בקרוב ל-40% מהחולים עם הוכחה גנטית לתסמונת LQTS (Long QT Syndrome) אין את השינוי האופייני בתרשים אק"ג של הארכת מקטע QTc (Correct QT), כאשר תרשים האק"ג נבחן ע"י מומחים בתחום. מנתונים חדשים עולה כי ניתוח תרשימי אק"ג באמצעות בינה מלאכותית הוביל לאבחנה מדויקת יותר מזו של קרדיולוג מנוסה בזיהוי חולים שהופנו למרפאת הפרעות קצב לב עם LQTS.
מטרת המחקר הייתה לקבוע אם בינה מלאכותית עדיפה על הערכת מקטע QTc בלבד בהבחנה בין חולים עם אבחנה של LQTS, בהשוואה לאלו עם מקטע QTc תקין בתרשים אק"ג עם 12 לידים.
החוקרים השלימו מחקר מקרה-ביקורת אבחנתי שכלל את כל תרשימי אק"ג זמינים אודות 2,059 חולים שפנו למרפאת הפרעות קצב לב גנטיות. המחקר כלל רק חולים עם אבחנה דפיניטיבית ו/או אבחנה גנטית של תסמונת LQTS מסוג 1, 2, או 3, או חולים שנבדקו בשל חשד ראשוני לתסמונת LQTS אך שוחררו ללא אבחנה זו.
כל תרשימי האק"ג מ-967 חולים עם תסמונת LQTS ו-1,092 חולים שעברו הערכה לתסמונת LQTS אך שוחררו ללא אבחנה זו נכללו בניתוח תרשים האק"ג באמצעות מערכת בינה מלאכותית. מערכת הבינה המלאכותית הייתה טובה יותר בהבחנה בין חולים עם תסמונת LQTS ואלו ללא תסמונת זו, בהשוואה להערכת תרשימי אק"ג על קרדיולוגים מומחים, עם שטח מתחת לעקומה של 0.900 לעומת 0.824, בהתאמה, וסגוליות של 80.6%.
יתרה מזאת, בתת-קבוצה של חולים עם מקטע QTc תקין במנוחה, מקטע QTc לבדו הבחין בין אלו עם תסמונת LQTS ובין אלו ללא התסמונת עם שטח מתחת לעקומה של 0.741, בעוד שעם מערכת הבינה המלאכותית יכולת ההבחנה בין בריאים וחולים הייתה גבוהה יותר עם שטח מתחת לעקומה של 0.863.
בנוסף, מערכת הבינה המלאכותית הצליחה להבחין בין שלוש תתי הקבוצות הגנטיות העיקריות (LQTS1, LQTS2 ו-LQTS3) עם שטח מתחת לעקומה של 0.921 (רווח בר-סמך 95% של 0.890-0.951), בהשוואה ל-LQTS2 ו-LQTS3, שטח מתחת לעקומה של 0.944 (רווח בר-סמך 95% של 0.918-0.970) ל-LQTS2, בהשוואה ל-LQTS1 ו-LQTS3, ושטח מתחת לעקומה של 0.863 (רווח בר-סמך 95% של 0.792-0.934) לאבחנת LQTS3 בהשוואה ל-LQTS1 ו-LQTS2.
החוקרים מסכמים וכותבים כי המחקר מעיד כי מערכת בינה מלאכותית להערכת תרשימי אק"ג עשויה לסייע בהבחנה בין חולים עם LQTS ואלו ללא אבחנה זו, לצד דיוק של כ-80% בזיהוי תת הסוג הגנטי של התסמונת.
JAMA Cardiology. Published online February 10, 2020
לידיעה במדסקייפ