هوش مصنوعی می‌تواند خطر نارسایی قلبی را تا ۱۰ سال زودتر پیش‌بینی کند
پژوهشگران با کمک هوش مصنوعی روشی ابداع کرده‌اند که می‌تواند با تحلیل نوار قلب ثبت‌شده هنگام خواب، خطر ابتلا به برخی از بیماری‌های قلبی‌عروقی را در سال‌های آینده پیش‌بینی کند. این فناوری از اطلاعاتی استفاده می‌کند که هنگام بررسی اختلالات خواب ثبت می‌شوند؛ داده‌هایی که معمولاً در پزشکی امروز برای ارزیابی خطر بلندمدت بیماری‌های قلبی به کار نمی‌روند.
نوار قلب هنگام خواب چه چیزی را آشکار می‌کند؟
وقتی فرد برای بررسی اختلالات خواب تحت آزمایشی به نام پلی‌سومنوگرافی (Polysomnography) قرار می‌گیرد، دستگاه‌های پزشکی اطلاعات مختلفی از جمله فعالیت الکتریکی قلب، تنفس و مراحل خواب را ثبت می‌کنند. در میان این داده‌ها، نوار قلب یا ECG می‌تواند نشانه‌هایی از وضعیت قلب را در اختیار پزشکان قرار دهد.
پژوهشگران در مطالعه‌ای که ۹ اکتبر ۲۰۲۶ در ژورنال علمی SLEEP منتشر شد، از یک مدل یادگیری عمیق برای تحلیل نوار قلب تک‌لیدی و اطلاعات مراحل خواب استفاده کردند. هدف این بود که مدل بتواند خطر بروز پنج پیامد مهم را برآورد کند: فیبریلاسیون دهلیزی، سکته مغزی، حمله قلبی، نارسایی قلبی و مرگ به هر علت.
بررسی اطلاعات بیش از ۳۸ هزار بیمار
برای آموزش مدل، پژوهشگران از اطلاعات ۱۵ هزار و ۸۰۹ بیمار در بیمارستان عمومی ماساچوست استفاده کردند. سپس عملکرد آن را با داده‌های دو مجموعه مستقل شامل ۹ هزار و ۸۱۰ بیمار در بیمارستان دانشگاه اموری و ۱۲ هزار و ۵۷۶ بیمار در مرکز پزشکی بث اسرائیل دیکنس ارزیابی کردند.
در مجموع، داده‌های این سه مجموعه اصلی شامل بیش از ۳۸ هزار بیمار بود. پژوهشگران ارتباط امتیاز خروجی مدل با پیامدهای قلبی‌عروقی را بررسی کردند و عواملی مانند سن، جنسیت، شاخص توده بدنی، سیگار کشیدن، فشار خون بالا، دیابت و برخی شاخص‌های خواب را نیز در تحلیل آماری در نظر گرفتند. نتایج نشان داد که خروجی مدل، حتی پس از در نظر گرفتن این عوامل، همچنان با خطر بلندمدت برخی بیماری‌ها ارتباط دارد.
پیش‌بینی نارسایی قلبی؛ یکی از امیدوارکننده‌ترین نتایج
یکی از یافته‌های مهم پژوهش به نارسایی قلبی مربوط می‌شود؛ وضعیتی که در آن قلب نمی‌تواند خون مورد نیاز بدن را به‌خوبی پمپاژ کند. در دو گروه مستقل از بیماران، افرادی که امتیاز بالاتری از مدل هوش مصنوعی گرفتند، به‌ترتیب حدود ۱٫۶۹ و ۲٫۳۳ برابر بیشتر در معرض خطر نارسایی قلبی بودند. این اعداد نشان می‌دهند که امتیاز بالاتر مدل با خطر بیشتر بروز نارسایی قلبی در آینده ارتباط دارد؛ اما به معنای افزایش قطعی احتمال ابتلا برای هر فرد نیستند.
مدل در پیش‌بینی فیبریلاسیون دهلیزی و مرگ به هر علت نیز نتایج امیدوارکننده‌ای نشان داد. در مقابل، افزودن خروجی مدل به عوامل خطر شناخته‌شده، بهبود معناداری در پیش‌بینی سکته مغزی و حمله قلبی ایجاد نکرد. به همین دلیل، عملکرد این روش را نباید برای تمام بیماری‌های بررسی‌شده یکسان دانست.
آیا این فناوری به تشخیص زودهنگام بیماری‌های قلبی کمک می‌کند؟
اهمیت این پژوهش در آن است که اساساً اطلاعات ثبت‌شده هنگام آزمایش خواب ممکن است نشانه‌هایی از خطر بیماری‌های قلبی آینده را در خود داشته باشند؛ حتی اگر هدف اولیه آزمایش، بررسی اختلالات خواب باشد. در صورت تأیید نتایج در مطالعات بیشتر، این روش می‌تواند در آینده به‌عنوان ابزاری کمکی برای شناسایی افراد پرخطر و ارجاع آن‌ها به بررسی‌های پزشکی دقیق‌تر به کار رود.
بااین‌حال، یک نکته مهم وجود دارد: مدل برای برآورد خطر ده‌ساله طراحی شده است، اما این به معنای تأیید تمام پیش‌بینی‌ها طی ده سال نیست. حداکثر دوره پیگیری در مجموعه بیمارستان دانشگاه اموری ۱۰ سال و در مجموعه مرکز پزشکی بث اسرائیل دیکنس ۷ سال بود. همچنین، پژوهشگران بیماری‌ها را نه با معاینه دقیق که بر اساس کدهای ثبت‌شده در پرونده‌های پزشکی بیماران شناسایی کردند؛ بنابراین، احتمال دارد بعضی از بیماری‌ها به‌درستی ثبت یا تشخیص داده نشده باشند.
این فناوری هنوز جایگزین روش‌های استاندارد تشخیص بیماری‌های قلبی نیست و پیش از استفاده بالینی به اعتبارسنجی بیشتر نیاز دارد. با وجود این محدودیت‌ها، پژوهش نشان می‌دهد که هوش مصنوعی می‌تواند اطلاعات ارزشمندی را از داده‌های معمول پزشکی استخراج کند و در آینده به شناسایی بهتر افراد در معرض خطر بیماری‌های قلبی کمک کند. برای خواندن اخبار بیشتر در حوزه تکنولوژی، به آداک مگ سر بزنید.
گفت‌وگو درباره این نوشته
تجربه و دیدگاه خود را با دیگر خوانندگان به اشتراک بگذارید.
اولین نفری باشید که درباره این نوشته نظر می‌دهد.