Medical Instrumentations

AI พบสัญญาณใหม่ใน ECG ที่ทำนายการเสียชีวิตเฉียบพลันจากหัวใจ — คนไข้ 86% ที่โมเดลจับได้ หลุดจากเกณฑ์เดิม

เผยแพร่ · · แสดงความคิดเห็น

ทีมวิจัยจาก University of California, Berkeley สหรัฐอเมริกา รายงานว่าพวกเขาค้นพบสัญญาณที่ไม่เคยมีใครอธิบายไว้ก่อนในคลื่นไฟฟ้าหัวใจ (Electrocardiogram หรือ ECG) ซึ่งสามารถบ่งชี้ผู้ที่มีความเสี่ยงเสียชีวิตเฉียบพลันจากหัวใจ (sudden cardiac death) ได้แม่นยำกว่าวิธีคัดกรองมาตรฐานที่ใช้กันอยู่ในปัจจุบัน งานวิจัยนี้ตีพิมพ์ในวารสาร Nature

สรุปสั้น ๆ

  • ฝึกด้วย ECG 441,614 ครั้ง (ปี 2010-2016) จาก Region Halland ประเทศสวีเดน เชื่อมกับใบมรณบัตรและเวชระเบียนอิเล็กทรอนิกส์
  • ค่า AUC 0.872 เทียบกับ 0.697 ของคะแนนความเสี่ยงหัวใจและหลอดเลือด 10 ปีแบบ AHA/ACC
  • กลุ่มเสี่ยงสูงที่โมเดลคัดได้คิดเป็น 2.2% ของกลุ่มตัวอย่าง มีอัตราเสียชีวิต 7.0% ต่อปี เทียบกับ 4.6% ในกลุ่มที่มี LVEF ต่ำ
  • 86.1% ของผู้ป่วยเสี่ยงสูงในกลุ่มนี้ ไม่ถูกจับได้ด้วยเกณฑ์ LVEF เลย
  • ทดสอบซ้ำที่สหรัฐอเมริกา (ECG 251,858 ครั้ง) และไต้หวัน (ผู้ป่วยหัวใจหยุดเต้น 257 ราย เทียบกับกลุ่มควบคุม 4,011 ราย) โดยไม่ปรับจูนโมเดลใหม่

ทำไมโจทย์นี้ถึงยาก

ในแต่ละปีมีผู้เสียชีวิตจากภาวะหัวใจหยุดเต้นเฉียบพลันในสหรัฐอเมริกามากกว่า 300,000 ราย ภาวะนี้ต่างจากกล้ามเนื้อหัวใจตายเฉียบพลัน (heart attack) ที่เกิดจากหลอดเลือดอุดตัน เพราะเป็นความล้มเหลวของระบบไฟฟ้าหัวใจที่เกิดขึ้นโดยไม่มีสัญญาณเตือน และเกิดได้ทั้งกับผู้สูงอายุที่มีโรคประจำตัวและนักกีฬาวัยหนุ่มสาวที่สุขภาพดี ผู้ที่เกิดภาวะนี้นอกโรงพยาบาลราว 90% เสียชีวิตภายในไม่กี่นาที

สิ่งที่ทำให้เรื่องนี้น่าเจ็บปวดเป็นพิเศษคือ “ยา” มีอยู่แล้ว นั่นคือเครื่องกระตุกหัวใจชนิดฝัง (Implantable Cardioverter Defibrillator หรือ ICD) ซึ่งใช้กันมาตั้งแต่ปี 1980 แต่แพทย์ยังหาคำตอบไม่ได้ว่าควรฝังให้ใคร

