پنج نوع نارسایی قلبی با استفاده از ابزارهای هوش مصنوعی شناسایی شد

به گزارش سیناپرس همدان، در یک مطالعه جدید به سرپرستی محققان UCL، پنج زیرگروه نارسایی قلبی که به طور بالقوه می‌توانند برای پیش‌بینی خطر در آینده برای بیماران مورد استفاده قرار گیرند، شناسایی شده‌اند.

نارسایی قلبی یک اصطلاح کلی برای زمانی است که قلب قادر به پمپاژ صحیح خون در بدن نیست. روش های کنونی طبقه بندی نارسایی قلبی به طور دقیق و چگونگی پیشرفت بیماری را پیش بینی نمی کند.

برای این مطالعه که در The Lancet Digital Health منتشر شده است، محققان اطلاعات دقیق بیماران ناشناس بیش از 300000 فرد 30 ساله یا بالاتر را که در مدت 20 سال در بریتانیا مبتلا به نارسایی قلبی تشخیص داده شده بودند، بررسی کردند.

آنها با استفاده از چندین روش یادگیری ماشینی، پنج زیرگروه را شناسایی کردند: شروع زودرس، شروع دیررس، فیبریلاسیون دهلیزی مرتبط (فیبریلاسیون دهلیزی وضعیتی است که باعث ریتم نامنظم قلب می شود)، متابولیک (مرتبط با چاقی اما با نرخ پایین بیماری قلبی عروقی)، و متابولیک قلبی (مرتبط با چاقی و بیماری های قلبی عروقی).

محققان تفاوت‌هایی بین زیرگروه‌ها در خطر مرگ بیماران در سال های پس از تشخیص را 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%).

تیم تحقیقاتی همچنین اپلیکیشنی را توسعه دادند که پزشکان به طور بالقوه می توانند از آن برای تعیین زیرشاخه افراد مبتلا به نارسایی قلبی استفاده کنند، که ممکن است به طور بالقوه پیش بینی خطرات آینده را بهبود بخشد و به راهنمایی بیماران کمک کند.

پروفسور آمیتاوا بانرجی (موسسه انفورماتیک سلامت UCL) گفت: ما به دنبال بهبود نحوه طبقه بندی نارسایی قلبی با هدف درک بهتر دوره احتمالی بیماری و اطلاع رسانی این موضوع به بیماران بودیم. در حال حاضر، پیش بینی چگونگی پیشرفت بیماری برای بیماران به سختی امکان پذیر است. بیماری برخی از افراد برای سال های طولانی در حالت پایدار خواهند بود، در حالی که برخی دیگر به سرعت بدتر می شوند.

تمایز بهتر بین انواع نارسایی قلبی همچنین ممکن است منجر به درمان های هدفمندتر شود و ممکن است به ما کمک کند تا به روشی متفاوت در مورد درمان های بالقوه فکر کنیم.

در این مطالعه جدید، ما پنج زیرگروه قوی را با استفاده از چندین روش یادگیری ماشینی و مجموعه داده‌های متعدد شناسایی کردیم.

گام بعدی این است که ببینیم آیا این روش طبقه‌بندی نارسایی قلبی می‌تواند تفاوت عملی برای بیماران ایجاد کند یا خیر، اینکه 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 هست یا نه. اپلیکیشنی که ما طراحی کرده‌ایم باید در یک کارآزمایی بالینی یا تحقیقات بیشتر مورد ارزیابی قرار گیرد، اما می‌تواند به مراقبت‌های معمول کمک کند.

برای جلوگیری از سوگیری از یک روش یادگیری ماشینی، محققان از چهار روش جداگانه برای گروه‌بندی موارد نارسایی قلبی استفاده کردند. آن‌ها این روش‌ها را برای داده‌های دو مجموعه داده بزرگ مراقبت‌های اولیه بریتانیا، که نماینده کل جمعیت بریتانیا بودند و همچنین به بستری شدن در بیمارستان و سوابق مرگ مرتبط بودند، اعمال کردند. (مجموعه داده‌ها عبارت بودند از پیوند داده‌های تحقیقات بالینی (CPRD) و شبکه بهبود سلامت (THIN) که سال‌های 1998 تا 2018 را پوشش می‌دادند.)

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.

زیرگروه‌ها بر اساس 87 (از 635) عامل از جمله سن، علائم، وجود سایر شرایط، داروهایی که بیمار مصرف می‌کرد و نتایج آزمایش‌ها (مثلاً فشار خون) و ارزیابی‌ها (مثلاً عملکرد کلیه) طبقه بندی شدند.

این تیم همچنین داده های ژنتیکی 9573 فرد مبتلا به نارسایی قلبی را از مطالعه Biobank انگلستان مورد بررسی قرار دادند. آنها ارتباطی بین زیرگروه‌های خاص نارسایی قلبی و نمرات خطر پلی ژنیک بالاتر (نمرات خطر کلی ناشی از ژن‌ها) برای شرایطی مانند فشار خون بالا و فیبریلاسیون دهلیزی پیدا کردند.

منبع: The Lancet Digital Health

مترجم: سید سپهر ارومیهء