بر اساس مطالعه اخیر منتشر شده در دانشگاه ویرجینیا، محققان دانشگاه ویرجینیا (UVA) ابزار یادگیری ماشینی طراحی کرده اند که برای ارزیابی و پیش بینی خطرات پیامدهای نامطلوب برای بیماران مبتلا به نارسایی قلبی پیشرفته با کسر جهشی کاهش یافته (HFrEF) طراحی شده است. مجله قلب آمریکا.
تیم تحقیقاتی نشان داد که مدلهای خطر برای HFrEF وجود دارد، اما تعداد کمی از آنها قادر به رسیدگی به چالش دادههای از دست رفته یا ترکیب دادههای همودینامیک تهاجمی هستند، که توانایی آنها را برای ارائه ارزیابیهای ریسک شخصی برای بیماران نارسایی قلبی محدود میکند.
سولا مازیمبا، دانشیار پزشکی در UVA و متخصص قلب در UVA Health، در این خبر توضیح داد: “نارسایی قلبی یک وضعیت پیشرونده است که نه تنها بر کیفیت زندگی بلکه بر کمیت نیز تاثیر می گذارد.” “همه بیماران نارسایی قلبی یکسان نیستند. هر بیمار در طیفی از خطر ابتلا به پیامدهای نامطلوب قرار دارد. شناسایی درجه خطر برای هر بیمار به پزشکان کمک می کند تا درمان ها را برای بهبود نتایج تنظیم کنند.”
پیامدهایی مانند ضعف، خستگی، اندامهای متورم و مرگ از نگرانیهای ویژه برای بیماران نارسایی قلبی هستند و مدل خطر برای طبقهبندی خطر این رویدادها طراحی شده است.
این ابزار با استفاده از دادههای ناشناس استخراجشده از هزاران بیمار ثبتنام شده در آزمایشهای بالینی نارسایی قلبی که توسط مؤسسه ملی سلامت (NIH) موسسه ملی قلب، ریه و خون (NHLBI) تامین میشود، ساخته شده است.
بیماران در گروههای آموزشی و اعتبارسنجی بر اساس کاشت یا پیوند دستگاه کمکی بطن چپ (LVAD)، بستری مجدد در بیمارستان طی شش ماه پس از پیگیری و مرگ، در صورت لزوم، به پنج گروه خطر طبقهبندی شدند.
برای اینکه این مدل در حضور دادههای از دست رفته قوی شود، محققان آن را برای پیشبینی دستهبندی خطر بیماران با استفاده از همودینامیک تهاجمی به تنهایی یا مجموعهای از ویژگیهای حاوی دادههای همودینامیک غیرتهاجمی آموزش دادند.
دقت پیشبینی برای هر دسته به طور جداگانه با استفاده از سطح زیر منحنی (AUC) تعیین شد.
به طور کلی، این مدل در هر پنج دسته به عملکرد بالایی دست یافت. AUCها از 0.074 +/- 0.896 تا 0.081 +/- 0.969 برای مجموعه ویژگی های همودینامیک تهاجمی و 0.858 +/- 0.067 تا 0.997 +/- 0.070 برای مجموعه ای که همه ویژگی ها را در بر می گیرد، متغیر بود.
تیم تحقیقاتی تاکید کردند که گنجاندن داده های همودینامیک به طور قابل توجهی به عملکرد مدل کمک می کند.
جوزفین لامپ، محقق دکترا در گروه علوم کامپیوتر دانشکده مهندسی UVA، گفت: «این مدل پیشرفتی را ارائه میکند زیرا مجموعههای پیچیدهای از دادهها را دریافت میکند و میتواند حتی در میان عوامل گمشده و متضاد تصمیمگیری کند. “این واقعا هیجان انگیز است زیرا این مدل به طور هوشمندانه عوامل خطر را ارائه و خلاصه می کند که بار تصمیم گیری را کاهش می دهد تا پزشکان بتوانند به سرعت تصمیمات درمانی را اتخاذ کنند.”
محققان ابزار خود را بهصورت رایگان در اختیار محققان و پزشکان قرار دادهاند، به این امید که مراقبتهای شخصی نارسایی قلبی را هدایت کنند.
به دنبال پزشکی شخصی سازی شده و دقیق، سایر موسسات نیز به یادگیری ماشین روی آورده اند.
هفته گذشته، یک تیم تحقیقاتی از دانشگاه کلمسون به اشتراک گذاشتند که چگونه یک ابزار یادگیری عمیق می تواند به محققان کمک کند تا درک بهتری از نحوه تعاملات شبکه تنظیم کننده ژن (GRN) بر پاسخ فردی به دارو داشته باشند.
GRN ها برهمکنش های بین ژن ها، پروتئین ها و عناصر دیگر را ترسیم می کنند. این بینشها برای بررسی اینکه چگونه تغییرات ژنتیکی بر فنوتیپهای بیمار – مانند پاسخ دارویی – تأثیر میگذارد، بسیار مهم هستند. با این حال، بسیاری از گونههای ژنتیکی مرتبط با بیماری در مناطقی از DNA هستند که مستقیماً برای پروتئینها کد نمیکنند و چالشی را برای کسانی که نقش این گونهها را در سلامت فردی بررسی میکنند، ایجاد میکند.
ابزار شبکه عصبی مادام العمر برای تنظیم ژن (LINGER) مبتنی بر یادگیری عمیق، با استفاده از دادههای چند سلولی تک سلولی برای پیشبینی نحوه عملکرد GRNها، که میتواند محرکهای بیماری و اثربخشی دارو را روشن کند، به رفع این مشکل کمک میکند.