โมเดลจับคนไข้คนละกลุ่มกับเกณฑ์เดิม

เกณฑ์มาตรฐานปัจจุบันคือสัดส่วนเลือดที่หัวใจห้องล่างซ้ายบีบออกในแต่ละครั้ง (Left Ventricular Ejection Fraction หรือ LVEF) ถ้าต่ำกว่าประมาณ 35% ผู้ป่วยอาจเข้าเกณฑ์ฝังเครื่องกระตุกหัวใจ แต่เกณฑ์นี้พลาดทั้งสองทาง ด้านหนึ่ง ผู้เสียชีวิตเฉียบพลันส่วนใหญ่ไม่เคยถูกวัด LVEF มาก่อนเสียชีวิต และในกลุ่มที่วัด ก็มีเพียงส่วนน้อยที่ค่า LVEF ต่ำ อีกด้านหนึ่ง ในกลุ่มที่ได้ฝังเครื่องเพราะ LVEF ต่ำ ราวสองในสามไม่เคยใช้เครื่องนั้นช็อกหัวใจเลย

คำถามสำคัญจึงไม่ใช่แค่ว่าโมเดลแม่นกว่าหรือไม่ แต่คือโมเดลเจอ “คนกลุ่มใหม่” หรือเพียงเจอคนกลุ่มเดิมที่ LVEF จับได้อยู่แล้ว คำตอบอยู่ใน ภาพที่ 1

แผนภาพเวนน์แสดงการซ้อนทับของกลุ่มเสี่ยงสูงจากโมเดล ECG กับกลุ่ม LVEF ต่ำ
ภาพที่ 1 | การซ้อนทับระหว่างกลุ่มเสี่ยงสูงที่โมเดล ECG คัดได้ (2.2% ของกลุ่มตัวอย่าง) กับกลุ่มที่มี LVEF ต่ำ (1.9%) ในข้อมูลสวีเดน (n = 113,072 ECG) ที่มา: Obermeyer Z, Schubert A, Ross J, Mullainathan S, Lingman M. Nature 655, 210-218 (2026), Fig. 3 — เผยแพร่ภายใต้สัญญาอนุญาต CC BY 4.0

มีเพียง 13.9% ของกลุ่มเสี่ยงสูงจากโมเดล ECG เท่านั้นที่ทราบว่ามี LVEF ต่ำ กล่าวอีกอย่างคือ 86.1% เป็นผู้ป่วยที่ระบบปัจจุบันมองไม่เห็น ที่น่าสนใจคือกลุ่มที่โมเดลจัดว่าเสี่ยงสูงแต่มี LVEF ปกติ ยังมีอัตราเสียชีวิต 6.4% ต่อปี ซึ่งสูงกว่ากลุ่ม LVEF ต่ำเสียอีก และเมื่อทั้งสองตัวชี้วัดเห็นตรงกันว่าเสี่ยงสูง อัตราจะขึ้นไปถึง 10.7% ต่อปี แปลว่า LVEF ยังให้ข้อมูลที่เป็นอิสระจากโมเดล ไม่ใช่สิ่งที่ควรทิ้ง

นอกจากนี้ เมื่อเปรียบเทียบผู้ป่วยกลุ่มเสี่ยงสูงที่ได้ฝังเครื่องกระตุกหัวใจกับค่าที่โมเดลคาดการณ์ไว้ พบว่าอัตราการเสียชีวิตต่ำกว่าที่คาด 54.4% ซึ่งเป็นสัญญาณเชิงบวกว่ากลุ่มที่โมเดลคัดได้น่าจะเป็นการเสียชีวิตที่ป้องกันได้จริง แม้จะเป็นข้อมูลเชิงสังเกตที่ยังมีโอกาสเกิดอคติจากการเลือกผู้ป่วยก็ตาม

AI “เห็น” อะไรใน ECG

ปัญหาคลาสสิกของ deep learning คือเราบอกได้ว่าโมเดลแม่น แต่บอกไม่ได้ว่ามันมองอะไร ทีมวิจัยจึงจับคู่โมเดลทำนายเข้ากับโมเดลกำเนิด (generative model) แบบ variational auto-encoder แล้วค่อย ๆ “แปลง” รูปคลื่นของผู้ป่วยความเสี่ยงต่ำให้กลายเป็นรูปคลื่นความเสี่ยงสูงของผู้ป่วยคนเดียวกัน วิธีนี้แยกสัญญาณความเสี่ยงออกมาได้ โดยคุมความแตกต่างอื่น ๆ ระหว่างคนไข้ไว้คงที่

