Personalizované srdeční ablace s podporou moderních technologií

Ne úplně novým přístupem v oblasti zobrazování biologických struktur je koncept tzv. digitálního dvojčete (digital twin), který využívá dynamické manipulace s digitální replikou reálných objektů i částí těla. Digital twin již delší dobu úspěšně pomáhá výrobcům protetických a jiných pomůcek při vývoji a výrobě nejrůznějších produktů pro oblast zdravotnictví a také při další modelaci i jejich potenciálních vzájemných interakcí. V další fázi by tato technologie mohla být schopna na základě zjištěných dat vytvářet personalizované modely částí těla i specifických orgánů pacienta, s dalšími benefity pro ošetřující lékaře.

Co můžeme čekat od umělé inteligence?

Další slibně a rychle se vyvíjející oblastí technologie, která by mohla vést k efektivní personalizované péči o pacienty, je umělá inteligence. V kardiologii už pomáhá v rozhodování o tom, která ablační strategie je u daného nemocného s fibrilací síní (FS) optimální a mohla by dále minimalizovat počet vytvářených lézí. Tuto problematiku podrobněji mapovala publikace o počítačem podporované ablační léčbě 10 prospektivně hodnocených pacientů metodou OPTIMA (Optimal Target Identification) ve Spojených státech amerických (Boyle PM et al., Nat Biomed Eng 2019), která je vhodná u osob s prokázanou fibrotickou remodelací při vyšetření magnetickou rezonancí (MR). Jak je vidět, právě u nich by personalizace s využitím umělé inteligence mohla lékařům při vedení ablace dále pomoci. Ve studii se prováděla na základě segmentace MR zobrazení a individuální trojdimenzionální rekonstrukce srdeční síně každého subjektu. A kromě predikce úspěchu potenciální virtuální ablace i simulací ověřovala kvalitu plánované korekce a potenciálně hrozící přetrvávání arytmické aktivity i možného ablací nově vytvořeného substrátu, spolupůsobícího poté negativně spolu s nativní fibrózou, a to vůbec poprvé. Po nalezení optimální strategie jsou data pro eliminaci substrátu z predikčního software exportována a ablace provedena. Toto opakované modelování s využitím síly umělé inteligence a strojového učení by mohlo být pro optimalizaci ablací velkým přínosem, a to i u opakovaných a doposud neúspěšných korekcí, i pacientů s masivní fibrózou v obou srdečních síních. V prezentované studii byl výsledek toho přístupu velmi dobrý – z 10 takto ošetřených pacientů (s poměrně heterogenními parametry) se k dodatečné cílené ablaci dostavil jen 1 subjekt (pro flutter).

„Budou potřeba další studie…“

Na základě tohoto výzkumu Úřad pro potraviny a léčiva (FDA) ve Spojených státech schválil monocentrickou randomizovanou klinickou studii, která bude tento postup (OPTIMA) hodnotit u 160 osob, přičemž doposud bylo zařazeno 22 pacientů. Mimořádně důležitá zde je samozřejmě kvalita prováděné MR diagnostiky fibrotických změn a řešitelský tým již vypracoval i vysoce sofistikovaný systém automatické segmentace, využívající prvků hlubokého strojového učení, díky němuž se kvalita prováděných modelací a ablací neustále zpětnovazebně zvyšuje. A získaná „velká data“ jistě dále napomohou v dalším rozvíjení těchto predikčních modelů, které efektivitu personalizovaných ablačních strategií ještě prohloubí. Umělá inteligence jejich zásluhou dovede i kvalitně odhadnout, kteří z pacientů jsou pro metodu OPTIMA vhodní a mohou z ní profitovat, což je jistě též cenné. Stejně jako komplexní „nasazení“ umělé inteligence na simulace a predikce výsledku ablačních výkonů i vyhodnocování výstupů zobrazovacích metod a také na reálná klinická data pacientů.

Nicméně i v oblasti personalizace ablační léčby se stále pohybujeme v oblasti výzkumu a rutinní zavedení těchto strategií prozatím ještě v dohledu není. Na dobré časy se snad ale blýská, o využití kombinace mechanistického modelování s prvky strojového učení u 32 pacientů již bylo publikováno (Shade JK et al., Circ Arrhythm Electrophysiol 2020).

Redakčně zpracováno ze sdělení, která během kongresu Evropské kardiologické společnosti (ESC) 2022 přednesla:
prof. Natalia Trayanova, Dr, PhD, MS
Department of Biomedical Engineering, Johns Hopkins University, Baltimore, USA