Ứng dụng AI phân tích điện tâm đồ là gì
Ứng dụng AI phân tích điện tâm đồ là sử dụng thuật toán AI để trích xuất, phân tích thông tin chi tiết từ lượng lớn dữ liệu được tạo ra bởi các xét nghiệm ECG.
Ứng dụng AI phân tích điện tâm đồ không chỉ tự động hóa đọc kết quả ECG theo các tiêu chuẩn mà còn tăng cường” năng lực của ECG khi biến ECG từ một công cụ chẩn đoán các tình trạng hiện tại thành một công cụ sàng lọc và tiên lượng mạnh mẽ cho tương lai.
ECG truyền thống chủ yếu được sử dụng để chẩn đoán các bệnh lý đã biểu hiện hoặc các sự kiện cấp tính đang diễn ra như một cơn nhồi máu cơ tim hay một rối loạn nhịp đang hiện hữu.
Ngược lại, các thuật toán AI-ECG tiên tiến có khả năng dự đoán nguy cơ một bệnh nhân sẽ phát triển rung nhĩ trong tương lai chỉ từ một bản ghi ECG nhịp xoang được cho là “bình thường” ở thời điểm hiện tại.
Vì vậy AI giúp các bác sĩ xác định những cá nhân có nguy cơ cao trước khi bệnh khởi phát để từ đó áp dụng các biện pháp can thiệp phòng ngừa sớm, mở ra một kỷ nguyên mới của y học dự phòng được cá nhân hóa.
Thuật toán AI sử dụng cho ECG
Mạng Nơ-ron tích chập (CNN)
Ban đầu được thiết kế và chứng minh hiệu quả cao trong các nhiệm vụ nhận dạng hình ảnh, kiến trúc CNN đã được điều chỉnh khéo léo để phân tích tín hiệu ECG, đặc biệt trong dạng một chiều (1D-CNN).
Điểm mạnh của CNN nằm ở khả năng tự động phát hiện các mẫu cục bộ trong dữ liệu thông qua sử dụng các bộ lọc hoặc kernel trượt trên tín hiệu đầu vào.
Nguyên tắc hoạt động với ECG
Trong phân tích ECG, những mẫu cục bộ này tương ứng với các dạng sóng đặc trưng như phức hợp QRS, sóng T phẳng, hoặc độ nâng đoạn ST.
Mỗi kernel được huấn luyện để nhận diện những đặc điểm cụ thể trong các đoạn nhỏ của tín hiệu ECG.
Khi những kernel này di chuyển dọc theo dạng sóng, chúng làm nổi bật những vùng xuất hiện các mẫu nhất định.
Vì thế giúp hệ thống nhận ra những biến đổi rất nhỏ để có thể chỉ ra bất thường.
Điều khiến CNN trở nên đặc biệt mạnh mẽ là khả năng học những đặc trưng này mà không cần can thiệp của con người.
Diễn giải ECG truyền thống thường dựa vào các tiêu chí được định nghĩa thủ công và trích xuất đặc trưng nên tốn thời gian và dễ bỏ sót.
CNN vượt qua hạn chế này bằng cách học trực tiếp từ dữ liệu thô hoặc xử lý tối thiểu.
Chúng phát triển một hệ thống phân cấp các đặc trưng từ những cạnh đơn giản và hình dạng sóng ở các lớp đầu đến những kết hợp phức tạp đại diện cho các mẫu bệnh lý ở các lớp sâu hơn.
Ưu điểm của CNN trong phân tích ECG
Khả năng học đặc trưng tự động giúp CNN xuất sắc để phát hiện những bất thường về hình thái có thể bị bỏ qua bởi người quan sát hoặc các thuật toán đơn giản hơn.
Ví dụ: CNN có thể nhận diện sự mở rộng nhẹ của phức hợp QRS hoặc sự phẳng tinh tế của sóng T có thể báo hiệu những vấn đề tim mạch tiềm ẩn.
Hơn nữa, sử dụng 1D-CNN phù hợp với tính chất tuần tự của tín hiệu ECG trong khi vẫn duy trì hiệu quả tính toán.
Điều đó đã khiến CNN được áp dụng rộng rãi trong nhiều ứng dụng liên quan đến ECG, từ phân loại rối loạn nhịp tim đến phát hiện thiếu máu cục bộ.
