نوشته شانیا کندی
– محققان دانشگاه اوکلاهاما (OU) مدل های محاسباتی طراحی کرده اند که برای پیش بینی نشت دریچه قلب در کودکان و کمک به تصمیم گیری جراحی طراحی شده اند.
این ابزارها شکل دریچه‌های کودک، نقاط ضعف احتمالی و نحوه حرکت خون از طریق دریچه‌ها را شناسایی می‌کنند، که ممکن است به پزشکان اجازه دهد یکپارچگی ساختاری قلب در آینده را پیش‌بینی کنند و مراحل احتمالی جراحی را برای جلوگیری از پیامدهای نامطلوب اطلاع دهند.
این تحقیق متخصصان قلب و مهندسی بیومدیکال را گرد هم می آورد تا مراقبت های قلبی عروقی کودکان را شخصی سازی کند.
هارولد بورکهارت، پزشک جراح قلب کودکان OU Health و استاد و رئیس جراحی قلب و عروق و قفسه سینه در کالج پزشکی OU، در بیانیه مطبوعاتی گفت: “این واقعاً پزشکی ترجمه است.”
“به دلیل همکاری چند رشته ای ما، ما با هم دانش ایجاد یک مدل محاسباتی را داریم که فراتر از آن چیزی است که می توانیم با اکوکاردیوگرافی دو بعدی و سه بعدی ببینیم. بورکهارت ادامه داد: این به ما این امکان را می‌دهد که یک قدم جلوتر برویم و قلب را همانطور که در زندگی واقعی می‌توان با ویژگی‌های هر فرد تجسم کرد. با این درک، می‌توانیم آزمایش کنیم که اگر بخیه‌ای را اینجا بگذاریم یا دریچه را در آنجا سفت کنیم چه اتفاقی می‌افتد – آیا فشار زیادی به شیر وارد می‌کند یا مشکل را برطرف می‌کند؟ این به طور بالقوه می تواند قبل از اینکه به اتاق عمل برویم، مسیر بسیار بیشتری را به ما بدهد.”
بیشتر بخوانید: رویکرد یادگیری ماشینی خطر پیامد نارسایی قلبی را پیش‌بینی می‌کند
این تحقیق با توسعه مدل‌هایی برای سندرم قلب چپ هیپوپلاستیک آغاز شد – یک نقص مادرزادی که در آن سمت چپ قلب جنین به درستی تشکیل نمی‌شود و لازم است که سمت راست قلب باید خون را به ریه‌ها و بقیه قسمت‌ها پمپ کند. بدن
کودکان مبتلا به این عارضه باید یک سری از سه عمل جراحی قلب باز برای اصلاح این نقص انجام دهند. در حالی که این عملیات های اولیه معمولاً موفقیت آمیز هستند، گاهی اوقات جراحی های بعدی برای تعمیر دریچه های نشتی لازم است.
همین امر در مورد نقایص کانال دهلیزی – بطنی – همچنین به عنوان سوراخ در قلب شناخته می شود، صادق است.
در موارد سندرم قلب چپ هیپوپلاستیک، تخمین زده می شود که تقریباً 25 درصد از کودکان تا زمان ورود به پیش دبستانی دارای دریچه های نشتی باشند. کودکان مبتلا به نقص کانال دهلیزی می توانند نشت دریچه را از شش ماه تا دو سال پس از ترمیم اولیه جراحی تجربه کنند.
دلایل نشتی دریچه در این موارد هنوز به خوبی شناخته نشده است، اما محققان نشان دادند که جراحی های بعدی برای اصلاح این مشکل معمولاً فقط نصف روش اصلی موفقیت آمیز است. علاوه بر این، اگر دریچه قابل تعمیر نباشد، ممکن است کودک به دریچه مکانیکی قلب نیاز داشته باشد، فرآیندی که با خطرات بالقوه جدی همراه است.
