Svalový ultrazvuk založený na umělé inteligenci k posouzení slabosti získané na jednotce intenzivní péče (ACTIVATE)

Slabost získaná na jednotce intenzivní péče (ICUAW) je jednou z nejčastějších neuromuskulárních komplikací u pacientů léčených v intenzivní péči. Se zvyšující se závažností onemocnění a zejména u analgosedovaných, ventilovaných a delirantních pacientů s omezenou schopností spolupráce při klinickém vyšetření je detekce a sledování ICUAW omezeno až nemožné. Klinická diagnóza a hodnocení závažnosti ICUAW se obvykle provádí pomocí zavedených diagnostických metod (např. klinicko-neurologické vyšetření, Medical Research Council-Sum Score, elektrofyziologická vyšetření), které však nelze provádět pravidelně, pokud pacient nespolupracuje a tím se oddaluje diagnóza ICUAW a ztěžuje se sledování. Neuromuskulární ultrazvuk (NMUS) je naproti tomu snadno použitelná, neinvazivní možnost vyšetření, která je do značné míry nezávislá na compliance pacienta a je stále častěji vyšetřována u pacientů s ICUAW. Bylo prokázáno, že NMUS dokáže detekovat ICUAW a je užitečný při hodnocení závažnosti svalové slabosti. Standardizovaný záznam a sledování pomocí skórovacích postupů (např. 4stupňová Heckmatt Scala) však vyšetřující hodnotí jako částečně subjektivní a každý jednotlivý ultrazvukový snímek musí být pořízen lidským okem s přihlédnutím k různým parametrům obrazu. . K překonání těchto diagnostických omezení by umělá inteligence (AI) mohla být užitečným rozšířením nebo dokonce alternativou.

AI se již používá různými způsoby v lékařské diagnostice (např. při detekci nádorů a posuzování orgánů) a stále častěji také při analýze ultrazvukových snímků. V této studii se vyšetřovatelé snaží použít AI, konkrétně konvoluční neuronové sítě (CNN), k klasifikaci ultrazvukových snímků do různých kategorií na základě svalové slabosti. Hlavní výhoda používání AI pro takové úkoly spočívá v automatizaci, kterou poskytuje. Jakmile je model umělé inteligence natrénován na počáteční sadě snímků, může rychle kategorizovat nové, neviditelné snímky, což výrazně zkracuje čas a lidské úsilí potřebné k diagnostice. Modely umělé inteligence dokážou rychle a konzistentně analyzovat velké množství dat, což je zvláště výhodné v prostředí klinické intenzivní péče. Aplikací AI si tato studie klade za cíl trénovat detekci a klasifikaci svalové slabosti u pacientů léčených v intenzivní péči. Výzvou modelů AI je však jejich povaha „černé skříňky“, kde rozhodovací proces není transparentní. K vyřešení tohoto problému použijí vyšetřovatelé vysvětlitelné techniky AI (XAI), jako je Grad-CAM (Gradient-weighted Class Activation Mapping), k vizualizaci specifických oblastí ultrazvukových snímků, na které se model AI při své analýze zaměřuje. To nejen pomáhá ověřit rozhodnutí AI, ale také poskytuje pohled na morfologické změny ve svalech, které přicházejí s různými stupni slabosti.

Integrací AI a XAI se studijní tým snaží nejen zautomatizovat detekci a kategorizaci svalové slabosti, ale také zlepšit naše chápání základních morfologických změn ve svalech. Tento duální přístup by mohl vést k přesnější a spolehlivější diagnostice a v konečném důsledku zlepšit výsledky pro pacienty v intenzivní péči.