پیشبینی میزان بقای بیماران قلبی با کمک هوش مصنوعی
پژوهشگران ˮدانشگاه جانز هاپکینزˮ، نوعی روش یادگیری عمیق را ابداع نموده اند که می تواند میزان بقای بیماران قلبی را پیش بینی نماید.
به گزارش دیجیتالر به نقل از ایسنا و به نقل از نیوز مدیکال نت، 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 در رابطه با آریتمی استفاده کردند.
"مرگ ناگهانی قلب در رابطه با آریتمی"(SCDA)، یکی از علل اصلی مرگ و میر در سرتاسر جهان است. "دستگاه های کاردیوورتر قابل کاشت"(ICD)، مرگ ناگهانی در رابطه با آریتمی را به صورت مؤثری خنثی می کنند. یافته های این پژوهش، بر نیاز حیاتی به روش های دقیق و ارزان ارزیابی خطر آریتمی تاکید می کنند تا این مشکل بزرگ سلامتی عمومی را کاهش دهند.
علاوه بر این، شواهد موجود نشان می دهند که مدلهای محاسباتی بعنوان ابزار غربالگری مرحله اول، در یک جمعیت بزرگ بی اثر هستند. تصاویر به دست آمده از قلب که توزیع جای زخم را نشان می دهند و متغیرهای بالینی معمولی را در خود جای داده اند، امکان دارد بر این محدودیت ها غلبه کنند و احتمال مرگ ناگهانی در رابطه با آریتمی در بیمار را در عرض چند ثانیه و به صورت دقیق عرضه کنند.
پژوهشگران در این پروژه، یک راهبرد منحصر به فرد را برای افراد مبتلا به بیماری ایسکمیک قلبی عرضه کرده اند که خطر مرگ ناگهانی در رابطه با آریتمی را پیشبینی می کند. این روش جدید که "SSCAR" نام دارد، تجزیه و تحلیل شبکه های عصبی را برای تخمین میزان بقای فردی در بیماری عروق کرونری ترکیب می کند و متغیرهای بالینی و "تصویربرداری تشدید مغناطیسی قلبی-عروقی" (CMR) را به کار می برد. روش SSCAR توانست زمان بقای بیمار را به صورت فردی پیش بینی نماید.
علاوه بر این، تعمیم پذیری و عملکرد بالای یادگیری ماشینی، با استفاده از داده های چند مرکزی و یک مجموعه آزمون جداگانه ارزیابی شد. روش SSCAR از دو شبکه عصبی تشکیل شده است.
۱) یک سیستم سه بعدی با استفاده از تصاویر خامی که توزیع اسکارهای ناشی از بیماری های قلبی را به تصویر می کشد.
۲) یک شبکه یکپارچه متراکم که روی متغیرهای بالینی کار می کند.
پژوهشگران خاطرنشان کردند که منحنی های بقای پیشبینی شده با این روش، برآوردهای دقیقی را برای حدود ۱۰ سال عرضه می دهند و امکان ارزیابی عدم قطعیت پیشبینی را فراهم می کنند. یافته های حاصل از یک مجموعه آزمون مستقل و داده های 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 انعطاف پذیر است که می تواند ارتباطات متقابل پیچیده را ثبت کند، بلکه یک مدل قوی به علت روش شناسی آماری خود است که نحوه ادغام این خصوصیت ها را برای مطابقت با داده های در ارتباط با بقا نشان داده است. این روش، به یک مشکل عمده شناخته شده شبکه های عصبی یعنی اعتماد بیش از حد به پیشبینی های نادرست می پردازد.
روش کنونی به صورت خودکار، خصوصیت هایی را پیدا می کند که بهترین مدل و پیشبینی را نشان می دهند. روش SSCAR، یک الگوی پیشبینی خطر مرگ ناگهانی در رابطه با آریتمی است که تصاویر خام را با سایر منابع داده ترکیب می کند. این سیستم، از تصاویر و عامل های بالینی طی یک روش یادگیری یکپارچه استفاده می نماید و به داده های مختلف امکان می دهد تا نمونه ابتدایی بقای کلی را نشان دهند.
یافته های این پژوهش نشان داد که روش پژوهشگران، یک تغییر اساسی در راهبرد تحلیل خطر آریتمی به شمار می رود؛ چونکه SSCAR از اطلاعات جهت بررسی مستقیم عدم قطعیت در پیشبینی های خود استفاده می نماید. این روش که ورودی آن تصاویر خام قلب است، بهتر از مدلهای بقای معمولی عمل می کند که با استفاده از متغیرهای بالینی ساخته شده اند. این روش می تواند با عرضه برآوردهای قابل تعمیم و دقیق در مورد احتمال بقای بیمار، تصمیم گیری در مورد درمان را متحول کند.
پژوهشگران مطمئن هستند که SSCAR می تواند به صورت قابل توجهی بر تصمیم گیری بالینی در مورد خطر آریتمی تاثیر بگذارد.
این پژوهش در مجله "Nature Cardiovascular Research" به چاپ رسید.
منبع: دیجیتالر
این مطلب را می پسندید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب