مطالعه جدیدی که توسط محققان دانشگاه UCL (دانشگاه کالج لندن) انجام شد، پنج زیرگروه متمایز نارسایی قلبی را شناسایی کرد که احتمالاً میتواند برای پیشبینی میزان خطر در بیماران مورد استفاده قرار گیرد.
به گزارش تکناک، نارسایی قلبی یک اصطلاح گسترده است که نشان دهنده نارسایی قلب برای گردش موثر خون در سراسر بدن است. با این حال، روش های طبقه بندی فعلی به طور دقیق چگونگی پیشرفت این بیماری را پیش بینی نمی کنند.
مطالعهای که اخیراً در مجله Lancet Digital Health منتشر شده است، دادههای ناشناس دقیق از بیش از 300هزار فرد 30 ساله و بالاتر را که در مدت 20 سال به نارسایی قلبی در بریتانیا تشخیص داده شده بودند، تجزیه و تحلیل کرد.
محققان با استفاده از تکنیکهای مختلف یادگیری ماشینی، پنج زیرگروه متمایز از این بیماری را مشخص کردند: شروع زودرس، شروع دیررس، فیبریلاسیون دهلیزی مرتبط (شرایطی که باعث نامنظم شدن ریتم قلب میشود)، متابولیک (مرتبط با چاقی اما بروز کم بیماری قلبی عروقی) و کاردیومتابولیک (مرتبط با چاقی و بیماری قلبی عروقی).
محققان تفاوتهایی بین زیرگروهها در خطر مرگ بیماران در سال پس از تشخیص پیدا کردند. خطرات تمام علل مرگ و میر در یک سال عبارت بودند از: شروع زودرس (20٪)، شروع دیررس (46٪)، فیبریلاسیون دهلیزی (61٪)، متابولیک (11٪)، و متابولیک قلبی (37٪.
همچنین تیم تحقیقاتی اپلیکیشنی را توسعه دادند که پزشکان به طور موثر می توانند از آن برای تعیین زیرشاخه افراد مبتلا به نارسایی قلبی استفاده کنند، که ممکن است این کار پیش بینی خطرات آینده را بهبود بخشد و به بحث با بیماران کمک کند.
پروفسور آمیتاوا بانرجی، نویسنده اصلی این مقاله گفت: ما به دنبال بهبود نحوه طبقهبندی نارسایی قلبی، با هدف درک بهتر دوره احتمالی بیماری و انتقال آن به بیماران بودیم. در حال حاضر، پیش بینی چگونگی پیشرفت بیماری برای بیماران به سختی امکان پذیر است. برخی از افراد برای چندین سال با وجود این بیماری پایدار خواهند بود، در حالی که وضعیت برخی دیگر به سرعت بدتر می شوند.
وی ادامه داد: تمایز بهتر بین انواع نارسایی قلبی نیز ممکن است منجر به درمانهای هدفمندتر شود و ممکن است به ما کمک کند تا به روشی متفاوت درباره درمانهای موثر فکر کنیم. در این مطالعه جدید، ما پنج زیرگروه قوی را با استفاده از چندین روش یادگیری ماشینی و مجموعه دادههای متعدد، شناسایی کردیم.
وی افزود: گام بعدی این است که ببینیم آیا این روش طبقهبندی نارسایی قلبی میتواند تفاوت عملی برای بیماران ایجاد کند؛ یعنی آیا پیشبینی خطر و کیفیت اطلاعاتی که پزشکان ارائه میدهند را بهبود میبخشد و آیا درمان بیماران را تغییر میدهد یا خیر. ما همچنین باید بدانیم که آیا این کار مقرون به صرفه است یا خیر. اپلیکیشنی که ما طراحی کردهایم باید در یک آزمایش بالینی یا تحقیقات بیشتر مورد ارزیابی قرار گیرد، اما میتواند به درمان های معمول هم کمک کند.
برای جلوگیری از سوگیری از یک روش یادگیری ماشینی، محققان از چهار روش جداگانه برای گروهبندی موارد نارسایی قلبی استفاده کردند. تیم تحقیقاتی ابزارهای یادگیری ماشین را بر روی بخشهایی از دادهها آموزش دادند و پس از انتخاب قویترین زیرشاخهها، این گروهبندیها را با استفاده از یک مجموعه داده جداگانه اعتبارسنجی کردند.
زیرگروه ها بر اساس 87 از 635 فاکتور از جمله سن، علائم، وجود سایر بیماری ها، داروهایی که بیمار مصرف می کرد و نتایج آزمایش ها (به عنوان مثال، فشار خون) و ارزیابی ها مثلا عملکرد کلیه، تقسیم بندی شدند.
همچنین تیم تحقیقاتی داده های ژنتیکی 9573 فرد مبتلا به نارسایی قلبی را از مطالعه Biobank انگلستان مورد بررسی قرار دادند. آنها ارتباطی بین انواع خاص نارسایی قلبی و میزان خطر پلی ژنیک بالاتر (میزان خطر کلی ناشی از ژن ها) برای بیماری هایی مانند فشار خون بالا و فیبریلاسیون دهلیزی پیدا کردند.
دیدگاهها 1