نوشته شانیا کندی
– بر اساس مطالعه اخیر منتشر شده در دانشگاه، یک تیم تحقیقاتی از دانشکده پزشکی Icahn در کوه سینا ابزار هوش مصنوعی (AI) را برای کمک به پیش بینی اینکه کدام بیماران قلبی عروقی در معرض افزایش خطر عملکرد ضعیف بطن راست هستند توسعه داده اند. مجله انجمن قلب آمریکا.
یکی از وظایف اصلی بطن راست قلب پمپاژ خون به ریه ها است، اما عملکرد آن می تواند تحت تأثیر بیماری های قلبی عروقی قرار گیرد. برای ارزیابی عملکرد بطن راست، پزشکان معمولاً بر تکنیک‌های تصویربرداری پزشکی غیرتهاجمی تکیه می‌کنند.
با این حال، محققان نشان دادند که کسر جهشی بطن راست (RVEF) و حجم پایان دیاستولیک (RVEDV) به راحتی با استفاده از روش‌های سنتی ارزیابی نمی‌شوند. آنها همچنین خاطرنشان کردند که آنالیز الکتروکاردیوگرام (ECG) با هوش مصنوعی برای اندازه و عملکرد بطن راست تا حد زیادی ناشناخته مانده است.
برای کمک به پر کردن این شکاف، تیم تحقیقاتی یک مدل یادگیری عمیق-ECG را برای پیش‌بینی اتساع بطن راست، اختلال عملکرد، و عددی RVEDV و RVEF با استفاده از داده‌های یک ECG 12 سرب همراه با تصویربرداری رزونانس مغناطیسی قلب (MRI) با مرجع استاندارد آموزش دادند. اندازه گیری هایی که از بیماران در Biobank انگلستان تهیه شده است.
سپس این مدل در چندین مرکز بهداشتی در شبکه کوه سینا تایید شد.
هدف ما یافتن راهی بهتر برای ارزیابی سلامت بطن راست قلب با تمرکز بر توانایی آن در پمپاژ خون و اندازه آن بود. روش‌های سنتی کوتاهی می‌کنند، که ما را بر آن داشت تا آنالیز AI-ECG را به عنوان یک راه‌حل بالقوه بررسی کنیم. جزئیات تحقیق این روش جدید می تواند شناسایی مشکلات قلبی، به ویژه در بطن راست را تسریع کند و به طور بالقوه منجر به درمان زودتر و موثرتر شود. برای بیماران مبتلا به بیماری مادرزادی قلبی که اغلب با مشکلاتی در بطن راست روبرو هستند، اهمیت ویژه ای دارد.
تیم تحقیقاتی این ابزار را بر اساس دقت آن در پیش‌بینی شرایط مختلف قلبی که بر بطن راست تأثیر می‌گذارد و تأثیر آن بر بقای بیمار ارزیابی کردند. محققان خاطرنشان کردند که استفاده از هوش مصنوعی در این مدل به ارائه اطلاعات دقیق‌تر قلب نسبت به سایر ابزارهایی که معمولاً در محیط‌های بالینی استفاده می‌شوند کمک می‌کند.
“این رویکرد نوآورانه به طور قابل توجهی از روش های سنتی فاصله دارد. بر خلاف مطالعات دیگر، این تحقیق چیزی را پیش‌بینی می‌کند که به آسانی با آزمایش‌های رایج دیگر مانند سونوگرافی قلب قابل اندازه‌گیری نیست.
علیرغم پتانسیل این ابزار، محققان هشدار دادند که آموزش آن بر داده های ECG و MRI موجود است که ممکن است کاربرد آن را در بین جمعیت ها محدود کند. علاوه بر این، این مدل در مراحل اولیه توسعه خود است، به این معنی که کار بیشتری برای ارزیابی کاربرد و ایمنی آن لازم است.
در آینده، تیم تحقیقاتی قصد دارد به بررسی کاربردهای این ابزار در عمل بالینی با اعتبارسنجی خارجی آن در جمعیت‌های مختلف بیماران و ارزیابی سودمندی آن برای شرایطی مانند کاردیومیوپاتی، بیماری قلبی مادرزادی و فشار خون ریوی ادامه دهد.
کاربردهای یادگیری عمیق در قلب و عروق بیشتر و بیشتر مورد مطالعه قرار می گیرد زیرا محققان به دنبال بهبود غربالگری و طبقه بندی خطر برای بیماری های قلبی هستند.
در ماه آگوست، تیم‌هایی از بیمارستان زنان و بریگهام و دانشگاه کیو در ژاپن به اشتراک گذاشتند که مدل یادگیری عمیق اخیراً توسعه‌یافته آنها می‌تواند به‌طور دقیق ECG را از نظر نشانه‌های نقص تیغه بین دهلیزی (ASD)، یک نوع نقص مادرزادی قلب که می‌تواند به سیستم قلبی عروقی آسیب برساند، غربالگری کند. در صورت عدم درمان به موقع منجر به عوارض تهدید کننده زندگی می شود.
ASD به طور سنتی توسط یک پزشک با گوش دادن به قلب با گوشی پزشکی یا با انجام نوار قلب تشخیص داده می شود، اما این رویکردها می توانند محدود شده و منجر به عدم تشخیص نقص تا زمانی که عوارض ایجاد شود.
این مدل که از داده‌های ECG و اکوکاردیوگرام استفاده می‌کرد، به طور قابل‌توجهی در نشان دادن ASD کارآمدتر از روش‌های سنتی بود.