กราฟคลื่นไฟฟ้าหัวใจ 12 lead เปรียบเทียบรูปคลื่นความเสี่ยงต่ำกับความเสี่ยงสูง
ภาพที่ 2 | รูปคลื่น ECG ของผู้ป่วยรายหนึ่ง เปรียบเทียบแบบความเสี่ยงต่ำ (สีม่วงเข้ม) กับแบบที่ถูกแปลงให้เป็นความเสี่ยงสูง (สีส้ม) ใน 12 lead หัวลูกศรสีส้มใน lead aVL ชี้ลักษณะใหม่ที่โมเดลค้นพบ ที่มา: Obermeyer Z, Schubert A, Ross J, Mullainathan S, Lingman M. Nature 655, 210-218 (2026), Fig. 4 — เผยแพร่ภายใต้สัญญาอนุญาต CC BY 4.0

ผลที่ได้มีสองส่วน ส่วนแรกเป็นลักษณะที่วงการรู้จักดีอยู่แล้ว คือการเบี่ยงแกนไฟฟ้าไปทางซ้าย (left axis deviation) ซึ่งสัมพันธ์กับภาวะกล้ามเนื้อหัวใจขาดเลือด ส่วนที่สองน่าสนใจกว่า นั่นคือใน lead aVL ส่วนปลายของ R wave มีลักษณะลาดเอียง (slurred) แทนที่จะเป็น S wave ที่ดิ่งลงคมชัดแบบในรูปคลื่นความเสี่ยงต่ำ ดังที่หัวลูกศรสีส้มใน ภาพที่ 2 ชี้ไว้ ทีมวิจัยระบุว่าลักษณะนี้ยังไม่เคยมีรายงานในวรรณกรรมมาก่อนเท่าที่พวกเขาทราบ และเมื่อนำมาวัดเป็นตัวเลข (ผลต่างอันดับหนึ่งและสองของแอมพลิจูด QRS) ก็ทำนายการเสียชีวิตเฉียบพลันได้ด้วยตัวมันเองทั้งในข้อมูลสวีเดนและสหรัฐอเมริกา

สมมติฐานเชิงกลไกที่ทีมเสนอคือพังผืดในกล้ามเนื้อหัวใจ (myocardial fibrosis) ที่กระจายตัวแบบละเอียดทั่วห้องล่างซ้าย ซึ่งขัดขวางการนำไฟฟ้าแบบสุ่มกระจาย เมื่อตรวจ cMRI ย้อนหลังในผู้ป่วยกลุ่มเสี่ยงสูงสุด 10% พบ late gadolinium enhancement แบบละเอียดบ่อยกว่ากลุ่มอื่นอย่างมีนัยสำคัญ อย่างไรก็ตามทีมวิจัยเน้นว่านี่คือการตั้งสมมติฐาน ยังไม่ใช่ข้อพิสูจน์

สิ่งที่ทำให้ปัญหานี้น่าเศร้ามาก แต่ก็เหมาะกับ AI มากเช่นกัน คือเรามีวิธีรักษาอยู่แล้ว ถ้าคุณรู้ว่าตัวเองเป็นหนึ่งในคนที่จะล้มลงเสียชีวิต คุณก็จะไปหาแพทย์โรคหัวใจและฝังเครื่องกระตุกหัวใจ ปัญหาคือแพทย์หาไม่เจอว่าใครคือคนที่ต้องการมันก่อนที่จะสายเกินไป

Ziad Obermeyer รองศาสตราจารย์ประจำ School of Public Health, UC Berkeley และผู้วิจัยหลัก

จุดแข็งอยู่ที่ความพร้อมใช้งาน

ระบบนี้ทำงานกับ ECG ธรรมดาที่โรงพยาบาลและศูนย์การแพทย์ทั่วโลกเก็บไว้อยู่แล้วเป็นกิจวัตร การนำไปใช้จึงไม่จำเป็นต้องซื้อเครื่องมือใหม่หรือสร้างการตรวจชนิดใหม่ขึ้นมา ที่สำคัญคือเมื่อนำโมเดลที่ฝึกจากข้อมูลสวีเดนไปใช้กับข้อมูลสหรัฐอเมริกาและไต้หวันโดยไม่ปรับจูนใหม่เลย โมเดลก็ยังทำงานได้ ทั้งที่ข้อมูลทั้งสองชุดมาจากเครื่องคนละยี่ห้อและนิยามผลลัพธ์คนละแบบ

