Obecny stan nagłej śmierci sercowej na przykładzie USA
Według dostępnych danych w Stanach Zjednoczonych NZK odpowiada za 180 000–300 000 zgonów rocznie. Mimo kampanii edukacyjnych oraz wzrostu świadomości na temat resuscytacji, przeżywalność po zatrzymaniu krążenia poza szpitalem (OHCA) wynosi zaledwie 9,1%. W łańcuchu przeżycia kluczowe znaczenie ma szybkie rozpoczęcie resuscytacji – udzielona przez świadków CPR podnosi 30-dniową przeżywalność do 10%, a defibrylacja wykonana przez przeszkolonych ratowników pierwszej pomocy osiąga medianę przeżywalności na poziomie 53%, podczas gdy po przybyciu profesjonalnych służb ratunkowych wynosi ona 28,6%[1]. Istnieje, jak pokazują dane liczbowe, pilna potrzeba wdrożenia nowoczesnych strategii diagnostycznych i terapeutycznych, celem poprawy rokowania pacjentów.
Analiza wyzwań
Badanie wskazuje na szereg barier (ryc. 1.), które ograniczają skuteczność interwencji w SCA:
Koszty i dostępność AED: Jednostkowy koszt defibrylatora może przekraczać 10 500 zł, a koszty związane z regularną wymianą baterii i elektrod wynoszą dodatkowo 700-1 900 zł[2]. Mimo zakupu około 1 miliona AED w ciągu ostatnich 20 lat, brak centralnego rejestru lokalizacji tych urządzeń utrudnia ich szybkie odnalezienie w sytuacji kryzysowej.
Ograniczenia czasowe i operacyjne: Około 62% przypadków OHCA występuje w godzinach wieczornych, nocnych oraz w weekendy, co skutkuje redukcją pokrycia AED aż o 53%. Ponadto, niektóre urządzenia są umieszczone w lokalizacjach o ograniczonym dostępie lub wymagają wsparcia personelu, co opóźnia interwencję.
Błędy operatora: Wykazano, że błędy związane z użyciem AED występują u 80% osób nieprzeszkolonych, podczas gdy w grupie przeszkolonych ratowników odnotowano tylko 10% nieprawidłowości. Do 72% błędów można przypisać niewłaściwą obsługę urządzenia, np. nieusunięcie odzieży pacjenta lub niewłaściwe umieszczenie elektrod[3].
Identyfikacja ryzyka SCA oraz zapisu EKG wysokiego ryzyka
Opracowywane algorytmy uczenia maszynowego stanowią przełom we wczesnej identyfikacji zagrożonych SCA pacjentów:
DeepEWS (Deep Learning-based Early Warning System): algorytm ten, analizując dane życiowe pacjentów, osiąga swoistość na poziomie 87% w porównaniu do 79,9% uzyskiwanych przez tradycyjne systemy, takie jak Modified Early Warning Score (MEWS)[3].
Modele predykcyjne w kardiomiopatiach: w grupie pacjentów z kardiomiopatią przerostową zastosowanie uczenia maszynowego pozwoliło na identyfikację 12 nowych predyktorów arytmii, co przełożyło się na wzrost AUC modelu z 0,80 do 0,83[4].
Algorytmy dla AED: nowoczesne defibrylatory wyposażone w algorytmy umożliwiające wykorzystanie sieci neuronowych potrafią analizować 7-sekundowy zapis EKG i generować decyzję defibrylacyjną w 7,383 sekundy, nawet przy obecności szumów i artefaktów mięśniowych. Takie rozwiązania osiągają dokładność rzędu 95–99%.
Uczenie maszynowe: umożliwia precyzyjną analizę zapisu EKG i identyfikację defibrylacyjnych rytmów oraz fenotypów wysokiego ryzyka. Klasyfikacja opiera się na ekstrakcji cech, takich jak interwały (PR, QRS, RR, QT), amplitudy (fala P, zespół QRS, odcinek ST), morfologia, jej regularność oraz zgodność wychylenia pobudzenia z kierunkiem załamka T. Uzyskane cechy są wykorzystywane przez klasyfikatory, które rozróżniają rytmy kwalifikujące się do defibrylacji.
