نوشته شانیا کندی
بر اساس مطالعه‌ای که در این هفته منتشر شد، محققان بیمارستان ملی کودکان یک یادگیری عمیق (DL) برای تشخیص بیماری روماتیسمی نهفته قلبی (RHD) در کودکان ایجاد کرده‌اند که ممکن است شناسایی موارد و درمان در مناطق کم‌منبع را بهبود بخشد. مجله انجمن قلب آمریکا.
سازمان بهداشت جهانی (WHO) نشان می‌دهد که RHD شایع‌ترین بیماری قلبی است که در افراد زیر 25 سال به دست می‌آید. این بیماری عمدتاً در کودکان رخ می‌دهد و ناشی از آسیب دریچه قلب است که در نتیجه یک یا چند حمله ایجاد می‌شود. یک استرپتوکوک عفونت باکتریایی. RHD سالانه باعث حدود 300000 مرگ و میر می شود که اکثریت آنها در کشورهای کم درآمد و متوسط رخ می دهد.
اگر زود تشخیص داده شود، می توان این بیماری را قبل از اینکه منجر به آسیب دائمی قلب شود، درمان کرد.
با این حال، تشخیص RHD نیاز به خواندن یک اکوکاردیوگرام توسط متخصص قلب دارد. در حالی که اکوکاردیوگرام غیر تهاجمی است و به طور گسترده‌تری نسبت به سایر فناوری‌های تصویربرداری در دسترس است، مراقبت‌های تخصصی مانند قلب اغلب در خارج از کشورهای با درآمد بالا در دسترس نیست یا محدود است.
برای پر کردن این شکاف، تیم تحقیقاتی به دنبال توسعه یک رویکرد هوش مصنوعی (AI) بود که می‌توان از آن برای تشخیص RHD با اکوکاردیوگرافی استفاده کرد، اما بدون متخصص قلب.
بیشتر بخوانید: آنالیز ECG مبتنی بر هوش مصنوعی به طور دقیق مشکلات قلب سمت راست را پیش بینی می کند
ماریوس جورج لینگورارو، DPhil، MA، MSc، خانواده کانر توضیح داد: “هنر واقعی برای تفسیر این نوع اطلاعات وجود دارد، اما ما اکنون می دانیم که چگونه به یک ماشین یاد دهیم که سریعتر و احتمالا بهتر از چشم و مغز انسان یاد بگیرد.” استاد پژوهش و نوآوری و محقق اصلی مؤسسه نوآوری جراحی اطفال شیخ زاید در National Children’s National در یک خبر.
اگرچه ما از زمان جنگ جهانی دوم از این رویکرد تشخیصی و درمانی استفاده کرده‌ایم، اما نتوانسته‌ایم این صلاحیت را در سطح جهانی با کشورهای کم‌درآمد و متوسط، که در آن متخصصان قلب بسیار کمتری وجود دارد، به اشتراک بگذاریم. با قدرت هوش مصنوعی، ما انتظار داریم که بتوانیم، که باعث بهبود عدالت در پزشکی در سراسر جهان خواهد شد.»
برای توسعه این مدل، محققان یادگیری ماشین و روش‌های DL را برای ساختن یک الگوریتم تفسیر اولتراسوند ترکیب کردند. سپس این الگوریتم در سیستمی از پروب های اولتراسوند و دستگاه های الکترونیکی قابل حمل گنجانده شد. با استفاده از داده‌های جمع‌آوری‌شده با یک پروب سونوگرافی دستی، یک تبلت و یک لپ‌تاپ، این الگوریتم می‌تواند به‌دقت ویژگی‌های RHD – مانند اندازه قلب – را از تصاویر قلب شناسایی کند.
این سیستم همچنین می‌تواند ویژگی‌هایی را که با چشم غیرمسلح قابل تشخیص نیست، مانند تغییرات اندازه قلب کودک، علامت‌گذاری کند. تیم تحقیقاتی خاطرنشان کرد که معیارهای تشخیصی RHD فعلی از دو دسته وزنی – زیر یا بالاتر از 66 پوند – به عنوان نماینده اندازه قلب کودکان استفاده می کنند. با این حال، اندازه قلب می تواند به طور قابل توجهی در هر دو دسته متفاوت باشد.
پونه روشن طبریزی، یکی از نویسندگان و دانشمند این پژوهش، گفت: «الگوریتم ما می‌تواند اندازه قلب را به‌عنوان یک متغیر دائماً سیال ببیند و تنظیماتی برای آن انجام دهد». در دستان کارکنان مراقبت های بهداشتی، ما انتظار داریم که این فناوری توانایی های انسانی را تقویت کند تا محاسبات را بسیار سریع تر و دقیق تر از چشم و مغز انسان انجام دهد و جان افراد بی شماری را نجات دهد.
بیشتر بخوانید: ابزار هوش مصنوعی ممکن است بیماری دریچه قلب را تشخیص دهد، خطر قلبی عروقی را پیش بینی کند
محققان اظهار داشتند که این سیستم می تواند به طور قابل توجهی تشخیص و درمان RHD را در سراسر جهان بهبود بخشد.
یکی از موثرترین راه‌ها برای پیشگیری از بیماری روماتیسمی قلب، یافتن بیمارانی است که در مراحل اولیه مبتلا می‌شوند، به آنها ماهیانه پنی‌سیلین داده می‌شود و از تبدیل شدن آنها به یکی از ۴۰۰ هزار نفری که در سال بر اثر این بیماری جان خود را از دست می‌دهند، جلوگیری می‌کند. کریگ سابل، MD، رئیس بخش موقت قلب و عروق در National Children’s National گفت. هنگامی که این فناوری در مقیاسی برای رفع نیاز ساخته و توزیع شد، ما خوشبین هستیم که نویدبخش مراقبت بسیار دقیق برای کشورهای محروم و کمک به ریشه کنی RHD در سراسر جهان است.
دیگران همچنین در حال بررسی این هستند که چگونه هوش مصنوعی می تواند شناسایی سایر مشکلات قلبی عروقی را بهبود بخشد.
هفته گذشته، محققان دانشکده پزشکی Icahn در کوه سینا فاش کردند که یک مدل هوش مصنوعی توسعه داده‌اند که می‌تواند به‌طور دقیق پیش‌بینی کند که کدام بیماران در معرض خطر عملکرد ضعیف بطن راست هستند.
بطن راست قلب نقش مهمی در پمپاژ خون به ریه ها ایفا می کند و مشکلات مربوط به سمت راست قلب می تواند منجر به پیامدهای نامطلوب زیادی شود، اگر زودتر تشخیص داده نشود.
چالش این است که شرایطی مانند کسر جهشی بطن راست (RVEF) و حجم پایان دیاستولیک (RVEDV) به راحتی از طریق روش‌های سنتی ارزیابی نمی‌شوند. مدل هوش مصنوعی با پیش‌بینی اتساع بطن راست، اختلال عملکرد و عددی RVEDV و RVEF بر اساس داده‌های الکتروکاردیوگرام و تصویربرداری تشدید مغناطیسی (MRI) به دنبال پل زدن این شکاف است.