Tętniaki wewnątrzczaszkowe należą do najtrudniejszych wyzwań współczesnej neurologii – często pozostają niewykryte aż do momentu nagłego pęknięcia, które wiąże się z bardzo wysoką śmiertelnością i ryzykiem trwałych uszkodzeń układu nerwowego. W odpowiedzi na to zagrożenie naukowcy z Gdańska rozwijają innowacyjne podejście diagnostyczne oparte na sztucznej inteligencji, które pozwala analizować rutynowe dane kliniczne i laboratoryjne w celu identyfikacji pacjentów z podwyższonym ryzykiem tętniaka. Projekt realizowany we współpracy Politechniki Gdańskiej, Gdańskiego Uniwersytetu Medycznego i Uniwersyteckiego Centrum Klinicznego może otworzyć nowy etap wczesnej diagnostyki chorób naczyniowych mózgu – jeszcze zanim konieczne staną się inwazyjne procedury lub dojdzie do krwotoku.
Z tego artykułu dowiesz się…
- Dlaczego tętniaki mózgu są tak trudne do wczesnego wykrycia i jakie ryzyko niesie ich pęknięcie dla pacjentów.
- Jak sztuczna inteligencja analizuje dane laboratoryjne i dokumentację medyczną, aby ocenić ryzyko tętniaka jeszcze przed wykonaniem badań obrazowych.
- Jakie wyniki osiągnęły modele AI opracowane w Gdańsku, w tym poziomy skuteczności i czułości predykcji.
- Jakie korzyści kliniczne i systemowe może przynieść wczesna diagnostyka oparta na AI, zarówno dla pacjentów, jak i ochrony zdrowia.
Tętniaki mózgu – ciche zagrożenie o wysokiej śmiertelności
Szacuje się, że nawet 1 na 50 dorosłych osób może mieć niepękniętego tętniaka mózgu. W Polsce oznacza to setki tysięcy potencjalnie zagrożonych pacjentów. Problem polega na tym, że większość tętniaków nie daje objawów klinicznych, a ich wykrycie następuje często dopiero po pęknięciu i wystąpieniu krwotoku podpajęczynówkowego.
Konsekwencje zdrowotne są ogromne, podobnie jak koszty leczenia i rehabilitacji. Dlatego wczesna identyfikacja osób z wysokim ryzykiem ma kluczowe znaczenie zarówno z perspektywy pacjenta, jak i systemu ochrony zdrowia.
Dane zamiast skalpela – nowy paradygmat diagnostyki
Dotychczas ocenę ryzyka tętniaka opierano głównie na badaniach obrazowych, takich jak tomografia komputerowa czy angiografia. Zespół z Gdańska proponuje podejście radykalnie odmienne: analizę rutynowych danych klinicznych i laboratoryjnych przy użyciu algorytmów sztucznej inteligencji. Celem projektu jest stworzenie narzędzia, które:
- przewidzi ryzyko pęknięcia tętniaka,
- oszacuje prawdopodobieństwo występowania tętniaka,
- udostępni lekarzom kliniczny kalkulator ryzyka i aplikację wspierającą decyzje terapeutyczne.
Jak podkreślają dr inż. Patryk Jasik, lider zespołu z Politechniki Gdańskiej oraz dr n.med. Justyna Fercho, liderka zespołu z Gdańskiego Uniwersytety Medycznego i UCK:
Motywem przewodnim naszego projektu badawczego jest: “Od danych do diagnozy. Od diagnozy do uratowanego życia”.
Setki tysięcy danych i uczenie maszynowe
Modele predykcyjne opracowane przez naukowców oparto na danych ponad 60 tysięcy pacjentów, leczonych w Uniwersyteckim Centrum Klinicznym w Gdańsku w latach 2006–2024. Analizowano zarówno wyniki badań laboratoryjnych, jak i tekstową dokumentację medyczną. W pierwszym etapie wykorzystano 26 parametrów laboratoryjnych, w tym m.in.:
- glukozę,
- płytki krwi,
- kreatyninę,
- sód i potas,
- MCH, MPV,
- limfocyty,
oraz czynniki ryzyka, takie jak nadciśnienie, cukrzyca czy nikotynizm. Już na tym etapie wykazano istotne statystycznie różnice pomiędzy pacjentami z pękniętym i niepękniętym tętniakiem – przy czym w analizach zawsze uwzględniano dane zebrane przed pęknięciem tętniaka.
