پیش بینی میزان بقای بیماران قلبی با کمک هوش مصنوعی

رمز من: 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 رمز من 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 پیش بینی 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 سراسر جهان است. "دستگاه های کاردیوورتر قابل کاشت"(ICD)، مرگ ناگهانی در رابطه با آریتمی را بطور 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، ممکنست بر این محدودیت ها غلبه کنند و احتمال مرگ ناگهانی در رابطه با آریتمی در بیمار را در عرض چند ثانیه و بطور دقیق عرضه کنند.
پژوهشگران در این پروژه، یک راهبرد منحصر به فرد را برای افراد مبتلا به بیماری ایسکمیک قلبی ارایه داده اند که خطر مرگ ناگهانی در رابطه با آریتمی را پیش بینی 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 بصورت فردی پیش بینی نماید.
علاوه بر این، تعمیم پذیری و عملکرد بالای یادگیری ماشینی، با بهره گیری 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 بهره گیری از تصاویر خامی که توزیع اسکارهای ناشی از بیماریهای 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 پیش بینی شده با این روش، برآوردهای دقیقی را برای حدود ۱۰ سال ارائه می دهند و امکان ارزیابی عدم قطعیت پیش بینی را فراهم می کنند. یافته های حاصل از یک مجموعه آزمون مستقل و داده های اعتبارسنجی داخلی به دست آمده از مراکز متعدد، فاکتورهای تطابق و نمرات ۱۰ ساله را نشان دادند.
نتایج این پژوهش نشان داد که روش SSCAR نه فقط یک مدل بسیار انعطاف پذیر است که می تواند ارتباطات متقابل پیچیده را ثبت کند، بلکه یک مدل قوی به سبب روش شناسی آماری خود است که نحوه ادغام این خاصیت ها را برای مطابقت با داده های مربوط به بقا نشان میدهد. این روش، به یک مشکل عمده شناخته شده شبکه های عصبی یعنی اعتماد بیش از حد به پیش بینی های نادرست می پردازد.
روش فعلی بطور خودکار، خاصیت هایی را پیدا می کند که بهترین مدل و پیش بینی را نشان می دهند. روش SSCAR، یک الگوی پیش بینی خطر مرگ ناگهانی در رابطه با آریتمی است که تصاویر خام را با سایر منابع داده ترکیب می کند. این سیستم، از تصاویر و شاخصهای 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؛ برای اینکه SSCAR از اطلاعات جهت بررسی مستقیم عدم قطعیت در پیش بینی های خود استفاده می نماید. این روش که ورودی آن تصاویر خام قلب است، بهتر از مدلهای بقای معمولی عمل می کند که با بهره گیری از متغیرهای بالینی تولید شده اند. این روش می تواند با ارائه 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 بطور قابل توجهی بر تصمیم گیری بالینی در مورد خطر آریتمی تأثیر بگذارد.
این پژوهش در مجله "Nature Cardiovascular Research" به چاپ رسید.

منبع: رمز من

1401/03/06

11:31:33

5.0 / 5

548

تگهای خبر: اطلاعات , تولید , شبكه , هوش مصنوعی

اگر مطلب را پسندیدید لایک کنید

(1)

(0)

تازه ترین مطالب مرتبط

نظرات بینندگان در مورد این مطلب

نظر شما در مورد این مطلب

نام:

ایمیل:

نظر:

سوال:

= ۹ بعلاوه ۱