Ví dụ: Tại Bệnh viện Mayo Clinic, hệ thống AI sử dụng CNN đã có thể phát hiện suy tim với độ chính xác 85% chỉ từ một ECG 12 chuyển đạo thông thường, ngay cả khi bệnh nhân chưa có triệu chứng rõ ràng.
Mạng Nơ-ron hồi quy (RNN)
Khác với CNN chủ yếu tập trung vào nhận dạng mẫu không gian hoặc cục bộ, Mạng Nơ-ron Hồi Quy được thiết kế để xử lý dữ liệu tuần tự nơi thứ tự thông tin có ý nghĩa quan trọng.
Cấu trúc vốn có của RNN bao gồm các vòng lặp phản hồi tạo ra một dạng bộ nhớ nội bộ.
Vì thế khiến mạng có thể giữ lại thông tin từ các bước thời gian trước đó và ảnh hưởng đến quá trình xử lý hiện tại.
Tại sao RNN phù hợp với ECG
Động lực thời gian của nhịp tim khiến RNN đặc biệt phù hợp để diễn giải dữ liệu ECG.
Nhịp tim về bản chất là tuần tự, với mỗi nhịp đập bị ảnh hưởng bởi những nhịp đập trước đó.
RNN nắm bắt những mối quan hệ phụ thuộc thời gian này một cách hiệu quả.
Các biến thể tiên tiến như mạng Bộ nhớ ngắn hạn dài (LSTM) và Đơn vị hồi quy có cổng (GRU) vượt qua những hạn chế truyền thống của RNN như khó khăn khi học các phụ thuộc dài hạn.
Chúng duy trì bộ nhớ trong thời gian dài hơn, giúp nhận ra các mẫu thời gian phức tạp trong tín hiệu ECG.
Ví dụ: Để phát hiện rung nhĩ, một rối loạn đặc trưng bởi nhịp tim bất thường RNN có thể phân tích chuỗi các nhịp đập để xác định những khoảng thời gian hỗn loạn hoặc bất thường có thể không rõ ràng khi nhìn vào từng nhịp đập riêng lẻ.
AI hiểu cách một nhịp đập liên quan đến nhịp tiếp theo và có thể đánh dấu những sai lệch từ các mẫu nhịp bình thường.
Lợi ích của RNN trong phân tích ECG
RNN cung cấp thông tin theo bối cảnh về hoạt động tim theo thời gian.
Thông qua cơ chế bộ nhớ, chúng giúp phân biệt giữa những biến đổi lành tính và nhịp bệnh lý bằng cách xem xét toàn bộ chuỗi thay vì các đoạn dạng sóng riêng lẻ.
Khả năng mô hình hóa thời gian này giúp các hệ thống dựa trên RNN xuất sắc trong những nhiệm vụ yêu cầu phân tích nhịp như phát hiện rối loạn nhịp tim, theo dõi biến đổi nhịp tim hoặc đánh giá những thay đổi động trong các bài kiểm tra căng thẳng.
Ví dụ: Công ty Cardiologs đã phát triển một hệ thống AI sử dụng LSTM có thể phát hiện 23 loại rối loạn nhịp tim khác nhau từ dữ liệu ECG, đạt độ chính xác tương đương bác sĩ tim mạch có kinh nghiệm.
Mô hình kết hợp (CNN-LSTM)
Nhận ra những điểm mạnh bổ sung của CNN và RNN đã dẫn đến phát triển các mô hình kết hợp kết hợp cả hai kiến trúc thành một mô hình mạnh mẽ duy nhất.
Nguyên tắc hoạt động
Trong những hệ thống kết hợp, các lớp CNN thường được đặt ở phần đầu.
Vai trò của chúng là trích xuất những đặc trưng hình thái phong phú từ các đoạn ngắn của dạng sóng ECG về cơ bản là học các biểu diễn hình dạng chi tiết như những gì tìm thấy trong các phức hợp QRS hoặc sóng T riêng lẻ.
Một khi những đặc trưng này được trích xuất, chúng tạo thành một chuỗi đưa vào lớp LSTM (hoặc một dạng RNN khác).
Lớp tiếp theo phân tích các mối quan hệ thời gian giữa các đặc trưng được trích xuất trong những cửa sổ thời gian dài hơn.
Nó diễn giải cách các yếu tố hình thái khác nhau phát triển và liên quan với nhau trong suốt chu kỳ tim.
Bằng cách tích hợp cả phân tích không gian và thời gian, các mô hình kết hợp nắm bắt được cái nhìn toàn diện hơn về hoạt động tim.