Pierwsze modele osiągnęły ponad 77% skuteczności oraz około 80% czułości, a w kolejnych analizach dokładność wybranych algorytmów przekraczała 80%, sięgając nawet ponad 90%.
Nowoczesne modele predykcyjne i bezpieczeństwo danych
Jak podkreśla dr inż. Patryk Jasik:
Dane zostały bardzo precyzyjnie przygotowane do etapów analizy i modelowania, ze szczególnym uwzględnieniem zabezpieczeń przed wyciekami danych. Zastosowaliśmy nowoczesne modele predykcyjne – m.in. TabNet oraz zapewniliśmy ich wielokryterialną walidację, co pozwoliło uniknąć zawyżania wyników.
Takie podejście zwiększa wiarygodność modeli i ich potencjalną przydatność kliniczną.
Modele językowe i analiza dokumentacji medycznej
Przełomowym elementem projektu jest również wykorzystanie dużych modeli językowych (LLM), takich jak LLaMA, PLLuM czy Bielik. Ich zadaniem jest automatyczna ekstrakcja informacji z opisów medycznych, które dotąd były trudne do przetwarzania komputerowego. Jak wyjaśnia dr Jasik:
Użycie modeli językowych pozwala na bardzo szybkie przetworzenie i analizę notatek lekarskich, które są bardzo cennym źródłem danych w całej diagnostyce tętniaka.
Dzięki temu modele AI mogą uwzględniać znacznie szerszy kontekst kliniczny, nie ograniczając się wyłącznie do danych liczbowych.
Koszty leczenia a potencjał oszczędności
Leczenie niepękniętych tętniaków jest kosztowne, ale nieporównywalnie tańsze niż terapia następstw krwotoku podpajęczynówkowego. Operacyjne klipsowanie to koszt około 30 tys. zł, natomiast endowaskularna embolizacja – w zależności od zastosowanej technologii – 25–40 tys. zł.
W przypadku pęknięcia tętniaka koszty rosną lawinowo, obejmując długotrwałą hospitalizację, intensywną rehabilitację oraz renty, ponieważ wielu pacjentów nie wraca do aktywności zawodowej. Jak zaznacza dr inż. Jasik:
Wczesne wykrycie niepękniętego tętniaka na podstawie ryzyka oszacowanego przez nas to nie tylko uratowane zdrowie i życie, ale też realne oszczędności dla systemu ochrony zdrowia.
Projekt doceniony w międzynarodowym programie I3HIES
Projekt „AI-Powered Medical Software for Predicting the Likelihood of Intracranial Aneurysm” został zakwalifikowany do międzynarodowego programu akceleracyjnego I3HIES, wspierającego innowacje o wysokim potencjale wdrożeniowym w ochronie zdrowia. Program działa w ramach Instrumentu Międzyregionalnych Inwestycji Innowacyjnych (I3) finansowanego z Europejskiego Funduszu Rozwoju Regionalnego.
Celem udziału w programie jest przygotowanie rozwiązania do szerokiego wdrożenia klinicznego i komercjalizacji w krajach europejskich. Jak podsumowuje dr inż. Jasik:
To przede wszystkim szansa na pokazanie naszych badań w innych krajach i spopularyzowanie tej wiedzy, tak by pacjenci z innych krajów również mieli dostęp do innowacyjnego narzędzia diagnostycznego, zwiększającego skuteczność wykrywania potencjalnej obecności tętniaków w mózgu.
Główne wnioski
- Sztuczna inteligencja może znacząco zwiększyć szanse na wczesne wykrycie tętniaków mózgu, analizując rutynowe dane kliniczne i laboratoryjne bez konieczności natychmiastowego wykonywania badań obrazowych.
- Modele opracowane na podstawie danych ponad 60 tys. pacjentów osiągnęły skuteczność przekraczającą 77% i czułość około 80%, a w niektórych analizach dokładność sięgała nawet ponad 90%.
- Wykorzystanie modeli językowych (LLM) do analizy dokumentacji medycznej pozwala uwzględniać informacje dotychczas trudne do automatycznego przetwarzania, zwiększając wartość kliniczną narzędzia.
- Wczesna identyfikacja pacjentów z grupy wysokiego ryzyka może ratować życie, ograniczać trwałe następstwa neurologiczne oraz przynosić realne oszczędności dla systemu ochrony zdrowia.
Źródło:
- Politechnika Gdańska
