پیش بینی شایع‌ترین اختلال ریتم قلب با هوش مصنوعی

تحقیقات جدید نشان داده است که هوش مصنوعی آموزش‌دیده بر روی داده‌های ساده ضربان قلب می‌تواند یک قسمت از شایع‌ترین اختلال ریتم قلب یعنی فیبریلاسیون دهلیزی را 30 دقیقه قبل از وقوع پیش‌بینی کند.

به گزارش تکناک، این هوش مصنوعی با برنامه ریزی برای گنجاندن در تلفن‌های هوشمند به‌طوری که بتواند داده‌های یک ساعت هوشمند را تجزیه و تحلیل کند، به عنوان یک سیستم هشدار اولیه عمل می‌کند.

شایع ترین اختلال ریتم قلب که فیبریلاسیون دهلیزی (AF) نام دارد، به‌طور قابل توجهی مراجعات بخش اورژانس و خطر ابتلا به بیماری های دیگر مانند سکته مغزی و زوال عقل را افزایش می‌دهد. این عارضه زمانی اتفاق می‌افتد که حفره‌های فوقانی قلب (دهلیزها) به‌طور آشفته‌ای می‌کوبند و با حفره‌های پایینی (بطن‌ها) هماهنگ نیستند و یک ریتم قلبی نامنظم و اغلب بسیار سریع ایجاد می‌کنند.

بازگرداندن بیمار از فیبریلاسیون دهلیزی به ریتم منظم سینوسی می‌تواند به مداخلات فشرده‌ای مانند کاردیوورژن یا وارد کردن شوک کم انرژی برای بازنشانی سیستم هدایت قلب، نیاز داشته باشد. بنابراین، تشخیص یک قسمت از فیبریلاسیون دهلیزی قبل از وقوع، مداخلات اولیه را امکان پذیر می‌کند و ممکن است نتایج بیمار را بهبود بخشد.

اخیرا محققان مرکز سیستم‌های زیست‌پزشکی لوکزامبورگ (LCSB) در دانشگاه لوکزامبورگ مطالعه‌ای را منتشر کرده‌اند که در آن یک مدل یادگیری عمیق را برای پیش‌بینی دقیق و 30 دقیقه زودتر از زمان وقوع فیبریلاسیون دهلیزی، آموزش داده‌اند.

در حال حاضر، الکتروکاردیوگرافی (ECG) فقط می‌تواند فیبریلاسیون دهلیزی را درست قبل از وقوع آن تشخیص دهد، بنابراین نمی‌توان آن را به عنوان یک سیستم هشدار اولیه در نظر گرفت.

خورخه گونکالوز، نویسنده مسئول این مطالعه گفت: ما از داده‌های ضربان قلب برای آموزش یک مدل یادگیری عمیق استفاده کردیم که می‌تواند مراحل مختلف مانند ریتم سینوسی، فیبریلاسیون دهلیزی و فیبریلاسیون دهلیزی را تشخیص دهد و احتمال خطر ابتلا به یک دوره قریب‌الوقوع فیبریلاسیون دهلیزی را محاسبه کند.

این مدل هوش مصنوعی که WARN (Warning of Atrial fibRillationN) نام دارد، بر روی ضبط 24 ساعته ECG که از 350 بیمار در بیمارستان تونگجی چین جمع‌آوری شده بود، آموزش و آزمایش شد. داده‌ها توسط متخصصین قلب به عنوان ریتم سینوسی، پیش از فیبریلاسیون دهلیزی و پس از وقوع آن طبقه بندی شدند. برای آموزش مدل برای تشخیص علائم پیش از فیبریلاسیون دهلیزی، محققان از تنوع در فاصله بین امواج R (RRI) در ECG به عنوان منبع اصلی داده استفاده کردند.

با گرفتن نمونه‌‌های RRI  30 ثانیه‌ای ، این مدل یادگیری عمیق احتمال قریب الوقوع فیبریلاسیون دهلیزی را محاسبه کرد. در داده‌های آزمایش (70 بیمار) و دو مجموعه اعتبارسنجی خارجی (33 بیمار)، WARN  شروع فیبریلاسیون دهلیزی را به‌طور متوسط 31 دقیقه و 33 دقیقه قبل، به ترتیب با دقت 83 و 73 درصد پیش‌بینی کرد.

مارینو گاویدیا، نویسنده اول این مطالعه گفت: مدل ما با استفاده از فواصل  R-to-R اساساً فقط داده‌های ضربان قلب هستند، عملکرد بالایی دارد که می‌توان آن را از ضبط‌کننده‌های سیگنال پالس ساده و مقرون به صرفه مانند ساعت‌های هوشمند دریافت کرد.

محققان پیش‌بینی می‌کنند که این دستگاه در تلفن‌های هوشمند برای پردازش داده‌های به‌دست‌آمده از یک ساعت هوشمند استفاده خواهد کرد. هدف درازمدت این است که بیماران بتوانند به‌طور مداوم ریتم قلب خود را کنترل کنند و از این هوش مصنوعی به اندازه کافی هشدار دریافت کنند تا بتوانند از درمان هایی مانند داروهای ضد آریتمی خوراکی برای جلوگیری از شروع فیبریلاسیون دهلیزی استفاده کنند. این فناوری را حتی می‌توان شخصی‌سازی کرد.

گاویدیا گفت: ما بر روی توسعه مدل‌های شخصی‌سازی شده تمرکز خواهیم کرد. استفاده روزانه از یک ساعت هوشمند ساده دائماً اطلاعات جدیدی در مورد پویایی قلب شخص ارائه می‌کند و ما را قادر می‌سازد تا مدل خود را به‌طور مداوم اصلاح کنیم و مجدداً آموزش دهیم تا با هشدارهای قبلی حتی به عملکرد بهتری دست یابد. در نهایت، این رویکرد می‌تواند منجر به آزمایش‌های بالینی جدید و مداخلات درمانی نوآورانه شود.

این مطالعه در مجله Patterns منتشر شد.