هوش مصنوعی اختلالات پنهان عملکرد قلب را از نوار قلب معمولی شناسایی میکند
پژوهشگران دانشکده پزشکی دانشگاه ویک فارست یک ابزار مبتنی بر هوش مصنوعی توسعه دادهاند که میتواند به پزشکان در شناسایی نشانههای نارسایی قلبی، از جمله نارسایی قلبی با کسر جهشی حفظشده (HFpEF) کمک کند؛ نوعی از نارسایی قلبی که تشخیص آن در مراقبتهای معمول پزشکی میتواند دشوار باشد.
به گزارش مدرن مد به نقل از digitalhealthnews، نتایج این مطالعه که در Journal of the American Heart Association منتشر شده است، نشان میدهد مدل هوش مصنوعی میتواند سه نوع اختلال عملکرد قلب را بر اساس دادههای الکتروکاردیوگرام (ECG) شناسایی کند: کسر جهشی کاهشیافته (rEF)، کسر جهشی با کاهش خفیف (mEF) و نارسایی قلبی با کسر جهشی حفظشده (HFpEF).
تشخیص اختلالات قلبی با نوار قلب
کسر جهشی به درصد خونی گفته میشود که حفره اصلی پمپاژکننده قلب در هر ضربان به بیرون پمپاژ میکند. در HFpEF، قلب همچنان درصد طبیعی از خون موجود را پمپاژ میکند، اما توانایی آن برای پر شدن یا عملکرد طبیعی دچار اختلال شده است.
پژوهشگران این مدل هوش مصنوعی را با استفاده از بیش از یک میلیون نوار قلب متعلق به بیماران Atrium Health Wake Forest Baptist توسعه دادند. سپس عملکرد مدل را روی مجموعه دادهای مستقل شامل بیش از ۷۲ هزار نوار قلب از مرکز علوم سلامت دانشگاه تنسی بررسی کردند تا توانایی آن در جمعیتی متفاوت از بیماران ارزیابی شود.
عملکرد مدل با ۱۲ لید و یک لید
محققان دو نسخه از این مدل را آزمایش کردند. نسخه نخست از ECG استاندارد ۱۲ لید استفاده میکرد و نسخه دوم تنها به یک لید ECG متکی بود؛ روشی مشابه اندازهگیریهایی که برخی دستگاههای پوشیدنی و ساعتهای هوشمند انجام میدهند.
هر دو مدل عملکرد مشابهی داشتند. مدل ۱۲ لید بهویژه در تشخیص بیماران دارای کسر جهشی کاهشیافته و تمایز آنها از افراد فاقد این اختلال عملکرد خوبی نشان داد. عملکرد مدل در شناسایی دو نوع دیگر اختلال قلبی تا حدودی پایینتر بود، اما پژوهشگران همچنان آن را بالقوه کاربردی ارزیابی کردند.
مدل تکلید نیز تقریباً عملکردی مشابه مدل ۱۲ لید داشت. به گفته محققان، این یافته میتواند نشاندهنده امکان استفاده از این فناوری در آینده برای غربالگری مبتنی بر دستگاههای پوشیدنی باشد؛ هرچند این مدل در مطالعه حاضر مستقیماً با دادههای جمعآوریشده از دستگاههای پوشیدنی آزمایش نشده است.
عملکرد قابل توجه در کودکان
این مدل همچنین توانایی بالایی در شناسایی کسر جهشی کاهشیافته در بیماران کودک نشان داد و عملکرد آن با مدلهایی که پیشتر مورد مطالعه قرار گرفته بودند، برابر یا بهتر بود. با این حال، پژوهشگران تأکید کردند که تعداد بیماران کودک در این مطالعه نسبتاً محدود بوده است.
نتایج همچنین نشان داد که مدل هوش مصنوعی در جمعیتهای مختلف از نظر ویژگیهای جمعیتشناختی عملکرد قابل تعمیمی دارد.
اوغوز آکبیلگیچ، نویسنده مسئول مطالعه و استاد هوش مصنوعی در گروه پزشکی قلب و عروق دانشکده پزشکی دانشگاه ویک فارست، گفت این پژوهش گام مهمی در استفاده از ابزارهای روزمره پزشکی برای شناسایی زودهنگام نارسایی قلبی است.
وی افزود که مدل هوش مصنوعی میتواند انواع مختلف اختلال عملکرد قلب را حتی از یک ECG تکلید شناسایی کند؛ همان نوع لید که بسیاری از ساعتهای هوشمند و دستگاههای پوشیدنی ECG ثبت میکنند. به گفته او، این موضوع نشان میدهد که این مدل در آینده میتواند برای غربالگری مبتنی بر تجهیزات پوشیدنی سازگار شود.
شناسایی الگوهایی که با چشم دیده نمیشوند
آکبیلگیچ همچنین با اشاره به اینکه برخی اختلالات قلبی ممکن است بدون علائم قابل توجه پیشرفت کنند، گفت این مدل میتواند با شناسایی الگوهای الکتریکی قلب که بهسادگی برای انسان قابل مشاهده نیستند به پزشکان کمک کند تا مشخص کنند کدام بیماران به ارزیابیهای تکمیلی برای نارسایی قلبی نیاز دارند.
تیم تحقیقاتی اکنون در حال اجرای یک مطالعه آزمایشی در یک کلینیک پزشکی خانواده در Atrium Health Wake Forest Baptist است تا عملکرد این ابزار را در شرایط واقعی مراقبتهای سلامت بررسی کند.
پژوهشگران قصد دارند ارزیابی کنند که آیا استفاده از این فناوری میتواند به پزشکان در شناسایی بیمارانی که به بررسیهای بیشتر نیاز دارند کمک کند و چه تأثیری بر روند مراقبت و استفاده از منابع درمانی خواهد داشت.
بخشی از هزینه اجرای این پژوهش توسط مؤسسه ملی قلب، ریه و خون وابسته به مؤسسه ملی سلامت آمریکا (NIH) تأمین شده است.
