Обзор: применение ИИ для прогнозирования исхода ишемического инсульта и составления программ реабилитации

Лечение пациентов с ишемическим инсультом обычно сопровождается получением большого объема данных нейровизуализации. Технологии искусственного интеллекта (ИИ), в частности, машинное и глубокое обучение, открывают новые возможности для обработки этой информации.

Проанализировав 49 научных статей и публикаций, посвященных применению ИИ для прогнозирования исходов ишемического инсульта и планирования реабилитации, ученые из Китая перечислили последние достижения в этой области и показали, как алгоритмы ИИ помогают извлекать скрытые закономерности из проведенных диагностических исследований.

Какие сложности существовали до применения ИИ

До применения искусственного интеллекта (ИИ) в диагностике и лечении ишемического инсульта существовало несколько ключевых проблем, которые затрудняли своевременную и точную помощь пациентам.

Субъективность и низкая воспроизводимость визуальной оценки

• Ранние ишемические изменения на КТ (например, потеря различия между серым и белым веществом) были едва заметны, особенно в первые часы; их обнаружение сильно зависело от опыта рентгенолога.
• Оценка по шкале ASPECTS вручную имела низкую надежность (ICC = 0.54) в гиперострой фазе инсульта, что вело к расхождениям в диагнозах и решениях о лечении.

Ограниченная скорость и эффективность анализа

• Время — критический фактор при инсульте; анализ мультимодальных исследований (КТ, КТ-ангиография, КТ-перфузия, МРТ) занимал драгоценные минуты и часы.
• Оценка состояния коллатерального кровотока и объема «полутени» (ткани под угрозой) была сложной и трудоемкой, что замедляло отбор пациентов для тромбэктомии.

Трудности прогнозирования исхода и планирования реабилитации

• Прогноз восстановления (по шкале mRS, мышечной силе) был неточным и основывался на ограниченном наборе клинических данных.
• Не было эффективных инструментов для индивидуального прогнозирования рисков (например, развития злокачественного отека, геморрагической трансформации, повторного инсульта).
• Связь между данными нейровизуализации и долгосрочными функциональными исходами была плохо количественно оценена.

«Узкие места» в обработке данных

• Сегментация очагов поражения на МРТ/КТ для анализа была крайне трудоемкой, что ограничивало размеры выборок в исследованиях и клиническую практику.
• Интеграция разрозненных данных (визуализация, клинические показатели, результаты тестов) для комплексного прогноза была сложной задачей.

Как ИИ помог решить эти проблемы

Повышение объективности, точности и скорости диагностики

• Алгоритмы ИИ позволяют выявлять малые очаги ишемии на ранней стадии, недоступные человеческому глазу.
• ИИ автоматически измеряет объем инфаркта и зоны гипоперфузии («полутени»), что критически важно для принятия решения о тромбэктомии.
• Модели ИИ демонстрируют высокую точность (AUC > 0.82) в обнаружении окклюзии крупных сосудов (ЛВО), что ускоряет отбор пациентов для эндоваскулярного лечения.

Стандартизация оценки и поддержка принятия решений

• Программное обеспечение на основе ИИ (например, e-ASPECTS от Brainomix) обеспечивает быструю и объективную оценку по шкале ASPECTS, снижая зависимость от эксперта.
• ИИ-модели, объединяющие данные визуализации с клиническими параметрами (NIHSS, возраст и др.), превосходят традиционные методы в прогнозе исхода через 90 дней (mRS): интегрированные модели показывают AUC до 0.874, тогда как модели только на клинических данных — 0.705.

Улучшение прогнозирования исхода и персонализация реабилитации

• Алгоритмы глубокого обучения анализируют 3D-изображения мозга, учитывая не только очаг поражения, но и его локализацию и структурные особенности мозга (например, атрофию коры), что позволяет точнее предсказать потенциал восстановления.
• Модели машинного обучения прогнозируют риски развития злокачественного отека мозга, геморрагической трансформации или повторного инсульта, помогая скорректировать терапию.
• ИИ эффективно объединяет данные КТ, МРТ, ангиографии и клинические шкалы, создавая комплексные прогностические модели, что было невозможно сделать вручную в сжатые сроки.

Автоматизация и ускорение процессов

• ИИ-алгоритмы обрабатывают снимки за секунды, предоставляя врачу готовые карты перфузии, объемы поражений и оценки, что резко сокращает время до лечения.
• Автоматическая сегментация очагов освобождает врачей от кропотливой рутинной работы, позволяя сосредоточиться на принятии решений.

Ключевые выводы

• Сдвиг фокуса: раньше ИИ в основном использовался для обнаружения инсульта; сейчас технологии применяются для прогноза исхода и планирования реабилитации, что напрямую влияет на качество жизни пациентов.
• Наилучшие результаты показывают комплексные модели, сочетающие радиомические признаки медицинских изображений с клиническими и демографическими данными.
• Методы глубокого обучения, работающие с полными изображениями, часто превосходят традиционное машинное обучение, основанное на ручном выделении признаков, так как сами выявляют сложные паттерны.
• ИИ открывает путь к созданию индивидуальных планов реабилитации на основе прогностических моделей, учитывающих уникальные особенности поражения мозга конкретного пациента.

ИИ трансформировал нейровизуализацию при инсульте, превратив ее из преимущественно описательного и субъективного инструмента в быстрый, количественный, объективный и прогностический метод. Это позволило оптимизировать лечение в «золотые часы», улучшить отбор пациентов для сложного хирургического лечения и заложить основу для персонализированной реабилитационной медицины.

Источник: doi.org