Chúng kết hợp nhận dạng hình dạng dạng sóng chính xác với hiểu biết về động lực nhịp điệu.
Ưu điểm của mô hình kết hợp
Sự tương tác giữa các thành phần CNN và LSTM giúp những mô hình này đạt hiệu suất vượt trội so với việc sử dụng từng kiến trúc riêng lẻ.
Trong khi CNN tập trung vào các chi tiết hình thái cục bộ quan trọng để xác định những bất thường tim cụ thể, LSTM đưa những đặc trưng này vào bối cảnh theo thời gian.
Điều này cần thiết để chẩn đoán các tình trạng liên quan đến rối loạn nhịp hoặc thay đổi thoáng qua.
Cách tiếp cận hợp nhất đã trở thành nền tảng trong các hệ thống AI-ECG tiên tiến.
Từ đó thúc đẩy những tiến bộ trong độ chính xác chẩn đoán tự động và tính mạnh mẽ.
Ví dụ: Tại Đại học Stanford, nhóm nghiên cứu đã phát triển một mô hình CNN-LSTM có thể phân loại 12 loại rối loạn nhịp tim với độ chính xác 94.9%, vượt trội hơn cả bác sĩ tim mạch trong một số trường hợp cụ thể.
Mô hình này đã được thử nghiệm trên hơn 91,000 bản ghi ECG từ 53,549 bệnh nhân.
Ứng dụng trong thực tế
Phân suất tống máu thấp (LEF)
Một trong những thành công đột phá nhất trong công nghệ AI-ECG đến từ sự hợp tác giữa Mayo Clinic và công ty công nghệ y tế Nference.
Cùng nhau, họ đã phát triển thuật toán ECG-AI™ LEF, một công cụ dựa trên AI đã nhận được sự chấp thuận lâm sàng từ Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA).
Thuật toán này được thiết kế để xác định bệnh nhân có phân suất tống máu thấp.
Đây là một tình trạng bệnh lý khi khả năng bơm máu hiệu quả của tim bị suy giảm.
Cơ chế hoạt động
Thuật toán ECG-AI™ LEF được huấn luyện trên một bộ dữ liệu khổng lồ chứa hơn 100.000 cặp bản ghi ECG cùng với kết quả siêu âm tim tương ứng.
Bằng cách phân tích những điểm dữ liệu ghép đôi này, AI đã học cách nhận ra những tín hiệu điện rất nhỏ trong ECG có mối tương quan với chức năng bơm máu suy giảm của cơ tim.
Những dấu hiệu điện này thường quá khó để mắt người có thể phát hiện một cách đáng tin cậy.
Tác động lâm sàng
Lợi ích thực tế của công nghệ này đã được chứng minh trong thử nghiệm lâm sàng EAGLE.
Đây à một nghiên cứu quy mô lớn, ngẫu nhiên, thực dụng với hơn 22.000 bệnh nhân trong môi trường chăm sóc y tế cơ sở.
Nghiên cứu cho thấy tích hợp công cụ AI vào quy trình làm việc thường ngày dẫn đến tăng 31% số chẩn đoán mới về phân suất tống máu thấp so với chăm sóc tiêu chuẩn không có hỗ trợ AI.
Quan trọnghơn nữa là tỷ lệ phát hiện cải thiện này không đi kèm với việc chỉ định quá nhiều siêu âm tim.
Đó là một mối quan ngại thường gặp khi giới thiệu các công cụ sàng lọc mới.
Thay vào đó, AI hoạt động như một bộ lọc thông minh, giúp bác sĩ xác định những bệnh nhân thực sự cần chụp ảnh tim thêm.
Cách tiếp cận cân bằng này giúp hợp lý hóa chẩn đoán và đảm bảo điều trị kịp thời cho những người có nguy cơ suy tim.
Ví dụ: Tại Bệnh viện Đa khoa Medtronic, sau khi triển khai ECG-AI™ LEF, tỷ lệ phát hiện suy tim giai đoạn đầu tăng 40%, giúp can thiệp sớm và giảm 25% số ca nhập viện do suy tim cấp tính.
Tiên lượng rung nhĩ (AF)
Rung nhĩ (AF) là một trong những rối loạn nhịp tim phổ biến nhất và là yếu tố nguy cơ chính gây đột quỵ cùng các biến chứng khác.
Điều khiến phát hiện sớm AF đặc biệt khó khăn là nó có thể xuất hiện từng đợt hoặc không có triệu chứng.
