Artificial Intelligence in Cardiology

รศ. สิรินทร์ อภิญาสวัสดิ์
สาขาวิชาโรคหัวใจ ภาควิชาอายุรศาสตร์
คณะแพทยศาสตร์ โรงพยาบาลรามาธิบดี

Artificial Intelligence (AI) หรือปัญญาประดิษฐ์ ได้กลายเป็นเครื่องมือสำคัญในวงการแพทย์ในยุคปัจจุบัน ความสามารถของ AI ในการประมวลผลข้อมูลขนาดใหญ่และซับซ้อนช่วยเพิ่มความแม่นยำและความรวดเร็วในการวินิจฉัย รวมถึงสนับสนุนการตัดสินใจทางการแพทย์อย่างมีประสิทธิภาพ บทความนี้จะกล่าวถึงความก้าวหน้า การใช้งาน และความท้าทายของ AI ใน Cardiology

ตัวอย่างการใช้งาน AI ใน Cardiology

1. AI ใน Echocardiography

AutoEF: AI ช่วยคำนวณ EF (Ejection Fraction) โดยใช้หลักการเดียวกับ Simpson’s method การศึกษาพบว่ามีความแม่นยำเทียบเคียงกับการวัดของผู้เชี่ยวชาญ แต่มีความคงเส้นคงวามากกว่า¹
AI ใน Stress Echo: ในการศึกษาแบบ RCT พบว่า AI สามารถคัดกรองผู้ป่วยที่น่าจะมี severe coronary artery disease ได้ไม่ต่างจากผู้เชี่ยวชาญ และมีความแม่นยำมากกว่าในศูนย์การแพทย์ที่มีจำนวนการทำ Stress Echo ไม่มาก (155 – 375 รายต่อปี)²
AI ในการวิเคราะห์ Mitral Regurgitation (MR): AI ช่วยเพิ่มความแม่นยำในการวิเคราะห์ MR ผ่านภาพ Color Doppler ด้วย AUC สูงสุดถึง 98³
AI ในการอ่านแปลผล Echocardiogram แบบ full study: AI สามารถเลือกคลิป Echocardiogram ในมุมต่าง ๆ เพื่อแปลผลไปตามโครงสร้างต่าง ๆ ของหัวใจ⁴ Model นี้ได้รับการ train จากการแปลผล Echocardiogram ของคนไข้มากกว่า 2 แสนราย และได้รับการ validate จากการแปลผลในคนไข้มากกว่า 1,700 ราย

การพัฒนา AI ให้สามารถแปลผล Echocardiogram ถือว่ามีความก้าวหน้าอย่างรวดเร็ว อย่างไรก็ดี การนำไปใช้จริงและการพิจารณาเป็นมาตรฐานการรักษายังต้องได้รับการศึกษาวิจัยกับคนไข้จริงในวงกว้างมากขึ้น

2. AI ใน Coronary Angiogram
AI สามารถช่วยในการวิเคราะห์ coronary artery lesions มีการศึกษาแบบ RCTs 2 การศึกษา เปรียบเทียบการใช้ AI กับ Optical coherence tomography (OCT)⁵ และการใช้ AI กับ Fractional Flow Reserve (FFR)⁶ ทั้งสองการศึกษาพบว่า AI ประเมิน coronary lesions ได้ไม่ต่างจาก OCT และ FFR นอกจากนี้แล้วยังพบว่าการใช้ AI ลดต้นทุน ลดปริมาณรังสีและสารทึบแสงที่ใช้อีกด้วย

3. AI ใน ECG
แม้ว่า AI ในการแปลผล ECG จะพัฒนาและก้าวหน้าไปมาก แต่ยังพบว่ามีความผิดพลาดและอาจมีผลสำคัญต่อการพิจารณาให้การรักษา ในการศึกษาแบบย้อนหลังของการแปลผล ECG พบว่า มี 2% ของ ECGs ที่ AI แปลผลผิดพลาด โดยส่วนใหญ่ที่แปลผลพลาดเป็นการผิดพลาดในการวินิจฉัย Atrial Fibrillation (AF)⁷

นอกจากการแปลผล ECG ในรูปแบบที่มนุษย์ทำได้แล้ว AI ยังสามารถใช้ ECG ในการพยากรณ์การเสียชีวิตได้ การศึกษาแบบ RCT พบว่าข้อมูลจากการพยากรณ์ของ AI ช่วยในการตัดสินใจให้การรักษาคนไข้ที่เปลี่ยนไป และช่วยลดอัตราการเสียชีวิตในระยะ 90 วันได้⁸อย่างไรก็ดี การใช้ AI ในรูปแบบนี้ ที่มนุษย์ยังไม่สามารถอธิบายได้ หรือ Black Box Model มีข้อควรระวังอย่างมาก และยังไม่แนะนำให้ใช้เป็นเกณฑ์หลักในการตัดสินใจให้การรักษาผู้ป่วย

4. AI ใน PHOTOPLETHYSMOGRAPHY
การใช้ AI ในการช่วยตรวจจับ AF ผ่านการวัดชีพจรโดยวิธี photoplethysmography มีใช้มาได้ระยะหนึ่งแล้ว โดยผ่านทางอุปกรณ์ เช่น smartwatch หรือ wearables อื่น ๆ แม้ว่าการตรวจจับ AF จาก AI จะมีความแม่นยำสูงแต่สมาคมวิชาชีพได้กำหนดชัดเจนว่าการวินิจฉัย AF จะต้องมี ECG recording ไม่ว่าจะเป็นจาก standard 12-leads ECG, holter monitoring, หรือจะใช้ ECG ที่ทำจาก smartwatch ก็ได้⁹

