การคัดกรองและประเมินประสิทธิภาพของการทำงานของหัวใจผ่านการอัลตร้าซาวด์หัวใจ โดยใช้ระบบปัญญาประดิษฐ์
Article Sidebar
Main Article Content
บทคัดย่อ
ที่มาของปัญหา: การตรวจคลื่นเสียงสะท้อนความถี่สูงที่หัวใจ เป็นการตรวจมาตรฐานในการดูแลรักษาคนไข้ภาวะหัวใจล้มเหลว จากข้อมูลของกระทรวงสาธารณสุขในประเทศไทยพบว่า มีคนไข้มากถึง 100,000 คน ต้องพักรักษาตัวในโรงพยาบาลด้วยภาวะดังกล่าว ซึ่งการทำคลื่นเสียงสะท้อนความถี่สูงที่หัวใจในคนไข้กลุ่มนี้ไม่สามารถทำได้อย่างทั่วถึง เนื่องด้วยข้อจำกัดด้านทรัพยากรบุคคล โดยเฉพาะในโรงพยาบาลชุมชนที่ห่างไกล ถึงแม้ว่าในปัจจุบันโรงพยาบาลชุมชนจะมีเครื่องอัลตร้าซาวด์ซึ่งสามารถใช้ตรวจวัดการทำงานหัวใจพื้นฐานได้ แต่อย่างไรก็ตามการประเมินผล จำเป็นต้องใช้ผู้เชี่ยวชาญซึ่งเป็นอุปสรรคสำคัญในการวินิจฉัยได้อย่างแม่นยำ ด้วยการใช้ประโยชน์จากเทคโนโลยีปัญญาประดิษฐ์ ซึ่งมีความสามารถประมวลผลได้อย่างแม่นยำในหลายปัญหาทางด้านวิทยาศาสตร์สุขภาพ จึงน่าจะสามารถประยุกต์ใช้กับการประเมินวิดีโอภาพคลื่นเสียงความถี่สูงที่หัวใจที่เก็บได้จากโทรศัพท์มือถือสมาร์ทโฟน การศึกษานี้จึงออกแบบมาเพื่อประเมินประสิทธิภาพของการใช้ปัญญาประดิษฐ์ในการประเมินการทำงานของหัวใจจากภาพวิดีโอที่เก็บได้จาก Application ในโทรศัพท์มือถือสมาร์ทโฟน
วัตถุประสงค์: เพื่อประเมินประสิทธิภาพความแม่นยำของปัญญาประดิษฐ์ ในการประเมินการทำงานของหัวใจจากวิดีโอคลื่นเสียงสะท้อนความถี่สูงที่หัวใจท่า Parasternal long axis view ที่ได้จาก Application ในโทรศัพท์มือถือสมาร์ทโฟน
วิธีการศึกษา: เราสร้าง Application “Easy EF” ในโทรศัพท์มือถือสมาร์ทโฟนเพื่อเก็บภาพวิดีโอสั้นของการทำคลื่นเสียงสะท้อนความถี่สูงที่หัวใจในท่า Parasternal long axis view และส่งภาพวิดีโอผ่านเครือข่ายอินเตอร์เน็ตไปยังปัญญาประดิษฐ์เพื่อประมวลผล จากวิดีโอที่ได้ทั้งหมด 923 วิดีโอ ที่ถูกประเมินค่า LVEF จากแพทย์เฉพาะทางโรคหัวใจแล้ว 739 วิดีโอ จะใช้เพื่อฝึกการเรียนรู้และอีก 184 วิดีโอ จะใช้เพื่อประเมินประสิทธิภาพของปัญญาประดิษฐ์ในการแบ่งการทำงานหัวใจเป็น 3 กลุ่ม ตามมาตรฐาน ทั้งกลุ่มหัวใจทำงานน้อย ทำงานปานกลางและทำงานปกติ
ผลการศึกษา: จาก 184 วิดีโอที่ใช้ทดสอบ ระบบปัญญาประดิษฐ์สามารถแยกกลุ่มหัวใจทำงานน้อยมากได้ ความแม่นยำร้อยละ 97 (36 จาก 37 วิดีโอ) กลุ่มหัวใจทำงานปานกลางได้ ความแม่นยำร้อยละ 71 (12 จาก 17 วิดีโอ) และกลุ่มหัวใจทำงานปกติได้ ความแม่นยำร้อยละ 99 (129 จาก 130 วิดีโอ) p=0.01 ประสิทธิภาพรวมในการประเมินการทำงานของหัวใจอยู่ที่ร้อยละ 96.2 (ถูกต้อง 177 จาก 184 วิดีโอ)
สรุป: ระบบปัญญาประดิษฐ์ มีความสามารถในการใช้เป็นเครื่องมือในการคัดกรองเบื้องต้น ซึ่งการทำงานของหัวใจจากวิดีโอสั้นคลื่นเสียงสะท้อนความถี่สูงที่หัวใจท่า Parasternal long axis view ที่เก็บได้จาก Application ในโทรศัพท์มือถือสมาร์ทโฟน แต่ในกลุ่มที่หัวใจที่ทำงานปานกลางยังจำเป็นที่ต้องการการพัฒนาต่อถึงความเที่ยงตรงแม่นยำของระบบปัญญาประดิษฐ์ในการคัดกรองรวมถึงการใช้งานจริงในพื้นที่
ClinicalTrials.gov Identifier, NCT06330103
