نوشته شانیا کندی
– به محققان کوه سینا کمک مالی 4 ساله 3 میلیون دلاری از موسسه ملی قلب، ریه و خون موسسه ملی بهداشت (NIH) برای توسعه مدل‌های پیش‌بینی مبتنی بر هوش مصنوعی (AI) اعطا شد تا خطر ابتلا به بیماری‌ها را شناسایی کنند. رویدادهای بیماری قلبی عروقی در بیماران مبتلا به آپنه انسدادی خواب
انجمن قلب آمریکا (AHA) نشان می دهد که آپنه انسدادی خواب خطر ابتلا به بیماری های قلبی عروقی از جمله بیماری عروق کرونر، فشار خون بالا و سکته را در بیماران افزایش می دهد. استفاده از دستگاه‌های فشار مثبت مداوم راه هوایی (CPAP) اغلب برای درمان آپنه خواب تجویز می‌شود، اما شواهد حاکی از مزایای استفاده از CPAP در رابطه با نرخ رویدادهای قلبی عروقی محدود است.
برای پر کردن این شکاف، تیم تحقیقاتی ابزارهای یادگیری ماشینی (ML) را برای شناسایی بیماران آپنه انسدادی خواب در معرض خطر بالای پیشرفت آترواسکلروز و حوادث قلبی عروقی مانند سکته مغزی و حمله قلبی ایجاد خواهند کرد.
محققان تاکید کردند که این رویکرد می‌تواند به پیش‌بینی اثربخشی درمان قلبی عروقی استفاده از CPAP در بیمارانی که «غیر خواب‌آلود» در نظر گرفته می‌شوند، بر اساس پاسخ‌های آنها به یک آزمایش بالینی کمک کند. انجام این کار ممکن است روشن کند که کدام بیماران بیشتر از درمان CPAP سود می برند و چه کسانی باید از درمان اجتناب کنند.
این کار بر اساس تحقیقات قبلی Mount Sinai است که بر مضرات بالقوه استفاده از CPAP در بیماران غیر خواب‌آلود تأکید می‌کند، که نیاز به تمرکز بیشتر بر درمان شخصی آپنه خواب دارد.
بیشتر بخوانید: کمک مالی 4 میلیون دلاری برای توسعه ابزارهای پیش بینی پیامد آپنه خواب
گیریش نادکارنی، MD، MPH، پروفسور ایرنه و دکتر آرتور ام. فیشبرگ، محقق اصلی گفت: «ما از پتانسیل تحول‌آفرین تکنیک‌های یادگیری ماشین در مراقبت‌های بهداشتی، به‌ویژه در تجزیه و تحلیل حجم وسیعی از داده‌های پیچیده برای شخصی‌سازی استراتژی‌های درمان الهام گرفته‌ایم». از پزشکی، مدیر مؤسسه پزشکی شخصی چارلز برونفمن، و رئیس سیستم پزشکی مبتنی بر داده و دیجیتال در Icahn Mount Sinai، در بیانیه مطبوعاتی. “مطالعه ما این پتانسیل را دارد که با ارائه ابزارهای پشتیبانی تصمیم که برنامه های درمانی را بهینه می کند، نتایج بیمار را بهبود می بخشد و بار حوادث قلبی عروقی مرتبط با آپنه خواب را بر روی افراد و سیستم های مراقبت های بهداشتی کاهش دهد، مدیریت آپنه انسدادی خواب را متحول کند.”
محققان برای ساخت مدل‌های پیش‌بینی خود از داده‌های دو گروه استفاده می‌کنند: کارآزمایی بالینی تصادفی‌شده نقطه‌های پایانی قلبی عروقی آپنه خواب (SAVE) – حاوی اطلاعات بیش از 2500 شرکت‌کننده غیرخواب‌آلو با آپنه انسدادی متوسط تا شدید و بیماری قلبی عروقی ثابت – و گروه مطالعه چند قومیتی آترواسکلروز (MESA) – متشکل از داده‌های بیش از 6000 شرکت‌کننده غیرخواب‌آلود که عموماً سالم هستند و از پس‌زمینه‌های قومی متفاوت هستند.
