Bước đầu đánh giá khả năng nhận biết rung nhĩ bởi trí tuệ nhân tạo Kardia Alivecor Sử dụng thiết bị ghi điện tâm đồ lưu động

Lê Tuấn Thành; Phan Đình Phong; Đỗ Doãn Bách; Apurv Soni; Jeroan J Allison

Các tác giả

Lê Tuấn Thành Viện Tim mạch Việt Nam - Bệnh viện Bạch Mai
Phan Đình Phong Viện Tim mạch Việt Nam - Bệnh viện Bạch Mai
Đỗ Doãn Bách Viện Tim mạch Việt Nam - Bệnh viện Bạch Mai
Apurv Soni Đại học Y khoa Massachusetts, Hoa Kỳ
Jeroan J Allison Đại học Y khoa Massachusetts, Hoa Kỳ

Tóm tắt

Tổng quan: Trí tuệ nhân tạo ứng dụng trong y học đang ngày càng chứng minh được tính hữu ích bởi khả năng đánh giá chính xác có thể so sánh với trí tuệ con người trong chẩn đoán ảnh y tế [1]. Một hệ chuyên gia trí tuệ nhân tạo được sử dụng trong phần mềm Kardia Alivecor có khả năng sàng lọc rung nhĩ thông qua ghi nhận điện tim một chuyển đạo đã được Cục Quản Lý Thuốc Và Dược Phẩm Hoa Kỳ thông qua gần đây đã chứng minh khả năng sàng lọc rung nhĩ trong cộng đồng tại Mỹ và Ấn Độ [2]. Chúng tôi tiến hành bước đầu đánh giá khả năng sàng lọc rung nhĩ trên thực tế lâm sàng tại Việt Nam sử dụng điện tim một chuyển đạo phiên giải kết quả bởi trí tuệ nhân tạo, với sự hợp tác của các nhà khoa học của Đại học Y khoa Massachusetts, Hoa Kỳ.

Tài liệu tham khảo

1. LanglotzCP1,AllenB1,EricksonBJ1,Kalpathy-CramerJ1,BigelowK1,CookTS1,FlandersAE1,Lungren MP1, Mendelson DS1, Rudie JD1, Wang G1, Kandarpa K1. A Roadmap for Foundational Research on Artificial Intelligence in Medical Imaging: From the 2018 NIH/RSNA/ACR/The Academy Workshop. Radiology. 2019 Jun;291(3):781-791. doi: 10.1148/radiol.2019190613. Epub 2019 Apr 16.

2. Apurv Soni, BA, 1 Allison Earon, MPH,1 Anna Handorf, BA,1 Nisha Fahey, BA,1 Kandarp Talati,MBA,2 John Bostrom, BA,1 Ki Chon, PhD,3 Craig Napolitano, MD,1 Michael Chin, MD,1 John Sullivan, BA,1 Shyamsundar Raithatha, MD,2 Robert Goldberg, PhD,1 Somashekhar Nimbalkar, MD,2 Jeroan Allison, MScEpi, MD,1 Sunil Thanvi, DM, MD,2 and David McManus, MScI, MD1 High Burden of Unrecognized Atrial Fibrillation in Rural India: An Innovative Community-Based Cross-Sectional Screening Program, JMIR Public Health Surveill. 2016 Jul-Dec; 2(2): e159. Published online 2016 Oct 13. doi: 10.2196/publichealth.6517.

3. Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., & Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115.

4. Cheng,J.Z.,Ni,D.,Chou,Y.H.,Qin,J.,Tiu,C.M.,Chang,Y.C.,&Chen,C.M.(2016). Computer- aided diagnosis with deep learning architecture: applications to breast lesions i n US images and pulmonary nodules in CT scans. Scientific reports, 6, 24454.

5. [3x] Murdoch, T. B., & Detsky, A. S. (2013). The inevitable application of big data to health care. Jama, 309(13), 1351-1352.

6. Jiang,F.,Jiang,Y.,Zhi,H.,Dong,Y.,Li,H.,Ma,S.,&Wang,Y.(2017). Artificial intelligence in healthcare: past, present and future. Stroke and vascular neurology, 2(4), 230-243.

7. Johnson,K.W.,Soto,J.T.,Glicksberg,B.S.,Shameer,K.,Miotto,R.,Ali,M.&Dudley,J.T.(2018). Artificial intelligence in cardiology. Journal of the American College of Cardiology, 71(23), 2668-2679.