یک رویکرد جدید مبتنی بر هوش مصنوعی می‌تواند به طور قابل توجهی دقیق‌تر از یک پزشک، پیش‌بینی کند که آیا و چه زمانی بیمار ممکن است بر اثر ایست قلبی بمیرد. این فناوری که بر اساس تصاویر خام از قلب بیمار و پیشینه بیمار ساخته شده است، می‌تواند تصمیم‌گیری بالینی را متحول کند و میزان بقا را از آریتمی‌های ناگهانی و کشنده قلبی، یکی از کشنده‌ترین و گیج‌کننده‌ترین شرایط پزشکی، افزایش دهد.
این کار که توسط محققان دانشگاه جانز هاپکینز هدایت می شود، امروز در جزئیات ارائه شده است تحقیقات قلب و عروق طبیعت.
ناتالیا ترایانووا، نویسنده ارشد و استاد مهندسی بیومدیکال موری ب. ساکس، می گوید: «مرگ ناگهانی قلبی ناشی از آریتمی حدود 20 درصد از کل مرگ و میرها در سراسر جهان را تشکیل می دهد و ما اطلاعات کمی در مورد اینکه چرا این اتفاق می افتد یا چگونه تشخیص دهیم چه کسی در معرض خطر است، نیست. و پزشکی. “بیمارانی هستند که ممکن است در معرض خطر کم مرگ ناگهانی قلبی باشند، دفیبریلاتورهایی دریافت می کنند که ممکن است به آنها نیازی نداشته باشند و سپس بیماران پرخطری هستند که درمان مورد نیاز خود را دریافت نمی کنند و ممکن است در اوج زندگی خود بمیرند. الگوریتمی که می تواند انجام دهد این است که تعیین کند چه کسی در معرض خطر مرگ قلبی است و چه زمانی رخ خواهد داد و به پزشکان اجازه می دهد دقیقا تصمیم بگیرند که چه کاری باید انجام شود.”
این تیم اولین گروهی است که از شبکه های عصبی برای ایجاد ارزیابی بقای شخصی برای هر بیمار مبتلا به بیماری قلبی استفاده می کند. این اقدامات خطر با دقت بالا شانس مرگ ناگهانی قلبی را در طی 10 سال و زمانی که احتمال وقوع آن بیشتر است را فراهم می کند.
فناوری یادگیری عمیق، مطالعه بقای خطر آریتمی قلبی (SSCAR) نامیده می شود. این نام اشاره ای به اسکار قلبی ناشی از بیماری قلبی دارد که اغلب منجر به آریتمی های کشنده می شود و کلید پیش بینی های الگوریتم است.
این تیم از تصاویر قلبی تقویت‌شده با کنتراست استفاده کرد که توزیع اسکار صدها بیمار واقعی در بیمارستان جانز هاپکینز را با اسکار قلبی تجسم کرد تا الگوریتمی را برای تشخیص الگوها و روابطی که با چشم غیرمسلح قابل مشاهده نیستند، آموزش دهند. تجزیه و تحلیل تصویر قلب بالینی کنونی تنها ویژگی‌های اسکار ساده مانند حجم و جرم را استخراج می‌کند، و به شدت از آنچه در این کار نشان داده شده است به عنوان داده‌های حیاتی استفاده نمی‌کند.
نویسنده اول، دان پوپسکو، دانشجوی سابق دکترای جانز هاپکینز، گفت: «تصاویر حاوی اطلاعات مهمی هستند که پزشکان قادر به دسترسی به آنها نبوده‌اند. این اسکار را می توان به روش های مختلفی توزیع کرد و چیزی در مورد شانس زنده ماندن بیمار می گوید. اطلاعاتی در آن پنهان است.
این تیم یک شبکه عصبی دوم را آموزش داد تا از 10 سال داده های استاندارد بالینی بیماران، 22 عامل مانند سن، وزن، نژاد و مصرف داروهای تجویزی بیماران را بیاموزد.
پیش‌بینی‌های الگوریتم‌ها نه تنها در هر معیاری به‌طور قابل‌توجهی دقیق‌تر از پزشکان بودند، بلکه در آزمایش‌هایی با گروه بیماران مستقل از 60 مرکز بهداشتی در سراسر ایالات متحده، با تاریخچه‌های قلبی مختلف و داده‌های تصویربرداری متفاوت، تأیید شدند، که نشان می‌دهد این پلت‌فرم می‌تواند اتخاذ شود. هر جا.
ترایانووا، یکی از مدیران اتحاد برای نوآوری تشخیص و درمان قلب و عروق، گفت: «این پتانسیل را دارد که به طور قابل توجهی تصمیم‌گیری بالینی در مورد خطر آریتمی را شکل دهد و گامی اساسی برای رساندن پیش‌بینی مسیر بیمار به عصر هوش مصنوعی است. “این تجسم روند ادغام هوش مصنوعی، مهندسی و پزشکی به عنوان آینده مراقبت های بهداشتی است.”
این تیم اکنون در حال ساخت الگوریتم هایی برای تشخیص سایر بیماری های قلبی است. به گفته ترایانوا، مفهوم یادگیری عمیق را می توان برای سایر رشته های پزشکی که بر تشخیص بصری تکیه دارند، توسعه داد.
تیم جانز هاپکینز همچنین شامل: مائورو ماگیونی، استاد برجسته محاسبات فشرده داده بلومبرگ بود. جولی شید; چانگشین لای; کنستانتینو آرونیس؛ و کاترین وو. نویسندگان دیگر عبارتند از: M. Vinayaga Moorthy و Nancy Cook از Brigham and Women’s Hospital. دانیل لی از دانشگاه نورث وستر؛ آلن کادیش از سیستم کالج و دانشگاه تورو؛ دیوید اویانگ و کریستین آلبرت از مرکز پزشکی Cedar-Sinai.
این کار توسط کمک‌های مالی مؤسسه ملی بهداشت R01HL142496، R01HL126802، R01HL103812 پشتیبانی شد. بنیاد لوونشتاین، کمک هزینه تحصیلی پژوهشی بنیاد ملی علوم DGE-1746891، کمک هزینه تحصیلی سیمونز برای سال‌های 2020-2021، کمک هزینه بنیاد ملی علوم IIS-1837991، کمک هزینه تحقیقاتی آزمایشگاه‌های ابوت. مطالعه PRE-DETERMINE و DETERMINE Registry توسط کمک مالی تحقیقاتی موسسه ملی قلب، ریه و خون R01HL091069، St Jude Medical Inc، و St. Jude Medical Foundation پشتیبانی شد.
منبع داستان:
مواد تهیه شده توسط دانشگاه جان هاپکینز. نوشته اصلی توسط جیل روزن. توجه: محتوا ممکن است برای سبک و طول ویرایش شود.