این داده‌ها برای علامت‌گذاری پیش‌بینی‌کننده‌های کلیدی پیشرفت آترواسکلروز و رویدادهای قلبی عروقی در کنار شناسایی زیرگروه‌های بیماران مبتنی بر خطر با نتایج متفاوت درمان CPAP برای رویدادهای قلبی عروقی استفاده خواهند شد.
مدل‌های پیش‌بینی با استفاده از داده‌های پرونده سلامت الکترونیکی (EHR) از کوه سینا تأیید می‌شوند.
مایت سوارز-فاریناس، محقق اصلی، دانشیار مرکز آمار زیستی، و استاد علوم و سیاست سلامت جمعیت، و ژنتیک و علوم ژنومی، گفت: «از طریق پزشکی دقیق، ما مداخلات جدی را برای افزایش کاهش خطر بیماری‌های قلبی عروقی در اولویت قرار داده‌ایم.» در Icahn Mount Sinai. “ارائه دهندگان مراقبت های بهداشتی به ابزارهای نوآورانه برای شناسایی بیماران در معرض خطر حمله قلبی یا سکته مغزی مجهز خواهند شد و قادر به پیش بینی نتایج درمان CPAP درمانی در بیماران آپنه خواب خواهند بود. این رویکرد شخصی پزشکان را قادر می سازد تا درمان مناسب را انجام دهند. استراتژی‌هایی برای نیازهای فردی بیمار، بهینه‌سازی پایبندی و کارآیی CPAP.”
بیشتر بخوانید: تبیین مبانی امتیازهای خطر بیمار در مراقبت های بهداشتی
این تحقیق تلاش‌های Mount Sinai را برای بهبود مراقبت از آپنه خواب از طریق فن‌آوری‌های تحلیلی پیشرفته پیش می‌برد.
محقق اصلی، نئومی شاه، MD، MPH، MSc، معاون پیشرفت شغلی دانشکده، گفت: “با حمایت یک کمک مالی متحول کننده، من برای رهبری پروژه ای که در تقاطع هوش مصنوعی پیشرفته و پزشکی خواب قرار دارد هیجان زده هستم.” ، معاون امور دانشکده در گروه پزشکی سیستم سلامت کوه سینا و استاد پزشکی (ریوی، مراقبت های ویژه و پزشکی خواب) در دانشکده پزشکی Icahn در کوه سینا.
“کار ما مظهر ثروت تخصص و تلاش مشترک در سراسر سیستم بهداشتی کوه سینا خواهد بود تا هم درک ما را از این وضعیت تقویت کند و هم مراقبت از بیمار را بهبود بخشد و میلیون ها نفر را در ایالات متحده تحت تاثیر قرار دهد. شاه ادامه داد: ما متعهد هستیم که ابزارهای هوش مصنوعی خود را در مجموعه داده‌های بالینی Mount Sinai اعتبار سنجی کنیم تا تحقیقات خود را به عمل در دنیای واقعی ترجمه کنیم و از این طریق، به طور مؤثر تحقیقات را به شکاف عملی پر کنیم.
ماه گذشته، به یک تیم Mount Sinai کمک هزینه 4.1 میلیون دلاری NIH برای توسعه مدل‌های مبتنی بر هوش مصنوعی برای پیش‌بینی پیامدهای نامطلوب در بیماران آپنه خواب اهدا شد.
محققان خاطرنشان کردند که ابزارهای تشخیصی فعلی برای آپنه خواب – که معمولاً بر شمارش تعداد اختلالات تنفسی که بیمار در طول خواب تجربه می‌کند متکی است – پیش‌بینی‌کننده دقیق پیامدهای نامطلوب کوتاه‌مدت و بلندمدت مانند خواب‌آلودگی بیش از حد در طول روز، عوارض قلبی عروقی و اختلال عصبی شناختی
بیشتر بخوانید: با استفاده از امتیاز ریسک، طبقه بندی برای مدیریت سلامت جمعیت
مدل‌های هوش مصنوعی برای رفع کاستی‌های این ابزارها با تجزیه و تحلیل متغیرهای هیپوکسیک، برانگیختگی و تهویه طراحی شده‌اند تا امتیاز ریسک بیمار را شخصی‌سازی کنند.
به روز رسانی 2024/03/23: این مقاله با نقل قولی از دکتر نئومی شاه به روز شده است.