ปัจจุบันทีมวิจัยเริ่มขั้นตอนถัดไปแล้ว โดยร่วมมือกับระบบสุขภาพในสวีเดน ไต้หวัน และสหรัฐอเมริกา เพื่อนำอัลกอริทึมไปรันกับฐานข้อมูล ECG ของโรงพยาบาล ผู้ที่ถูกประเมินว่าเสี่ยงสูงจะได้รับการติดต่อและเสนอให้ติดแผ่นแปะบันทึกคลื่นไฟฟ้าหัวใจต่อเนื่อง ข้อมูลระยะยาวชุดนี้จะช่วยให้นักวิจัยเข้าใจว่ากลไกทางสรีรวิทยาอะไรกันแน่ที่ทำให้เกิดสัญญาณซึ่ง AI มองเห็น

ข้อจำกัดและผลประโยชน์ทับซ้อน

การศึกษานี้เป็นการวิเคราะห์ข้อมูลย้อนหลังทั้งหมด ยังไม่มีการทดลองแบบสุ่มที่พิสูจน์ว่าการใช้โมเดลนี้คัดผู้ป่วยไปฝังเครื่องกระตุกหัวใจจะช่วยลดการเสียชีวิตได้จริง ซึ่งทีมวิจัยเองก็ระบุว่าการทดลองแบบสุ่มเป็นขั้นตอนที่จำเป็น เพราะในอดีตมีตัวทำนายหลายตัวที่ดูดีแต่สุดท้ายคัดผู้ป่วยที่ได้ประโยชน์จากเครื่องไม่ได้ อนึ่ง ผู้วิจัยสองรายคือ Ziad Obermeyer และ Sendhil Mullainathan เป็นผู้ร่วมก่อตั้งและถือหุ้นใน Dandelion Health ซึ่งเป็นแหล่งข้อมูลที่ใช้ตรวจสอบโมเดลในสหรัฐอเมริกา โดยระบุไว้ในส่วนผลประโยชน์ทับซ้อนของรายงาน

ดังนั้น คุณค่าของงานนี้จึงมีสองชั้น ชั้นแรกคือเครื่องมือช่วยตัดสินใจทางคลินิกที่อาจทำให้การเลือกผู้ป่วยสำหรับฝัง ICD แม่นยำขึ้น ชั้นที่สองซึ่งอาจสำคัญไม่แพ้กันคือ AI ได้ชี้เป้าปรากฏการณ์ทางสรีรวิทยาที่มนุษย์ยังอธิบายไม่ได้ ให้นักวิจัยตามไปศึกษาต่อ ซึ่งเป็นรูปแบบการทำวิทยาศาสตร์ที่ค่อนข้างใหม่และน่าศึกษาอย่างมาก

อ่านเพิ่มเติมจากบทความที่เกี่ยวข้องในเว็บไซต์ของเรา

สำหรับคนที่สนใจสามารถเข้าไปศึกษารายละเอียดของรายงานวิจัยได้ที่ An ECG biomarker for sudden cardiac death discovered with deep learning ข่าวจาก Berkeley News

ภาพที่ 1 และภาพที่ 2 นำมาจากรายงานวิจัยต้นฉบับ ซึ่งเผยแพร่แบบ open access ภายใต้สัญญาอนุญาต Creative Commons Attribution 4.0 International (CC BY 4.0) ดูรายละเอียดสัญญาอนุญาตได้ที่ creativecommons.org/licenses/by/4.0 ส่วนภาพปกเป็นภาพประกอบที่เว็บไซต์ของเราสร้างขึ้นเอง ไม่ใช่ข้อมูลผู้ป่วยจริง

แสดงความคิดเห็น

อีเมลของคุณจะไม่แสดงให้คนอื่นเห็น ช่องข้อมูลจำเป็นถูกทำเครื่องหมาย *

This site uses Akismet to reduce spam. Learn how your comment data is processed.