Khả năng tiên lượng của AI
Các thuật toán AI tiên tiến đã được phát triển không chỉ phát hiện AF khi nó xuất hiện mà còn dự đoán khả năng một bệnh nhân sẽ phát triển AF trong tương lai gần ngay cả khi ECG hiện tại của họ cho thấy nhịp xoang bình thường.
Những mô hình dự đoán này phân tích các đặc điểm tinh vi trong dạng sóng ECG gợi ý về sự bất ổn điện tiềm ẩn hoặc xu hướng rối loạn nhịp.
Vì sao tiên lượng lại quan trọng
Tiên lượng sớm tạo điều kiện cho theo dõi chủ động và chăm sóc phòng ngừa.
Bệnh nhân được xác định có nguy cơ cao có thể được giám sát chặt chẽ hơn hoặc nhận can thiệp sớm như thay đổi lối sống hoặc điều chỉnh thuốc.
Cách tiếp cận hướng tới tương lai này có tiềm năng giảm tỷ lệ mắc đột quỵ và các biến chứng liên quan đến AF khác bằng cách phát hiện tình trạng này trước khi nó biểu hiện hoàn toàn.
Ví dụ: Nghiên cứu tại Đại học California San Francisco cho thấy AI có thể dự đoán rung nhĩ với độ chính xác 79% trước khi nó xảy ra 30 ngày.
Do đó giúp bác sĩ kê đơn thuốc chống đông máu phòng ngừa đột quỵ cho những bệnh nhân có nguy cơ cao.
Sàng lọc bệnh lý cấu trúc
Ngoài những bất thường về nhịp và chức năng bơm máu, các thuật toán AI-ECG đã cho thấy khả năng đáng kể trong phát hiện dấu hiệu của các bệnh lý tim cấu trúc.
Đó là những tình trạng ảnh hưởng đến cấu trúc giải phẫu của tim và có thể dẫn đến các vấn đề sức khỏe nghiêm trọng nếu không được điều trị.
Các bệnh được sàng lọc
- Bệnh Amyloid Tim: Một bệnh hiếm nhưng nghiêm trọng khi các chất protein bất thường tích tụ làm cứng cơ tim.
- Bệnh cơ tim phì đại (HCM): Đặc trưng bởi độ dày bất thường của cơ tim, thường dẫn đến đột tử tim nếu không được phát hiện.
- Hẹp van động mạch chủ: Sự thu hẹp van động mạch chủ, hạn chế dòng máu từ tim đến cơ thể.
AI hỗ trợ như thế nào
Những bệnh lý có cấu trúc để lại dấu vết điện tinh vi nhưng đặc biệt trên ECG.
Các mô hình AI được huấn luyện trên bộ dữ liệu lớn có thể phát hiện những mẫu này sớm.
Vì vậy tạo điều kiện cho các xét nghiệm chẩn đoán kịp thời như siêu âm tim hoặc MRI tim.
Xác định sớm là rất quan trọng vì điều trị kịp thời có thể cải thiện kết quả một cách đáng kể.
Ứng dụng này biến đổi ECG từ một xét nghiệm nhịp cơ bản thành một công cụ sàng lọc mạnh mẽ cho các bệnh lý giải phẫu nguy hiểm, có khả năng cứu sống thông qua can thiệp sớm hơn.
Ví dụ: Hệ thống AI tại Trung tâm Y tế Cedars-Sinai có thể phát hiện bệnh cơ tim phì đại với độ nhạy 87% chỉ từ ECG 12 chuyển đạo, giúp giảm 60% thời gian chờ đợi cho chẩn đoán so với phương pháp truyền thống.
Đánh giá rối loạn chức năng tâm trương
Rối loạn chức năng tâm trương xảy ra khi các tâm thất của tim gặp khó khăn trong việc thư giãn và đầy máu đúng cách.
Đây là một dạng suy tim khác có thể khó chẩn đoán sớm bằng các phương pháp thông thường.
Các giải pháp AI mới
Các nỗ lực nghiên cứu hiện đang được tiến hành để phát triển các thuật toán AI-ECG có khả năng đánh giá chức năng tâm trương bằng cách phân tích các mẫu điện chính liên quan đến suy giảm thư giãn và áp lực đầy.
Mặc dù vẫn đang trong quá trình phát triển, những công cụ này nhằm cung cấp việc sàng lọc không xâm lấn, hiệu quả về chi phí cho rối loạn chức năng tâm trương.