Stosowane techniki: m.in. analiza domeny częstotliwości, wykrywanie wzorców gradientowych, dopasowywanie kształtu fali oraz sieci neuronowe osiągają dokładność na poziomie 95–99%. Wyzwania związane z nadmiarem cech przy ograniczonej liczbie danych treningowych są rozwiązywane przez metody redukcji wymiarowości i selekcji cech. Połączenie konwolucyjnych sieci neuronowych z algorytmami uczenia ze wzmocnieniem (niejako „boosting” sygnału) pozwala uzyskać dokładność rzędu 99,25%.
Identyfikacja specyficznych cech: np. pierwotnej inwersji fali T w kardiomiopatii przerostowej, która koreluje z podwyższonym ryzykiem nagłej śmierci sercowej. Zastosowanie tych metod przyczynia się do usprawnienia diagnostyki i kwalifikacji pacjentów do terapii defibrylacyjnej. Jak zatem widać, wykorzystanie danych nie kończy się na klasyfikacji rytmu.
Rola defibrylacji w ratowaniu życia
Automatyczne defibrylatory zewnętrzne (AED) są kluczowym elementem w łańcuchu przeżycia, jednak ich wykorzystanie pozostaje niskie. Wysiłki zmierzające do poprawy dostępności AED obejmują rozwój aplikacji mobilnych mapujących lokalizacje defibrylatorów oraz implementację dronów dostarczających AED w rejon zatrzymania krążenia, co w badaniach przeprowadzonych w Szwecji skróciło czas dostarczenia defibrylatora o kilka minut w porównaniu z tradycyjnymi służbami ratunkowymi.
Systemy zarządzania
Skuteczność interwencji w SCA zależy nie tylko od technologii, ale także od infrastruktury systemów pomocy medycznej. Badania wykazują, że efektywność resuscytacji krążeniowo-oddechowej (CPR) wykonywanej przez świadków zdarzenia może być znacznie zwiększona poprzez stosowanie nowoczesnych metod szkoleniowych. Kioski szkoleniowe, wirtualna rzeczywistość oraz aplikacje mobilne z interaktywnymi instrukcjami poprawiają jakość wykonywania uciśnięć klatki piersiowej i defibrylacji.
Aplikacje mobilne i systemy powiadamiania: Rozwiązania takie jak PulsePoint i Heartrunner umożliwiają natychmiastowe powiadomienie przeszkolonych wolontariuszy, co zwiększa szanse na szybką defibrylację. Przykładowo, system oparty na powiadomieniach SMS w Holandii zwiększył wskaźnik defibrylacji przez świadków z 4,5% do 59,9% oraz poprawił przeżywalność do 27,1% w porównaniu do 16%.
Rejestry AED: Dynamic AED Registry, zatwierdzony przez FDA, umożliwia monitorowanie lokalizacji i statusu defibrylatorów za pomocą kodów 2D, co znacząco ułatwia ich lokalizację i utrzymanie w gotowości.
Podsumowanie oraz implikacje kliniczne
Wdrożenie nowoczesnych technologii opartych na sztucznej inteligencji i uczeniu maszynowym może znacząco poprawić wyniki leczenia SCA poprzez:
- wczesne wykrywanie pacjentów zagrożonych, co umożliwia szybszą interwencję,
- skrócenie czasu do defibrylacji dzięki zaawansowanym AED zintegrowanym z algorytmami AI,
- zwiększenie efektywności resuscytacji przez lepsze przeszkolenie społeczeństwa i zastosowanie nowoczesnych systemów powiadamiania.
Kliniczne wykorzystanie tych metod przekłada się bezpośrednio na zwiększenie przeżywalności (do 53% w przypadku interwencji świadków) oraz zmniejszenie ryzyka uszkodzeń neurologicznych. Integracja tych innowacji z systemem opieki zdrowotnej stanowi kluczowy krok w redukcji dysproporcji geograficznych i społecznych w dostępie do szybkiej pomocy.
Źródła dodatkowe:
- Khera, R., Oikonomou, E., Nadkarni, G., et al. Transforming Cardiovascular Care With Artificial Intelligence: From Discovery to Practice: JACC State-of-the-Art Review. JACC. 2024 Jul, 84 (1) 97–114; https://doi.org/10.1016/j.jacc.2024.05.003
- https://www.defibrylatorshop.pl/defibrylatory-aed/wymiana-defibrylatora.html
- Malik, A., Hanson, J., Han, J., et al. Sudden cardiac arrest in athletes and strategies to optimize preparedness. Clin Cardiol. 2023; 46: 1059-1071; doi:10.1002/clc.24095
