Исследователи из Сколтеха и их американские коллеги создали новый подход на основе машинного обучения для локализации драйверов мерцательной аритмии. Так называются небольшие участки сердечной мышцы, которые могут вызвать этот самый распространенный в мире вид аритмии. Предложенный подход может повысить эффективность точного медицинского вмешательства при лечении заболевания, от которого, по оценкам Американской кардиологической ассоциации, страдает 33 миллиона человек по всему миру.

Исследование опубликовано в недавнем выпуске журнала Circulation: Arrhythmia and Electrophysiology. На сегодня неясен механизм, вызывающий фибрилляцию предсердий (ФП), также известную как мерцательная аритмия. Эту болезнь связывают с повышенным риском сердечной недостаточности и инсульта. Источником ФП могут быть так называемые драйверы — локализованные источники повторяющейся вращательной активности, вызывающие нарушение сердечного ритма. Хирургическое удаление драйверов позволяет смягчить течение болезни или даже восстановить нормальный сердечный ритм.

Чтобы локализовать драйверы ФП, врачи используют мультиэлектродное картирование. Этот метод позволяет при помощи катетеров подвести электроды к поверхности сердца, получить электрограммы (ЭГ) с его внутренней части и построить таким образом «карту» предсердий. Однако из-за сложности и субъективности метода интерпретация полученных ЭГ в клинической практике зачастую дает ложные результаты, не обнаруживая реально существующий драйвер либо указывая на присутствие драйвера там, где его нет.

С недавних пор ученые стали применять для анализа карт предсердий алгоритмы машинного обучения, пытаясь обнаружить с их помощью признаки ФП. Такие алгоритмы требуют размеченных данных с истинным положением драйвера, и точности мультиэлектродного картирования оказывается недостаточно. Поэтому для нового алгоритма, разработанного в недавнем исследовании под руководством профессоров Дмитрия Дылова из Сколтеха и Вадима Федорова из Университета штата Огайо, использовались данные более надежного метода обнаружения драйверов, оптического картирования, как эталона для обучения.

Как поясняет профессор Сколтеха Дмитрий Дылов, метод оптического картирования высокого разрешения в ближнем инфракрасном диапазоне (NIOM) «использует инфракрасные сигналы для регистрации электрической активности внутри сердечной мышцы, тогда как электроды измеряют сигналы лишь на поверхности органа. Если учесть вдобавок высочайшее разрешение оптического картирования, то этот метод становится очевидным решением для визуализации и разметки карт электрической активности в сердечной ткани».

Так как оптическое картирование пока нельзя применять в клинике, исследователи испытали предложенный подход в лаборатории на 11 эксплантированных человеческих сердцах, в которых была индуцирована ФП. При анализе полученных мультиэлектродным картированием ЭГ алгоритм показал точность 81 процентов для локализации драйверов ФП. По мнению коллектива, использование большей обучающей выборки с валидацией на данных оптического картирования позволит усовершенствовать алгоритмы на базе машинного обучения настолько, что они станут ценным вспомогательным инструментом в клинической практике.

«Набор данных по 11 эксплантированным сердцам одновременно и бесценен, и чересчур мал. Мы поняли, что перенос результатов в клиническую практику потребует намного большей выборки для репрезентативного клинического исследования, однако мы были обязаны извлечь решительно всю информацию из все еще бьющихся человеческих сердец, пожертвованных для исследования, — рассказывает Дмитрий Дылов. — Следует отметить приверженность делу и кропотливость двух наших аспирантов: Саша Золотарев совершил на несколько месяцев поездку по программе академической мобильности в лабораторию Федорова, чтобы разобраться в особенностях процесса визуализации и доложить результаты пилотного исследования на крупнейшей аритмологической конференции в Сан-Франциско, а Катя Иванова участвовала в частотном и визуализационном анализе в стенах Сколтеха. Эти два молодых исследователя действительно взяли от выборки все, что можно, чтобы обучить модель машинного обучения с помощью оптических данных».

В исследовании также принимали участие Медицинский центр Векснера при Университете штата Огайо, а также Институт исследований сердца и легких имени Дороти Дэвис. Работа профинансирована грантами Национальных институтов здравоохранения США, Российского фонда фундаментальных исследований и Центра исследований сердечной недостаточности и аритмии имени Боба и Коррин Фрик.