پیش‌بینی خطر مرگ بیماران مبتلا به بیماری قلبی با روشی جدید

گروهی از محققان اخیرا از روش جدید مبتنی بر هوش مصنوعی که می‌تواند به طور دقیق خطر مرگ بیماران مشکوک یا مبتلا به بیماری قلبی را پیش‌بینی کند، خبر داده‌اند.

به گزارش ایسنا و به نقل از اس تی دی، در این روش جدید، برخلاف روش‌های سنتی مبتنی بر داده‌های بالینی، از اطلاعات تصویربرداری قلب که با روش تصویربرداری تشدید مغناطیسی قلبی استرس(stress CMR)  به دست آمده، استفاده شده و  مورد ارزیابی قرار می‌گیرند. واژه “استرس” در اینجا به این معنا است که به بیماران در همان حال که در اسکنر تصویربرداری تشدید مغناطیسی هستند، دارویی داده می‌شود که این دارو اثر ورزش را بر روی قلب آنها ایجاد می‌کند.

دکتر “تئو پزل”(Theo Pezel) نویسنده این مطالعه از بیمارستان جانز هاپکینز ایالات متحده گفت: این اولین مطالعه‌ای است که نشان می‌دهد استفاده از یادگیری ماشینی همراه با پارامترهای بالینی و تصویربرداری تشدید مغناطیسی قلبی استرس می‌تواند خطر مرگ را به دقت پیش‌بینی کند. یافته‌های ما نشان می‌دهد که بیماران مبتلا به درد قفسه سینه، تنگی نفس یا عوامل خطر بیماری قلبی عروقی باید تحت آزمایش تصویربرداری تشدید مغناطیسی قلبی استرس قرار بگیرند و امتیاز آنها محاسبه شود. این روش ما را قادر می‌سازد تا پیگیری‌ها و توصیه‌های مناسب‌تری را در مورد ورزش و رژیم غذایی به این افراد ارائه دهیم.

طبقه‌بندی عوامل خطر معمولا در بیماران مبتلا به بیماری قلبی عروقی یا در معرض خطر بالای ابتلا به بیماری قلبی عروقی به منظور مدیریت مناسب و با هدف جلوگیری از حمله قلبی، سکته مغزی و مرگ ناگهانی قلبی افراد صورت می‌گیرد.

ابزار محاسباتی معمولی اطلاعات بالینی محدودی مانند سن، جنسیت، وضعیت استعمال دخانیات، فشار خون و کلسترول را در نظر می‌گیرند اما محققان در این مطالعه دقت یادگیری ماشین را با استفاده از تصویربرداری تشدید مغناطیسی قلبی استرس و داده‌های بالینی مورد بررسی قرار دادند.

دکتر پزل گفت: برخی از اطلاعاتی که از بیماران جمع‌آوری می‌کنیم ممکن است در طبقه‌بندی عوامل خطر چندان مرتبط به نظر نرسند اما یادگیری ماشینی می‌تواند تعداد زیادی متغیر را به طور همزمان تجزیه و تحلیل کند و نشانه‌هایی را پیدا کند که ما از وجود آنها خبر نداشتیم که این امر دقت پیش‌بینی خطر مرگ بیماران را بهبود می‌بخشد.

در این مطالعه محققان اطلاعات ۳۱ هزار و ۷۵۲ بیمار بود که بین سال‌های ۲۰۰۸ تا ۲۰۱۸ به دلیل درد قفسه سینه، تنگی نفس در هنگام فعالیت یا خطر بالای ابتلا به بیماری قلبی عروقی اما بدون علامت به مرکزی در پاریس مراجعه کرده بودند را مورد بررسی قرار دادند. خطر بالا به معنای داشتن حداقل دو عامل خطر مانند فشار خون بالا، دیابت، دیس لیپیدمی و سیگار کشیدن است. در طول دوره پیگیری، ۲۶۷۹ بیمار(۸.۴ درصد) فوت کردند.

دیس‌لیپیدمی یا چربی‌پریشی به معنای هرگونه اختلال در سطح سرمی چربی‌ها شامل افزایش یا کاهش غیرطبیعی است. دیس‌لیپیدمی شامل انواع مختلفی از اختلال در سوخت‌وساز چربی‌ها است. دیس‌لیپیدمی یکی از عوامل اصلی خطر برای بروز بیماری سرخرگ‌های کرونری(CAD)، سکته مغزی(CVA) و بیماری عروق محیطی(PVD) ذکر گردیده است.

محققان در این مطالعه در دو مرحله از یادگیری ماشینی استفاده کردند. یادگیری ماشینی ابتدا برای انتخاب اینکه کدام یک از پارامترهای بالینی و تصویربرداری تشدید مغناطیسی قلبی می‌تواند مرگ را پیش‌بینی کند و کدام یک نمی‌تواند و سپس برای بررسی یک الگوریتم، مورد استفاده قرار گرفت. یادگیری ماشین قادر به پیش‌بینی زنده ماندن یا فوت کردن بیماران با دقت ۷۶ درصد بود و این به آن معنا است که یادگیری ماشینی تقریبا از چهار بیمار، پیش بینی زنده ماندن یا فوت کردن سه بیمار را به درستی انجام داده بود.

دکتر پزل گفت: تصویربرداری تشدید مغناطیسی قلبی ​استرس یک تکنیک بی‌خطر است که در آن از اشعه استفاده نمی‌شود. یافته‌های ما نشان می‌دهد که ترکیب این اطلاعات تصویربرداری با داده‌های بالینی در یک الگوریتم تولید شده توسط هوش مصنوعی ممکن است ابزار مفیدی برای کمک به پیشگیری از بیماری‌های قلبی عروقی و مرگ ناگهانی قلبی در بیماران مبتلا به علائم قلبی عروقی یا عوامل خطر باشد.

انتهای پیام

از منبع این مطلب دیدن فرمایید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.


Notice: Trying to access array offset on value of type null in /www/wwwroot/fansalar.com/wp-content/plugins/slim-seo/src/Schema/Types/ImageObject.php on line 27

Notice: Trying to access array offset on value of type null in /www/wwwroot/fansalar.com/wp-content/plugins/slim-seo/src/Schema/Types/ImageObject.php on line 28

Notice: Trying to access array offset on value of type null in /www/wwwroot/fansalar.com/wp-content/plugins/slim-seo/src/Schema/Types/ImageObject.php on line 29