بیشتر بخوانید: ابزار یادگیری عمیق ممکن است رویکردهای پزشکی دقیق را پیش ببرد
توانایی پیش‌بینی آسیب دریچه می‌تواند برخی از این خطرات را برطرف کند، اما تکنیک‌های فعلی برای کمک به جراحان برای مشاهده قلب در حین جراحی – مانند باد کردن دریچه‌ها – محدود هستند.
دکتر آرشید میر، متخصص قلب و عروق OU Health و دانشیار قلب و عروق کودکان در کالج پزشکی OU توضیح داد: «حتی با اکوکاردیوگرافی سه بعدی، دیدن جزئیات دقیق دریچه‌ها دشوار است. بیشتر دریچه‌های قلب مانند تراشه‌های پرینگل هستند – زاویه‌دارتر هستند و نقاط بالا و پایین دارند. ما می‌خواهیم در مورد این دریچه‌ها بیاموزیم و سعی کنیم پیش‌بینی کنیم که کدام دریچه‌ها، درست در بدو تولد، زمانی که کودک بین 1 تا 5 ساله است، خطر نشتی دارند، به طوری که می‌توانیم آن‌ها را در زمان جراحی به‌طور جراحی برطرف کنیم. اول تعمیر.”
میر افزود: «کاری که ما انجام می دهیم حرکت به سمت پزشکی شخصی است. چگونه در مورد هر بیمار متفاوت فکر می کنیم تا اینکه یک بیماری را به عنوان یک بیماری واحد در نظر بگیریم؟ چه چیزی در مورد آناتومی این کودک منحصر به فرد است که او را در معرض خطر بیشتری برای جراحی مجدد قرار می دهد؟ این راهی است که ما در مورد این بیماری ها در آینده فکر خواهیم کرد.»
مدل‌های محاسباتی برای استفاده از اکوکاردیوگرام‌های دوبعدی و سه‌بعدی و سایر داده‌ها برای پیش‌بینی‌های خود طراحی شده‌اند و هدف تیم تحقیقاتی ادامه افزودن داده‌های بیمار برای بهبود ابزارها در طول زمان است.
دکتر Chung-Hao Lee، محقق سابق مهندسی زیست پزشکی OU که اکنون در دانشگاه کالیفرنیا در ریورساید است، اظهار داشت: «از طریق این مدل محاسباتی مبتنی بر تصویر، ما می‌خواهیم اطلاعات گمشده را ارائه دهیم – کدام بیماران دچار اختلال عملکرد دریچه خواهند شد. اگر بهتر بفهمیم کدام دریچه‌ها نقاط ضعیفی دارند و ممکن است شروع به نشتی کنند، جراحان ممکن است برای جراحی‌های خود برنامه‌ریزی متفاوتی داشته باشند و متخصصان قلب ممکن است بخواهند بیمار را با دقت بیشتری پس از جراحی تحت نظر بگیرند یا دنبال کنند.
بیشتر بخوانید: یادگیری ماشینی عملکرد قلب و پاسخ دارویی را مشخص می کند
این تحقیق آخرین تلاش برای ایجاد رویکردهای شخصی برای مراقبت از قلب و عروق است.
این هفته، محققان دانشگاه ویرجینیا گزارش دادند که یک ابزار یادگیری ماشینی می‌تواند خطرات پیامدهای نامطلوب را برای بیماران مبتلا به نارسایی قلبی پیشرفته با کاهش کسر جهشی (HFrEF) به دقت ارزیابی و پیش‌بینی کند.
تیم تحقیقاتی تاکید کرد که مدل‌های موجود هیچ راه محکمی برای توضیح داده‌های از دست رفته یا ترکیب داده‌های همودینامیک تهاجمی ندارند.
این مدل برای مقابله با این چالش‌ها با استفاده از همودینامیک تهاجمی به تنهایی یا مجموعه‌ای از ویژگی‌های حاوی داده‌های همودینامیک غیرتهاجمی برای پیش‌بینی خطر بیمار در پنج دسته طراحی شده است.