نوشته شانیا کندی
بر اساس مطالعه‌ای که اخیراً منتشر شده است، محققان مؤسسه قلب اسمیت در Cedars-Sinai، دانشگاه استنفورد و دانشگاه کلمبیا یک مدل یادگیری عمیق (DL) را توسعه داده‌اند که می‌تواند خطر مرگ و میر پس از عمل را پیش‌بینی کند. سلامت دیجیتال Lancet.
محققان تاکید کردند که مدل های خطر فعلی برای پیش بینی مرگ و میر پس از یک روش پزشکی یا جراحی کافی نیست. برای ارزیابی بهتر خطر مرگ و میر این بیماران، تیم تحقیقاتی اقدام به ایجاد یک ابزار هوش مصنوعی (AI) کرد که می‌تواند بیماران را در گروه‌های خطر طبقه‌بندی کند.
دکتر دیوید اویانگ، متخصص قلب در بخش قلب و عروق در مؤسسه قلب اسمیت در Cedars-Sinai، می‌گوید: «در حال حاضر، پزشکان تنها توانایی کمی برای پیش‌بینی وضعیت بیمار پس از جراحی دارند. در بیانیه مطبوعاتی جزئیات این مطالعه. «ابزارهای پیش‌بینی خطر بالینی کنونی کافی نیستند. این مدل هوش مصنوعی به طور بالقوه می تواند برای تعیین دقیق اینکه کدام بیماران باید تحت مداخله قرار گیرند و کدام بیماران ممکن است بیش از حد بیمار باشند مورد استفاده قرار گیرد.
برای توسعه ابزار خود، محققان بر روی بیمارانی متمرکز شدند که آزمایشات تشخیصی الکتروکاردیوگرافی قبل از عمل را دریافت کرده بودند. از آنجایی که الکتروکاردیوگرام (ECG) تصویری از عملکرد قلب بیمار در اختیار پزشکان قرار می‌دهد، تیم تحقیقاتی این فرضیه را مطرح کردند که یک ابزار هوش مصنوعی ممکن است بتواند از آزمایش‌ها برای نشان دادن الگوهای مرتبط با پیش‌بینی نتایج بیمار استفاده کند.
اویانگ توضیح داد: «این اولین الگوریتم هوش مصنوعی مبتنی بر الکتروکاردیوگرام است که مرگ و میر پس از عمل را پیش‌بینی می‌کند. قبلاً از الگوریتم‌هایی برای ارزیابی مرگ‌ومیر طولانی‌مدت و همچنین وضعیت‌های بیماری فردی استفاده می‌شد، اما تعیین نتایج پس از جراحی به تصمیم واقعی برای انجام جراحی کمک می‌کند.
محققان مدل DL را با جفت کردن ECG بیماران قبل از عمل با اطلاعات مربوط به نتایج بعد از عمل آنها ساختند. این داده‌ها برای 45969 بیمار مرکز پزشکی Cedars-Sinai که تصویر شکل موج کامل ECG را برای حداقل یک ECG 12 لید در 30 روز قبل از تاریخ عمل آنها بین 1 ژانویه 2015 تا 31 دسامبر 2019 در دسترس داشتند، جمع‌آوری شد.
این بیماران گروه اشتقاقی را تشکیل دادند که به طور تصادفی به مجموعه داده آموزشی 36839 بیمار، مجموعه داده اعتبارسنجی داخلی 4549 بیمار و مجموعه داده تست داخلی 4581 بیمار تقسیم شد.
عملکرد مدل با استفاده از مساحت زیر مقادیر منحنی مشخصه عملکرد گیرنده (AUC) در مجموعه داده‌های آزمون نگهدارنده و دو گروه از استانفورد و کلمبیا اندازه‌گیری شد. سپس این مقادیر با نمرات تعیین شده شاخص خطر قلبی تجدیدنظر شده (RCRI) مقایسه شد.
به طور کلی، ابزار DL به عملکرد بالایی دست یافت.
در گروه آزمایش داخلی برگزار شده، مدل مرگ و میر پس از عمل را با مقدار AUC 0.83 پیش‌بینی کرد، که بهتر از نمره RCRI، که به AUC 0.67 رسید، عمل کرد. این ابزار عملکرد مشابهی را در گروه‌های استانفورد و کلمبیا با AUCهای 0.79 و 0.75 به دست آورد.
مدل DL همچنین در انواع روش ها به طور مشابه عمل کرد، با AUC 0.85 برای بیماران تحت عمل جراحی قلب، 0.83 برای جراحی غیر قلبی، و 0.76 برای روش های کاتتریزاسیون یا آندوسکوپی.
در حالی که اکثر بیماران به عنوان کم خطر طبقه بندی می شدند، محققان دریافتند که آنهایی که توسط الگوریتم به عنوان پرخطر معرفی می شدند، تقریباً 9 برابر احتمال مرگ و میر پس از عمل را افزایش می دادند.
این نتایج باعث شد که تیم تحقیقاتی به این نتیجه برسند که این مدل پتانسیل افزایش طبقه بندی خطر و حمایت تصمیم گیری بالینی را برای تیم های مراقبتی دارد که تعیین می کنند آیا جراحی برای بیمارانشان مناسب است یا خیر.
کریستین گفت: “در قلب و عروق، ما خوش شانس هستیم که بسیاری از روش های نجات دهنده زندگی داریم، همه چیز از روش های مبتنی بر کاتتر گرفته تا جراحی قلب باز، بنابراین اغلب سعی می کنیم به این فکر کنیم که بیماران مناسب برای روش مناسب چه کسانی هستند.” M. Albert، MD، MPH، رئیس دپارتمان قلب و عروق در موسسه قلب اسمیت و نویسنده مرتبط دیگر این مطالعه. “درک بهتر از خطر، به ویژه با استفاده از یک تست تشخیصی معمول، می تواند تصمیمات پزشکی مهم را تعیین کند.”
در آینده، محققان قصد دارند یک برنامه کاربردی وب بر اساس مدلی را برای استفاده توسط پزشکان و بیماران توسعه دهند.
ابزارهای یادگیری عمیق همچنان در انواع برنامه های مراقبت های بهداشتی امیدوار کننده هستند.
هفته گذشته، محققان کلینیک مایو نحوه ایجاد یک مدل مبتنی بر شبکه عصبی عمیق را برای پیش‌بینی موفقیت درمان ضد فشار خون به اشتراک گذاشتند.
تیم تحقیقاتی خاطرنشان کرد که فشار خون بالا یک عامل خطر مهم برای سایر بیماری های قلبی عروقی است و مدیریت این وضعیت را کلیدی برای جلوگیری از پیامدهای نامطلوب می کند. برای تطبیق بهتر درمان فردی پرفشاری خون در مراکز مراقبت اولیه، محققان مدل DL خود را ساختند.
این مدل تا حد زیادی موفقیت آمیز بود و به طور دقیق رایج ترین و موفق ترین درمان های مورد استفاده توسط بیمارانی را که حداقل یک سال پس از شروع درمان بدون عوارض جانبی متوسط یا شدید به کنترل فشار خون دست یافتند، شناسایی کرد.