شناسهٔ خبر: 54273968 - سرویس علمی-فناوری
نسخه قابل چاپ منبع: شفا آنلاین | لینک خبر

پیش ‌بینی میزان بقای بیماران قلبی با کمک هوش مصنوعی

دستگاه‌های کاردیوورتر قابل کاشت» (ICD)، مرگ ناگهانی مرتبط با آریتمی‌ را به طور مؤثری خنثی می‌کنند. یافته‌های این پژوهش، بر نیاز حیاتی به روش‌های دقیق و ارزان ارزیابی خطر آریتمی تأکید می‌کنند تا این مشکل بزرگ سلامتی عمومی را کاهش دهند

صاحب‌خبر -

شفاآنلاین> سلامت > پژوهشگران «دانشگاه جانز هاپکینز»، نوعی روش یادگیری عمیق را ابداع کرده‌اند که می‌تواند میزان بقای بیماران قلبی را پیش‌بینی ‌کند.

به گزارش شفاآنلاین : پژوهشگران دانشگاه جانز هاپکینز (JHU) در بررسی جدید خود، از ارزیابی جای زخم در قلب با کمک یادگیری عمیق، برای پیش‌بینی امکان نجات یافتن از مرگ ناگهانی مرتبط با آریتمی استفاده کردند.


«مرگ ناگهانی قلب مرتبط با آریتمی» (SCDA)، یکی از علل اصلی مرگ و میر در سراسر جهان است.

«دستگاه‌های کاردیوورتر قابل کاشت» (ICD)، مرگ ناگهانی مرتبط با آریتمی‌ را به طور مؤثری خنثی می‌کنند. یافته‌های این پژوهش، بر نیاز حیاتی به روش‌های دقیق و ارزان ارزیابی خطر آریتمی تأکید می‌کنند تا این مشکل بزرگ سلامتی عمومی را کاهش دهند.

علاوه بر این، شواهد موجود نشان می‌دهند که مدل‌های محاسباتی به عنوان ابزار غربالگری مرحله اول، در یک جمعیت بزرگ بی‌اثر هستند.

تصاویر به‌ دست‌آمده از قلب که توزیع جای زخم را نشان می‌دهند و متغیرهای بالینی معمولی را در خود جای داده‌اند، ممکن است بر این محدودیت‌ها غلبه کنند و احتمال مرگ ناگهانی مرتبط با آریتمی در بیمار را در عرض چند ثانیه و به طور دقیق ارائه دهند.

پژوهشگران در این پروژه، یک راهبرد منحصر به فرد را برای افراد مبتلا به بیماری ایسکمیک قلبی ارائه داده‌اند که خطر مرگ ناگهانی مرتبط با آریتمی را پیش‌بینی می‌کند.

این روش جدید که «SSCAR» نام دارد، تجزیه و تحلیل شبکه‌های عصبی را برای تخمین میزان بقای فردی در بیماری عروق کرونری ترکیب می‌کند و متغیرهای بالینی و تصویربرداری تشدید مغناطیسی قلبی-عروقی (CMR) را به کار می‌برد. روش SSCAR توانست زمان بقای بیمار را به صورت فردی پیش‌بینی کند.

علاوه بر این، تعمیم‌پذیری و عملکرد بالای یادگیری ماشینی، با استفاده از داده‌های چند مرکزی و یک مجموعه آزمون جداگانه ارزیابی شد. روش SSCAR از دو شبکه عصبی تشکیل شده است.

۱) یک سیستم سه‌بعدی با استفاده از تصاویر خامی که توزیع اسکارهای ناشی از بیماری‌های قلبی را به تصویر می‌کشد.

۲) یک شبکه یکپارچه متراکم که روی متغیرهای بالینی کار می‌کند.

پژوهشگران خاطرنشان کردند که منحنی‌های بقای پیش‌بینی‌شده با این روش، برآوردهای دقیقی را برای حدود ۱۰ سال ارائه می‌دهند و امکان ارزیابی عدم قطعیت پیش‌بینی را فراهم می‌کنند.

یافته‌های حاصل از یک مجموعه آزمون مستقل و داده‌های اعتبارسنجی داخلی به‌ دست‌ آمده از مراکز متعدد، شاخص‌های تطابق و نمرات ۱۰ ساله را نشان دادند.

نتایج این پژوهش نشان داد که روش SSCAR نه تنها یک مدل بسیار انعطاف‌پذیر است که می‌تواند ارتباطات متقابل پیچیده را ثبت کند بلکه یک مدل قوی به دلیل روش‌شناسی آماری خود است که نحوه ادغام این ویژگی‌ها را برای مطابقت با داده‌های مربوط به بقا نشان می‌دهد.

این روش، به یک مشکل عمده شناخته‌ شده شبکه‌های عصبی یعنی اعتماد بیش از اندازه به پیش‌بینی‌های نادرست می‌پردازد.

روش کنونی به طور خودکار، ویژگی‌هایی را پیدا می‌کند که بهترین مدل و پیش‌بینی را نشان می‌دهند. روش SSCAR، یک الگوی پیش‌بینی خطر مرگ ناگهانی مرتبط با آریتمی است که تصاویر خام را با سایر منابع داده ترکیب می‌کند.

این سیستم، از تصاویر و فاکتورهای بالینی طی یک روش یادگیری یکپارچه استفاده می‌کند و به داده‌های مختلف امکان می‌دهد تا نمونه ابتدایی بقای کلی را نشان دهند.

یافته‌های این پژوهش نشان داد که روش پژوهشگران، یک تغییر اساسی در راهبرد تحلیل خطر آریتمی به شمار می‌رود؛ زیرا SSCAR از اطلاعات برای بررسی مستقیم عدم قطعیت در پیش‌بینی‌های خود استفاده می‌کند.

این روش که ورودی آن تصاویر خام قلب است، بهتر از مدل‌های بقای معمولی عمل می‌کند که با استفاده از متغیرهای بالینی ساخته شده‌اند. این روش می‌تواند با ارائه برآوردهای قابل تعمیم و دقیق در مورد احتمال بقای بیمار، تصمیم‌گیری در مورد درمان را متحول کند.

پژوهشگران مطمئن هستند که SSCAR می‌تواند به طور قابل توجهی بر تصمیم‌گیری بالینی در مورد خطر آریتمی تأثیر بگذارد.

نظر شما