نارسایی قلبی میلیون ها نفر را در سراسر جهان تحت تأثیر قرار می دهد، به همین دلیل شناسایی و کنترل این عوارض نقش مهمی در کاهش مرگ و میر جوامع دارد. به تازگی محققان چندین مدل یادگیری ماشینی را با استفاده از یک مجموعه داده بزرگ و مبتنی بر جمعیت آموزش داده‌اند تا پنج نوع فرعی نارسایی قلبی را شناسایی کنند که ممکن است به درمان، آموزش و پیش‌بینی عوامل خطر کمک کند.
به گزارش سیناپرس، نارسایی قلبی، یک اصطلاح کلی است که برای توصیف زمانی که قلب به اندازه کافی و به میزان موثر خون را پمپ نمی کند تا نیاز های بدن به خون و اکسیژن را برآورده کند، استفاده می شود. این نارسایی می تواند توسط چندین عامل زمینه ای موثر بر درمان این بیماری ایجاد شود. مطالعات انجام شده نشان می دهد: عوامل خطر نارسایی قلبی شامل بیماری عروق کرونر و حملات قلبی، دیابت، فشار خون بالا، اضافه وزن و چاقی و بیماری دریچه های قلب است.
به طور سنتی، انواع مختلف نارسایی قلبی بر اساس میزان خونی که بطن چپ قلب با هر انقباض به بیرون رانده می‌شود، طبقه بندی می‌شود. اما نتایج یک مطالعه مبتنی بر یادگیری ماشینی در سوئد نشان داد: بررسی خون خروجی از بطن میزان نارسایی قلبی را پیش بینی نمی کند.
به تازگی، محققان دانشگاه کالج لندن از چهار مدل یادگیری ماشینی برای ایجاد چارچوبی برای تعیین زیرشاخه‌های نارسایی قلبی استفاده کرده اند که ممکن است به درمان و تعیین خطر این حوزه کمک کند.
طی این مطالعات، محققان داده های سوابق سلامت الکترونیکی ناشناس بیش از ۳۰۰ هزار بیمار بریتانیایی را که در طول ۲۰ سال مبتلا به نارسایی قلبی تشخیص داده شده بودند، بررسی کردند. داده ها از دو مجموعه داده بزرگ مراقبت های اولیه که نماینده جمعیت بریتانیا هستند گرفته شده است.
آمیتاوا بانرجی، نویسنده اصلی این مطالعه، در رابطه با این موضوع گفت: ما به دنبال بهبود نحوه طبقه بندی نارسایی قلبی با هدف درک بهتر دوره احتمالی بیماری و انتقال آن به بیماران بودیم. در حال حاضر، پیش‌بینی چگونگی پیشرفت بیماری برای هر فرد به طور مجزا دشوار است. برخی از افراد برای سال های طولانی مقاوم خواهند بود، در حالی که شرایط برخی دیگر به سرعت بدتر می شوند.
به گزارش سیناپرس، به همین دلیل محققان از چهار مدل برای جداسازی موارد نارسایی قلبی به گروه‌ها استفاده کردند. در این روش پس از آموزش هوش مصنوعی با استفاده از بخش هایی از داده ها، مدل ها بر اساس ۸۷ عامل از ۶۳۵ عامل ممکن، شامل سن، علائم، وجود سایر بیماری‌ها، داروهایی که بیمار مصرف می کرد، پارامتر های سلامتی مانند فشار خون و نتایج آزمایش ها، پنج زیر گروه را تشخیص دادند.
در ادامه پنج زیرگروه با توجه به ویژگی های خاص توسط هوش مصنوعی خوشه بندی شدند و محققان دریافتند: خطر مرگ در سال پس از تشخیص بیماری بین انواع گروه های فرعی شناسایی شده متفاوت است. محققان معتقدند: یافته های این مطالعه می تواند برای بهبود درمان نارسایی قلبی استفاده شود.
به این ترتیب محققان اپلیکیشنی را بر اساس رویکرد یادگیری ماشینی خود توسعه دادند که پزشکان می تواند از آن برای تعیین زیرشاخه های مرتبط با بیماری های قلبی و عروقی افراد استفاده کنند.
به گزارش سیناپرس، شرح کامل این مطالعه در آخرین شماره مجله تخصصی مجله The Lancet Digital Health منتشر شده است.
مترجم: رضوان خندان
No tags for this post.