نوشته شانیا کندی
بر اساس مطالعه‌ای که اخیراً منتشر شده است، الگوریتم‌های یادگیری ماشینی (ML) می‌توانند به‌طور دقیق رویداد نامطلوب اصلی اندام (MALE) یا مرگ را پس از مداخله درون عروقی برای بیماری شریان محیطی (PAD) پیش‌بینی کنند. شبکه JAMA باز است.
تیم تحقیقاتی نشان داد که مداخلات اندوواسکولار برای PAD می‌تواند خطرات قابل‌توجهی بعد از عمل داشته باشد، اما ابزارهای پیش‌بینی پیامد فعلی محدود هستند.
برای رفع این مشکل، محققان به ML روی آوردند.
داده‌های 235677 بیمار که بین 1 ژانویه 2004 و 5 ژوئیه 2023 تحت مداخله اندوواسکولار برای PAD قرار گرفتند، با یک سال پیگیری، برای تجزیه و تحلیل از Initiative کیفیت عروقی (VQI) استخراج شدند.
بیمارانی که برای تروما، ایسکمی حاد اندام، بیماری آنوریسمی اندام تحتانی، دیسکسیون یا نئوپلاسم بدخیم تحت درمان قرار گرفته بودند، و بیمارانی که نوع روش یا وضعیت علائم گزارش نشده بودند، یا تحت عمل جراحی بای پس همزمان قرار گرفتند، از مطالعه حذف شدند.
سپس داده ها به یک مجموعه آموزشی شامل 70 درصد از شرکت کنندگان و یک مجموعه آزمون با 30 درصد باقیمانده از گروه تقسیم شدند.
از این داده‌ها برای شناسایی ویژگی‌های پیش‌بینی‌کننده مرتبط استفاده شد: 75 ویژگی قبل از عمل، 24 ویژگی حین عمل و 13 ویژگی بعد از عمل، در مجموع 112 مورد.
ویژگی‌های قبل از عمل شامل ویژگی‌های قبل از عمل – دموگرافیک، روش‌های قبلی، بیماری‌های همراه، وضعیت عملکردی، داروها، آناتومی و موارد دیگر بود – در حالی که ویژگی‌های حین عمل شامل ویژگی‌های رویه‌ای و عوامل بعد از عمل با دوره داخل بیمارستانی و عوارض بیماران بود.
سپس تیم تحقیقاتی از ویژگی‌های شناسایی شده قبل از عمل و اعتبارسنجی متقاطع 10 برابری برای آموزش شش مدل ML برای پیش‌بینی یکساله MALE-که به عنوان ترکیبی از ترومبکتومی یا ترومبولیز، مداخله مجدد جراحی یا قطع عضو عمده مشخص می‌شود- یا مرگ استفاده کردند.
عملکرد هر الگوریتم از نظر مساحت زیر منحنی مشخصه عملکرد گیرنده (AUROC) ارزیابی شد. پس از انتخاب بهترین مدل قبل از عمل، محققان الگوریتم‌های بیشتری را با استفاده از داده‌های حین و پس از عمل ایجاد کردند.
از گروه بیماران اولیه، 71683 شرکت‌کننده دچار MALE یا مرگ یک ساله شدند.
بهترین مدل پیش‌بینی قبل از عمل، تقویت گرادیان شدید (XGBoost)، دستیابی به AUROC 0.94، دقت 0.86، حساسیت 0.87، ویژگی 0.85، ارزش اخباری مثبت 0.85 و ارزش اخباری منفی 0.87 بود.
مدل XGBoost همچنین با استفاده از داده های حین عمل و پس از عمل، با AUROC های 0.94 و 0.98، عملکرد بالایی را حفظ کرد.
این نتایج نشان می‌دهد که ابزارهای ML می‌توانند به‌طور دقیق نتایج یک ساله را پس از مداخله درون عروقی برای PAD پیش‌بینی کنند، که نشان می‌دهد آنها ممکن است پتانسیل هدایت استراتژی‌های کاهش خطر بعد از عمل و بهبود نتایج بیمار را داشته باشند.
این تحقیق در حالی انجام می شود که ذینفعان به بحث در مورد نقش هوش مصنوعی (AI) و ML در مراقبت های قلبی عروقی ادامه می دهند.
در ماه فوریه، انجمن قلب آمریکا (AHA) بیانیه‌ای را منتشر کرد که در آن وضعیت فعلی استفاده از هوش مصنوعی در تشخیص و درمان بیماری‌های قلبی عروقی را تشریح کرد.
این گزارش کاربردهای بالقوه، چالش‌ها، محدودیت‌های این فناوری‌ها و نحوه استقرار ایمن و مؤثر هوش مصنوعی را تشریح کرد.
این بیانیه تاکید می کند که این ابزارها پتانسیل قابل توجهی برای موارد استفاده مانند تصویربرداری پزشکی دارند، اما موانع متعددی مانند نگرانی های قانونی و اخلاقی، فقدان پروتکل هایی برای منبع یابی و به اشتراک گذاری اطلاعات مناسب، عدم وجود مسیرهای نظارتی قوی و نیاز به رشد علمی پایگاه دانش پیرامون این فناوری‌ها – پذیرش آنها را محدود کنید.