5. AI ใน Electronic Medical Records
AI สามารถสรุปและจัดระเบียบข้อมูล นอกจากนี้ยังสามารถพยากรณ์อัตราการเสียชีวิต พยากรณ์จำนวนวันนอนโรงพยาบาลและอนุมานการวินิจฉัยได้¹⁰

อย่างไรก็ตาม ข้อมูลเหล่านี้มีความละเอียดอ่อนและเปราะบาง จำเป็นต้องมีความระมัดระวังอย่างยิ่งในการใช้และการจัดเก็บข้อมูล สิ่งสำคัญคือต้องตระหนักว่าข้อมูลจาก AI ไม่สามารถทดแทนข้อมูลจากผู้ป่วยโดยตรง หรือแทนที่ประสบการณ์ทางคลินิกของแพทย์ได้

ความท้าทายในการใช้ AI ในการแพทย์

ข้อมูลเท็จจาก AI: เนื้อหาที่สร้างโดย AI อาจไม่ถูกต้อง¹¹หรือเป็นข้อมูลเท็จ¹²
AI Model Collapse: การฝึกโมเดล AI จากข้อมูลที่สร้างขึ้นโดย AI อาจทำให้ระบบพังทลาย ทำให้ผลลัพธ์ที่สร้างมีความผิดพลาดรุนแรง¹³
“Infoxication”: การได้รับข้อมูลที่มากเกินไปอาจทำให้มนุษย์ละเลยต่อข้อมูลที่สำคัญ สับสน หรือไม่สามารถตัดสินใจได้
การสูญเสียปฏิสัมพันธ์ทางมนุษย์: การใช้ AI อย่างเกินความจำเป็นอาจทำให้สูญเสียสัมพันธภาพระหว่างแพทย์ เพื่อนร่วมงานและผู้ป่วย

ข้อควรปฏิบัติในการใช้ AI

สิ่งที่ควรทำ

ใช้ AI เพื่อสนับสนุนการตัดสินใจ ไม่ใช่เพื่อทดแทนแพทย์
ตรวจสอบคุณภาพและความปลอดภัยของข้อมูล
ให้ความสำคัญกับ AI ที่สามารถอธิบายการทำงานได้

สิ่งที่ไม่ควรทำ

อย่าเชื่อถือ AI เพียงอย่างเดียวโดยไม่ตรวจสอบ
หลีกเลี่ยงการใช้โมเดลที่ไม่สามารถอธิบายได้ในกรณีที่สำคัญ
ไม่ควรโฆษณาเกินจริงเกี่ยวกับความสามารถของ AI ต่อผู้ป่วย

เอกสารอ้างอิง

Ouyang D, He B, Ghorbani A, Yuan N, et al. Video-based AI for beat-to-beat assessment of cardiac function. Nature. 2020 Apr;580(7802):252-256.
Upton, R, AP Akerman, TH Marwick, H Piotrowska, et al. “PROTEUS: a Prospective RCT Evaluating Use of AI in Stress Echocardiography.” NEJM AI 2024;1(11).
Vrudhula A, Duffy G, Vukadinovic M, Liang D, Cheng S, Ouyang D. High-Throughput Deep Learning Detection of Mitral Regurgitation. Circulation. 2024 Sep 17;150(12):923-933.
https://doi.org/10.48550/arXiv.2410.09704
Kim Y, Yoon HJ, Suh J, Kang SH, et al; FLASH Trial Investigators. Artificial Intelligence-Based Fully Automated Quantitative Coronary Angiography vs Optical Coherence Tomography-Guided PCI (FLASH Trial). JACC Cardiovasc Interv. 2024 Oct 30:S1936-8798(24)01422-5.
PROVISION Trial. Presenter: Hitoshi Matsuo. Transcatheter Cardiovascular Therapeutics (TCT) 2024 conference. October 27, 2024.
Shaik A, Patel N, Alvarez C, Panza G, Baker WL, McMahon S, Kluger J. Erroneous electrocardiographic interpretations and its clinical implications. J Cardiovasc Electrophysiol. 2023 Jul;34(7):1515-1522.
Lin CS, Liu WT, Tsai DJ, Lou YS, et al. AI-enabled electrocardiography alert intervention and all-cause mortality: a pragmatic randomized clinical trial. Nat Med. 2024 May;30(5):1461-1470.
Van Gelder IC, Rienstra M, Bunting KV, Casado-Arroyo R, et al; ESC Scientific Document Group. 2024 ESC Guidelines for the management of atrial fibrillation developed in collaboration with the European Association for Cardio-Thoracic Surgery (EACTS). Eur Heart J. 2024 Sep 29;45(36):3314-3414.
Rajkomar A, Oren E, Chen K, Dai AM, et al. Scalable and accurate deep learning with electronic health records. NPJ Digit Med. 2018 May 8;1:18.
Bhattacharyya M, Miller VM, Bhattacharyya D, Miller LE. High Rates of Fabricated and Inaccurate References in ChatGPT-Generated Medical Content. Cureus. 2023 May 19;15(5):e39238.
https://doi.org/10.48550/arXiv.1901.03597
Wenger E. AI produces gibberish when trained on too much AI-generated data. Nature. 2024 Jul;631(8022):742-743.