuczna inteligencja może wspierać lekarzy w monitorowaniu pacjentów po przezskórnej interwencji wieńcowej (PCI).
Sztuczna inteligencja w ocenie ryzyka po zawale serca
Zawał mięśnia sercowego z uniesieniem odcinka ST (STEMI) jest jedną z najgroźniejszych postaci ostrego zespołu wieńcowego. Każdego roku dotyka ponad 2 mln osób na świecie. Podstawową metodą leczenia jest przezskórna interwencja wieńcowa (PCI), umożliwiająca przywrócenie przepływu krwi przez zamkniętą tętnicę. Jednak nawet po skutecznym zabiegu część pacjentów pozostaje zagrożona zgonem.
Dotychczas stosowane skale, takie jak GRACE 2.0, oceniają ryzyko przede wszystkim przed interwencją. Dlatego naukowcy opracowali PERISCOPE (Patient Risk StratifiCation for Post-STEMI Complications) – modele uczenia maszynowego pozwalające dokładniej identyfikować pacjentów wymagających intensywniejszej opieki po PCI.
Analiza danych ponad 164 tys. pacjentów
Modele PERISCOPE opracowano i zweryfikowano na podstawie trzech niezależnych baz danych medycznych:
- PREMIER PINC AI (USA) – 38 489 pacjentów wykorzystanych do trenowania modeli.
- TriNetX (USA) – 119 035 pacjentów objętych niezależnym testowaniem.
- Amsterdam UMC (Holandia) – 6776 pacjentów uwzględnionych w walidacji zewnętrznej.
Łącznie przeanalizowano dane 164 300 pacjentów. W poszczególnych populacjach śmiertelność wewnątrzszpitalna wynosiła od 6,6% do 9,9%, natomiast śmiertelność sześciomiesięczna od 11,4% do 23,7%.
PERISCOPE skuteczniejszy niż skala GRACE 2.0
Modele uczenia maszynowego wykazały lepszą zdolność przewidywania śmiertelności wewnątrzszpitalnej i sześciomiesięcznej niż GRACE 2.0 we wszystkich trzech analizowanych bazach danych. Przewagę potwierdzono na podstawie pola pod krzywą ROC (AUC), służącego do oceny zdolności modelu do odróżniania pacjentów o różnym ryzyku zgonu.
Co istotne, wyniki były spójne w populacjach różniących się pod względem geograficznym i klinicznym, co wskazuje na potencjał wykorzystania PERISCOPE w różnych systemach ochrony zdrowia.
Czy modele AI poprawią opiekę nad pacjentami po STEMI?
System PERISCOPE może w przyszłości wspierać lekarzy w podejmowaniu decyzji dotyczących intensywności monitorowania po zawale serca. Identyfikacja pacjentów wysokiego ryzyka mogłaby umożliwić wydłużenie hospitalizacji, częstsze wizyty kontrolne lub bardziej indywidualne planowanie opieki po wypisie.
Jednak lepsze przewidywanie śmiertelności nie oznacza jeszcze poprawy przeżywalności. Konieczne są badania prospektywne oceniające, czy wykorzystanie modeli rzeczywiście przekłada się na korzystniejsze wyniki leczenia. Naukowcy wskazują również na potrzebę sprawdzenia systemu w bardziej zróżnicowanych populacjach oraz rozszerzenia jego zastosowania na inne postacie ostrego zespołu wieńcowego.
Główne wnioski
- Modele uczenia maszynowego PERISCOPE dokładniej przewidywały ryzyko zgonu po zawale STEMI niż tradycyjna skala GRACE 2.0, zarówno podczas hospitalizacji, jak i w ciągu sześciu miesięcy po przezskórnej interwencji wieńcowej (PCI).
- Badanie objęło dane 164 300 pacjentów z trzech baz medycznych: PREMIER PINC AI (38 489 osób), TriNetX (119 035 osób) oraz Amsterdam UMC (6776 osób). Wyniki modeli były spójne w różnych populacjach.
- Śmiertelność wewnątrzszpitalna wynosiła od 6,6% do 9,9%, a sześciomiesięczna od 11,4% do 23,7% w analizowanych bazach danych. PERISCOPE może pomóc identyfikować pacjentów wymagających intensywniejszego monitorowania po zawale.
- Wyniki przedstawione podczas ESC Digital & AI Summit 2026 wskazują na potencjał AI w kardiologii. Przed wdrożeniem modeli do praktyki klinicznej konieczne są jednak badania prospektywne potwierdzające, że ich wykorzystanie poprawia rokowanie pacjentów.
Źródło:
- https://www.escardio.org/news/press/press-releases/machine-learning-models-accurately-predict-mortality-after-a-heart-attack/
