نوشته شانیا کندی
بر اساس مطالعه‌ای که در این ماه منتشر شد، یک تیم تحقیقاتی از دانشگاه میشیگان ابزار یادگیری ماشینی را توسعه داده‌اند که قادر به پیش‌بینی دقیق مرگ، وقایع خونریزی عمده و نیاز به انتقال خون در بیمارانی که تحت آنژیوپلاستی و استنت قرار می‌گیرند. مجله قلب اروپا.
مداخله عروق کرونر از راه پوست (PCI)، که قبلا به عنوان آنژیوپلاستی با استنت گذاری شناخته می شد، یک روش کم تهاجمی است که از یک کاتتر برای قرار دادن استنت در عروق کرونر برای کمک به درمان انسداد استفاده می کند. در حالی که PCI نسبت به روش های تهاجمی تر کم خطرتر در نظر گرفته می شود، می تواند خطرات قابل توجهی را به همراه داشته باشد که بسیار متفاوت است.
طبقه بندی موثر خطر PCI همچنان یک چالش برای پزشکان است. برای مقابله با این موضوع، محققان یک الگوریتم هوش مصنوعی (AI) برای کمک به برنامه ریزی درمان توسعه دادند.
دیوید ای. همیلتون، پزشک متخصص قلب و عروق، توضیح داد: «خطرات برای بیمارانی که تحت مداخله عروق کرونر از راه پوست قرار می‌گیرند، بسته به هر بیمار بسیار متفاوت است، و هم بیماران و هم پزشکان از لحاظ تاریخی، هم آسیب‌های مرتبط با PCI را بیش از حد و هم دست کم گرفته‌اند.» پزشکی میشیگان که این مطالعه را رهبری کرد، در یک خبر.
«پیش‌بینی دقیق ریسک برای انتخاب درمان و فرآیند تصمیم‌گیری مشترک حیاتی است. ابزار ما می تواند طیف گسترده ای از نتایج را پس از PCI تشخیص دهد و می تواند توسط ارائه دهندگان مراقبت و بیماران با هم برای تصمیم گیری بهترین روش درمانی استفاده شود.
برای توسعه این ابزار، تیم تحقیقاتی داده‌های گروهی متشکل از 107793 بیمار را جمع‌آوری کرد که بین 1 آوریل 2018 تا 31 دسامبر 2021 در 48 بیمارستان در میشیگان تحت روش‌های PCI قرار گرفتند. سپس این داده ها به گروه های آموزشی و اعتبار سنجی تقسیم شدند.
با استفاده از این داده ها، محققان 23 ویژگی را شناسایی کردند که برای پیش بینی پیامدهای پس از PCI مانند مرگ و میر، نفروپاتی جدید که نیاز به دیالیز دارد، آسیب حاد کلیوی، سکته مغزی، خونریزی شدید و نیاز به انتقال خون بسیار مرتبط بودند.
برای کمک به شخصی‌سازی طبقه‌بندی ریسک مدل، تیم تحقیقاتی بازخورد بیمار از 66 نفر را در رابطه با فرآیند تصمیم‌گیری مشترک قبل از PCI ترکیب کرد.
نویسنده ارشد Hitinder Gurm، MBBS، مدیر ارشد پزشکی موقت در UM Health گفت: «ما مدل پیش‌بینی‌کننده را با بازخورد بیمار از شورای مشاوره بیمار PCI ترکیب کردیم تا یادگیری ماشین را به این ابزار پیش‌بینی خطر فردی محور و بیمار تبدیل کنیم.
این ابزار با استفاده از پایگاه داده برنامه ارزیابی پیامدهای مراقبت قلبی، که شامل 56583 روش از 33 بیمارستان در واشنگتن بود، اعتبار خارجی داشت.
نرخ پیامد در گروه متفاوت بود: میزان مرگ و میر 1.85 درصد، آسیب حاد کلیه 2.51 درصد، دیالیز تازه شروع 0.44 درصد، سکته مغزی 0.41 درصد، خونریزی عمده 0.89 درصد و تزریق خون 2.41 درصد بود.
به طور کلی، این مدل در تمام نتایج به عملکرد بالایی دست یافت – که بر حسب مساحت زیر منحنی مشخصه عملکرد گیرنده (AUC) اندازه‌گیری شد. این ابزار به AUC 0.930 برای مرگ و میر دست یافت. 0.893 برای آسیب حاد کلیه؛ 0.951 برای دیالیز جدید؛ 0.751 برای سکته مغزی؛ 0.917 برای انتقال خون؛ و 0.997 برای خونریزی عمده.
این یافته‌ها بر پتانسیل مدلی تأکید می‌کند که از بازخورد بیمار و عوامل خطر قبل از عمل برای پیش‌بینی نتایج پس از PCI استفاده می‌کند.
این ابزار به‌عنوان یک برنامه رایانه‌ای و گوشی‌های هوشمند رایگان برای بررسی دیگران منتشر شده است.
گورم خاطرنشان کرد: «در عصر فراگیر شدن تلفن‌های هوشمند و پرونده‌های پزشکی الکترونیکی، این امتیاز خطر رایانه‌ای را می‌توان در سیستم‌های سلامت الکترونیک ادغام کرد و استفاده از آن را در کنار تخت آسان کرد. این نه تنها به انتقال سریع اطلاعات پیچیده به ارائه‌دهنده کمک می‌کند، بلکه می‌تواند برای افزایش آموزش بیمار در مورد خطرات مربوط به PCI نیز استفاده شود.
این جدیدترین تحقیقی است که به دنبال ارزیابی این است که چگونه هوش مصنوعی و یادگیری ماشینی می توانند مراقبت های قلبی عروقی را پیش ببرند.
هفته گذشته، یک تیم تحقیقاتی از بیمارستان ملی کودکان، توسعه یک سیستم یادگیری عمیق را برای تشخیص بیماری روماتیسم قلبی نهفته (RHD) در کودکان شرح دادند.
RHD که در اثر آسیب دریچه قلب ناشی از عفونت های باکتریایی ایجاد می شود، یکی از دلایل اصلی مرگ و میر و ناتوانی در افراد زیر 25 سال است، به ویژه در کشورهای با درآمد کم و متوسط.
تشخیص زودهنگام این عارضه ممکن است و برای درمان موثر ضروری است، اما دسترسی به متخصصان قلب در مناطقی که بیشترین آسیب را دارند اغلب محدود است.
برای رفع این مشکل، محققان از هوش مصنوعی برای توسعه یک الگوریتم تفسیر اولتراسوند استفاده کردند که بدون نیاز به متخصص قلب، ویژگی‌های RHD از جمله اندازه قلب را به دقت شناسایی می‌کند. هدف این سیستم بهبود تشخیص و درمان RHD در سطح جهانی، بهبود بالقوه شناسایی و درمان در مناطق کم منابع است.