Umělá inteligence a běžné testy: Nový model pomáhá rychleji odhalit srdeční selhání

Vědci vyvinuli a interně vyhodnotili model strojového učení, který dokáže identifikovat srdeční selhání se sníženou ejekční frakcí (HFrEF) pomocí běžných laboratorních ukazatelů.

Vědci vyvinuli a interně vyhodnotili model strojového učení, který dokáže identifikovat srdeční selhání se sníženou ejekční frakcí (HFrEF) pomocí běžných laboratorních ukazatelů. Tato inovativní metoda, nedávno publikovaná v časopise Frontiers in Cardiovascular Medicine (2026), by mohla výrazně zjednodušit a urychlit diagnostiku tohoto závažného onemocnění.

Studie, kterou vedl Zhiping Meng z Osmé přidružené nemocnice Lékařské univerzity Kuang-si v čínském Kuaj-kangu, zahrnovala 1 480 hospitalizovaných pacientů s chronickým srdečním selháním. Z toho 377 pacientů mělo HFrEF a 1 103 pacientů trpělo srdečním selháním s mírně sníženou (HFmrEF) nebo zachovanou (HFpEF) ejekční frakcí. Vědci použili 13 běžných laboratorních ukazatelů a šest různých algoritmů strojového učení k rozlišení těchto skupin.

Výsledky ukázaly, že pacienti s HFrEF měli vyšší hladiny pro-B-typ natriuretického peptidu (proBNP), močoviny v krvi, celkového bilirubinu, přímého bilirubinu, gama-glutamyltransferázy, hematokritu a kyseliny močové. Algoritmy Random Forest a XGBoost dosáhly nejvyšších hodnot plochy pod křivkou ROC (AUC) – obě 0,789 – v nezávislém testovacím souboru, což svědčí o jejich dobré rozlišovací schopnosti. Logistická regrese vykázala srovnatelnou diskriminaci (AUC 0,784).

Zajímavým zjištěním bylo, že ačkoliv citlivost modelu byla při výchozí prahové hodnotě omezená, posunutí prahové hodnoty algoritmu Random Forest na 0,15 zvýšilo citlivost na 0,912 a negativní prediktivní hodnotu na 0,935. To naznačuje, že model by mohl být účinně využit jako nástroj pro třídění pacientů, který by pomohl prioritizovat ty, kteří potřebují echokardiografii. Dominantním prediktorem se v analýze SHapley Additive exPlanations ukázal proBNP.

Autoři zdůrazňují, že model by měl být považován za pomocný nástroj pro třídění pacientů a nikoli za náhradu echokardiografického vyšetření, dokud neproběhne externí a prospektivní validace. Tento výzkum však otevírá cestu k efektivnější a dostupnější diagnostice srdečního selhání, což by mohlo vést k včasnější léčbě a zlepšení kvality života pacientů.