محققان چندین مدل یادگیری ماشینی را با استفاده از داده بزرگ و مبتنی بر جمعیت آموزش داده‌اند تا 5 نوع فرعی نارسایی قلبی را شناسایی کنند.
به گزارش تکناک، این کار ممکن است به درمان، دادن آموزش های لازم به بیمار و پیش‌بینی عوامل خطرناک در آینده کمک کند.
نارسایی قلبی میلیون‌ها نفر را در سراسر جهان تحت تأثیر قرار می‌دهد، اما می‌تواند ناشی از عوامل متعددی باشد که نیاز به درمان‌های متفاوتی دارد.
«نارسایی قلبی» یک اصطلاح کلی برای توصیف زمانی است که قلب به اندازه کافی و به طور موثر، پمپاژ نمی‌کند تا نیازهای بدن به خون و اکسیژن را برآورده کند. عوامل خطرناک نارسایی قلبی شامل بیماری عروق کرونر و حملات قلبی، دیابت، فشار خون بالا، اضافه وزن و چاقی و مشکلات دریچه قلب است.
انواع مختلف نارسایی قلبی بر اساس کسر جهشی بطن چپ (LVEF) که میزان خونی است که بطن چپ قلب با هر انقباض به بیرون می راند، طبقه‌بندی می‌شود. اما یک مطالعه مبتنی بر یادگیری ماشینی که در سال 2018 در سوئد انجام شد، نشان داد که LVEF میزان بقای فرد از نارسایی قلبی را پیش‌بینی نمی‌کند.
اکنون، محققان دانشگاه کالج لندن از چهار مدل یادگیری ماشینی برای ایجاد چارچوبی برای تعیین زیرشاخه‌های نارسایی قلبی استفاده کرده‌اند که ممکن است به درمان و تعیین عوامل خطرناک در آینده کمک کند.
محققان داده‌های سوابق سلامت ناشناس بیش از 300هزار بیمار بریتانیایی را که در طول 20 سال به نارسایی قلبی تشخیص داده شده بودند، بررسی کردند.
آمیتاوا بانرجی، نویسنده ارشد این مطالعه گفت: ما به دنبال بهبود نحوه طبقه بندی نارسایی قلبی، با هدف درک بهتر دوره احتمالی بیماری و اطلاع رسانی آن به بیماران بودیم. در حال حاضر، پیش بینی چگونگی پیشرفت این بیماری برای بیماران به سختی امکان پذیر است.
محققان از چهار مدل هوش مصنوعی برای جداسازی موارد نارسایی قلبی استفاده کردند. پس از آموزش با استفاده از بخش‌هایی از داده‌ها، مدل‌ها بر اساس 87 عامل از 635 عامل ممکن، شامل سن، علائم، وجود سایر بیماری‌ها، داروهایی که بیمار مصرف می‌کرد، پارامترهای سلامتی مانند فشار خون و نتایج آزمایش‌ها، پنج زیرگروه را تشخیص دادند.
پنج نوع گروه بر اساس ویژگی های خاص خود دسته بندی شده بودند. گروه اول که شروع زودرس نام داشت شامل جوانان با میزان کم عوامل خطرناک بود. گروه دوم که شروع دیرینه بود، شامل افراد بزرگسال، زنان و افرادی که دارو مصرف می کردند و بیماری قلبی عروقی داشتن، بود.
افراد مبتلا به فیبریلاسیون اُتر که یک حالت نامنظم در ضربان قلب است گروه سوم را تشکیل می دادند. گروه متابولیک شامل افراد چاق با میزان متوسط عوامل خطرناک ولی نرخ کم بیماری قلب و عروق بود. آخرین گروه که کاردیومتابولیک نام داشت، شامل افراد چاق با مصرف زیاد دارو، با میزان بالای عوامل خطرناک و بيماري های قلبي عروقي بود.
محققان متوجه شدند که خطر مرگ در سال تشخیص بیماری در هرگروه متفاوت است. در یک سال، خطر مرگ و میر ناشی از همه علل برای آنهایی که در زیرگروه مربوط به فیبریلاسیون دهلیزی بودند (61%) و پس از آن دیررس (46%)، متابولیک قلبی (37%)، شروع زودرس (20%) و متابولیک (20%) بود.
محققان می گویند که یافته های این مطالعه می تواند برای بهبود درمان نارسایی قلبی استفاده شود.
محققان اپلیکیشنی را بر اساس رویکرد یادگیری ماشینی خود توسعه دادند که پزشکان می توانند از آن برای گروه بندی مشکلات قلبی افراد استفاده کنند. می توان از این اپلیکیشن برای راهنمایی بیمار و بهبود پیش بینی خطرات آتی استفاده کرد.