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Krittayaphong R, Karaketklang K, Yindeengam A, Janwanishstaporn S. Heart failure mortality compared between elderly and non-elderly Thai patients. J Geriatr Cardiol 2018;15:718-24.
Bozkurt B, Coats AJS, Tsutsui H, Abdelhamid CM, Adamopoulos S, Albert N, et al. Universal definition and classification of heart failure: a report of the Heart Failure Society of America, Heart Failure Association of the European Society of Cardiology, Japanese Heart Failure Society and Writing Committee of the Universal definition of heart failure. Eur J Heart Fail 2021;23:352-80.
Komajda M, Schöpe J, Wagenpfeil S, Tavazzi L, Böhm M, Ponikowski P, et al. Physicians' guideline adherence is associated with long-term heart failure mortality in outpatients with heart failure with reduced ejection fraction: the QUALIFY international registry. Eur J Heart Fail 2019;21:921-9.
Laothavorn P, Hengrussamee K, Kanjanavanit R, Moleerergpoom W, Laorakpongse D, Pachirat O, et al. Thai acute decompensated heart failure registry (Thai ADHERE). CVD Prevention and Control 2010;5:89-95.
Nadruz W Jr, West E, Santos M, Skali H, Groarke JD, Forman DE, et al. Heart failure and midrange ejection fraction: implications of recovered ejection fraction for exercise tolerance and outcomes. Circ Heart Fail [Internet]. 2016 [cited 2023 Sep 15];9(4):e002826. Available from: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4807736/pdf/nihms763920.pdf
The Heart Association of Thailand under the Royal Patronage of H.M. the King. Heart Failure council of Thailand (HFCT) 2019 heart failure guideline. Bangkok: The Heart Association of Thailand under the Royal Patronage of H.M. the King; 2019
Xu X, Jiang Y, Chen W, Huang Y, Zhang Y, Sun X. DAMO-YOLO: a report on real-time object detection design. arXiv [Internet]. 2023 [cited 2023 Sep 15];2211.15444. Available from: https://arxiv.org/pdf/2211.15444
Rublee E, Rabaud V, Konolige K, Bradski G. ORB: an efficient alternative to SIFT or SURF. Proceedings of 2011 International Conference on Computer Vision; 2011 Nov 6-13; Barcelona, Spain. New York: Institute of Electrical and Electronics Engineers; 2011. p. 2564-71.
He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. Proceedings of 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR); 2016 Jun 27-30; Las Vegas, United States. New York: Institute of Electrical and Electronics Engineers; 2016. p. 770-8.
Feichtenhofer C, Fan H, Malik J, He K. Slowfast networks for video recognition. Proceedings of2019 IEEE/CVF International Conference on Computer Vision (ICCV); 2019 Oct-Nov 27-2; Seoul, South Korea. New York: Institute of Electrical and Electronics Engineers; 2019. p. 6201-10.