Lợi ích tiềm năng
Nếu thành công, những ứng dụng AI như vậy có thể tạo điều kiện phát hiện sớm hơn dạng suy tim tinh vi nhưng có tác động này.
Chẩn đoán sớm mở ra cánh cửa cho các chiến lược quản lý kịp thời tập trung vào giảm triệu chứng và làm chậm tiến triển bệnh.
Do đó cải thiện chất lượng cuộc sống cho nhiều bệnh nhân.
Ví dụ: Thử nghiệm ban đầu tại Bệnh viện Johns Hopkins cho thấy AI có thể phát hiện dấu hiệu sớm của rối loạn chức năng tâm trương với độ chính xác 76%.
Vì thế mở ra khả năng can thiệp sớm trước khi bệnh nhân xuất hiện triệu chứng hô hấp khó khăn hoặc phù chân.
Thiết bị ECG cá nhân Kardia Mobile
Thông tin chung
Kardia Mobile là một thiết bị nhỏ gọn có kích thước xấp xỉ thẻ tín dụng hoặc thanh nhỏ, được thiết kế để kết nối không dây với điện thoại thông minh.
Thiết bị này giúp người dùng ghi lại ECG chất lượng y tế chỉ bằng cách đặt ngón tay lên cảm biến.
Chỉ trong vòng 30 giây, một bản ghi ECG chính xác được tạo ra và hiển thị trên ứng dụng điện thoại của người dùng.
Điểm mạnh thực sự của Kardia Mobile nằm ở các thuật toán AI tích hợp.
Những thuật toán này đã nhận được sự chấp thuận từ Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ (FDA) để tự động phân tích bản ghi ECG và phát hiện các bất thường nhịp tim thường gặp.
Các bất thường bắt nguồn từ tâm thất bao gồm:
- Rung nhĩ (AFib).
- Nhịp chậm (bradycardia).
- Nhịp nhanh (tachycardia).
- Co thất sớm (PVCs).
Trao quyền và đem lại thuận tiện cho bệnh nhân
Một trong những tính năng mang tính chuyển đổi nhất của Kardia Mobile là cách nó chuyển trách nhiệm và quyền lực theo dõi tim trực tiếp cho bệnh nhân.
Thay vì chờ đợi các cuộc hẹn khám định kỳ hoặc tình huống khẩn cấp, bệnh nhân có thể ghi ECG bất cứ khi nào họ trải qua các triệu chứng như hồi hộp, chóng mặt, hoặc khó thở.
Khả năng tiếp cận theo thời gian thực này tạo ra sự thay đổi cơ bản từ quan sát thụ động sang tham gia tích cực trong việc quản lý sức khỏe tim mạch của bản thân.
Hãy tưởng tượng một người thỉnh thoảng cảm thấy nhịp tim bất thường nhưng các triệu chứng quá thoáng qua để có thể ghi nhận được trong các cuộc khám sức khỏe định kỳ.
Với KardiaMobile, họ không còn phải lo lắng về việc bỏ lỡ những sự kiện quan trọng này vì thiết bị giúp họ “bắt được” những cơn này khi chúng xảy ra.
Cải thiện chẩn đoán rối loạn nhịp từng cơn
Một số rối loạn nhịp nhất định, đặc biệt là rung nhĩ từng cơn, xảy ra không thường xuyên và không thể dự đoán.
Vì vậy khiến chúng khó phát hiện trong các cuộc kiểm tra ECG ngắn hạn tại phòng khám.
Kardia Mobile tăng khả năng ghi nhận những sự kiện thoáng qua này bằng cách tạo điều kiện ghi ECG thường xuyên hoặc khi có triệu chứng bên ngoài môi trường lâm sàng.
Điều này dẫn đến chẩn đoán chính xác hơn và điều trị kịp thời, có thể ngăn ngừa các biến chứng như đột quỵ liên quan đến AFib không được điều trị.
Tạo ra bộ dữ liệu ECG thực tế khổng lồ
Với hơn 300 triệu bản ghi ECG được thu thập trên toàn thế giới từ người dùng, công ty đứng sau Kardia Mobile là AliveCor, có quyền truy cập vào một trong những cơ sở dữ liệu ECG lớn nhất và đa dạng nhất từng được tập hợp.
Kho tàng dữ liệu thực tế này đóng vai trò như một nguồn tài nguyên quan trọng để liên tục huấn luyện, xác thực và tinh chỉnh các thuật toán AI của họ.
Kết quả là một chu trình cải tiến liên tục nhằm nâng cao độ tin cậy và khả năng chẩn đoán của phân tích ECG được hỗ trợ bởi AI.
Ví dụ: Bà Sarah, 65 tuổi, thường xuyên cảm thấy tim đập nhanh vào buổi tối nhưng khi đến bệnh viện thì triệu chứng đã hết.
Sau khi sử dụng Kardia Mobile trong 2 tuần, bà đã ghi được 3 cơn rung nhĩ, giúp bác sĩ chẩn đoán chính xác và kê đơn thuốc chống đông máu phòng ngừa đột quỵ.
Nền tảng Cardiologs
Cardiologs cung cấp một nền tảng Phần mềm như một Dịch vụ (SaaS) hoạt động qua đám mây.
Nền tảng này sử dụng các thuật toán học sâu để phân tích bản ghi ECG thời gian dài từ máy theo dõi Holter và các thiết bị theo dõi tim di động khác.
Kể từ khi nhận được sự chấp thuận của FDA vào năm 2017, Cardiologs đã trở thành giải pháp hàng đầu cho việc diễn giải ECG tự động trong môi trường lâm sàng.
Cải thiện hiệu quả lâm sàng
Các nghiên cứu lâm sàng đã cho thấy Cardiologs cải thiện đáng kể hiệu quả quy trình làm việc khi giảm thời gian cần thiết cho các kỹ thuật viên hoặc bác sĩ phân tích bản ghi Holter lên đến 42% so với các phương pháp thủ công truyền thống.
Tiết kiệm thời gian giúp các nhà cung cấp dịch vụ chăm sóc sức khỏe tập trung nhiều hơn vào chăm sóc bệnh nhân thay vì xem xét dữ liệu tốn thời gian.
Độ chính xác cao và giảm kết quả dương tính giả
Đối với việc phát hiện rung nhĩ, thuật toán AI của Cardiologs giảm kết quả dương tính giả đi mười lần.
Đặc điểm này rất quan trọng vì nó ngăn ngừa các cuộc điều tra theo dõi không cần thiết được kích hoạt bởi các cảnh báo không chính xác.
Với ít báo động giả hơn, bác sĩ có thể tập trung sự chú ý vào những trường hợp thực sự cần can thiệp.
Từ đó tối ưu hóa sử dụng tài nguyên y tế và cải thiện kết quả cho bệnh nhân.
Độ nhạy cao với rối loạn nhịp nguy hiểm
Phát hiện nhịp nhanh thất (VT), một loại nhịp nhanh có thể đe dọa tính mạng bắt nguồn từ tâm thất, là một điểm mạnh khác của nền tảng Cardiologs.
Hệ thống đã chứng minh tỷ lệ nhạy cảm cao tới 97% cho việc phát hiện VT, vượt trội đáng kể so với 68% đạt được khi sử dụng các kỹ thuật phân tích thông thường.
Độ tin cậy như vậy là thiết yếu cho việc chẩn đoán và điều trị kịp thời các tình trạng tim nghiêm trọng.
Tương thích với nhiều thiết bị ECG
Một lợi thế chiến lược của Cardiologs là khả năng phân tích dữ liệu từ nhiều máy ghi ECG khác nhau được sản xuất bởi các nhà sản xuất khác nhau.
Điều này có nghĩa là các bệnh viện và phòng khám có thể tích hợp phân tích được hỗ trợ bởi AI của Cardiologs mà không cần thay thế cơ sở hạ tầng phần cứng hiện có.
Vì vậy đơn giản hóa việc áp dụng và mở rộng quyền truy cập vào chẩn đoán AI tiên tiến trên các cơ sở chăm sóc sức khỏe.
Ví dụ: Tại Bệnh viện Đại học Pennsylvania, triển khai Cardiologs đã giúp giảm 50% thời gian phân tích Holter 24 giờ từ 45 phút xuống còn 23 phút, đồng thời tăng độ chính xác phát hiện rối loạn nhịp từ 89% lên 96%.
Do đó giúp bệnh viện xử lý được nhiều bệnh nhân hơn và giảm thời gian chờ đợi kết quả từ 3 ngày xuống còn 1 ngày.
Có thể bạn quan tâm
Liên hệ
Địa chỉ
Tầng 3 Toà nhà VNCC 243A Đê La Thành Str Q. Đống Đa-TP. Hà Nội
