پیش بینی خطر مرگ با کشف یک نشانه پنهان در نوار قلب

قلب انسان روزانه حدود ۱۰۰ هزار بار میتپد؛ ضرباهنگی حیاتی که ادامه زندگی به آن وابسته است. با این حال، گاهی فعالیت الکتریکی قلب بهطور ناگهانی دچار اختلال میشود و فرد بدون هشدار قبلی، دچار ایست قلبی و مرگ ناگهانی میشود. اکنون پژوهشگران با کمک هوش مصنوعی، نشانهای پنهان در نوار قلب شناسایی کردهاند که ممکن است به پیشبینی این اتفاق کمک کند.
به گزارش سیناپرس به نقل از ساینسآلرت، سالانه بیش از ۳۵۰ هزار نفر در آمریکا دچار ایست قلبی ناگهانی و غیرمنتظره میشوند و بسیاری از آنها پیش از رسیدن به بیمارستان جان خود را از دست میدهند. مرگ ناگهانی قلبی معمولاً به مرگی گفته میشود که در فاصله زمانی کوتاهی پس از بروز علائم و بر اثر یک علت قلبی رخ میدهد. برآوردها نشان میدهد این عارضه سالانه جان صدها هزار نفر را در آمریکا میگیرد و ممکن است مسئول حدود ۱۵ درصد از مرگومیرها در سراسر جهان باشد.
یکی از راههای پیشگیری از این اتفاق، استفاده از دستگاههای دفیبریلاتور قابل کاشت است. این دستگاهها میتوانند برخی اختلالات خطرناک ریتم قلب را شناسایی و با ارسال شوک الکتریکی، ضربان قلب را به وضعیت طبیعی بازگردانند. با این حال، چالش اصلی پزشکان تشخیص افرادی است که واقعاً به این دستگاهها نیاز دارند.
در حال حاضر، یکی از معیارهای رایج برای ارزیابی خطر، اندازهگیری «کسر جهشی بطن چپ» یا LVEF است. این شاخص با استفاده از تصویربرداری سونوگرافی قلب، میزان خونی را که بطن چپ در هر ضربان به بیرون پمپ میکند، ارزیابی میکند. با وجود کاربرد این روش، LVEF بسیاری از افرادی را که بعدها دچار مرگ ناگهانی قلبی میشوند شناسایی نمیکند و در مقابل، برخی افراد را پرخطر تشخیص میدهد که ممکن است هرگز به دفیبریلاتور نیاز پیدا نکنند.
هوش مصنوعی چگونه خطر مرگ ناگهانی قلبی را شناسایی کرد؟
در پژوهشی که نتایج آن در نشریه Nature منتشر شده است، گروهی از دانشمندان به سرپرستی زیاد اوبرمایر، پزشک و پژوهشگر هوش مصنوعی در دانشگاه کالیفرنیا، برکلی، یک مدل یادگیری عمیق را برای شناسایی الگوهای الکتریکی مرتبط با مرگ ناگهانی قلبی آموزش دادند.
این مدل با استفاده از بیش از ۴۴۰ هزار نوار قلب ثبتشده در سوئد آموزش دید. سپس عملکرد آن با دادههای نوار قلب نزدیک به ۱۴۰ هزار بیمار در آمریکا و همچنین گروه کوچکتری از بیماران در تایوان ارزیابی شد.
نوار قلب یا ECG روشی نسبتاً کمهزینه و غیرتهاجمی است که فعالیت الکتریکی قلب را از طریق الکترودهای قرارگرفته روی پوست ثبت میکند. پژوهشگران معتقدند ترکیب این روش در دسترس با توانایی هوش مصنوعی در شناسایی الگوهای پیچیده میتواند به تشخیص خطرهایی کمک کند که در بررسیهای معمول از چشم پزشکان پنهان میمانند.
نتایج بررسی دادههای سوئد نشان داد مدل هوش مصنوعی حدود ۲.۲ درصد از افراد را در گروه پرخطر قرار داده است. در این گروه، احتمال وقوع مرگ ناگهانی قلبی طی یک سال بعد حدود ۷ درصد بود. در مقابل، روش مبتنی بر LVEF تنها ۱.۹ درصد از افراد را پرخطر شناسایی کرد و میزان وقوع این اتفاق در میان آنها ۴.۶ درصد بود.
نکته مهم این بود که دو روش تا حد زیادی افراد متفاوتی را شناسایی میکردند. به گفته پژوهشگران، شاخص LVEF نتوانسته بود ۸۶.۱ درصد از افرادی را که مدل هوش مصنوعی در گروه پرخطر قرار داده بود، شناسایی کند. این موضوع نشان میدهد تحلیل هوشمند نوار قلب ممکن است گروهی از بیماران را آشکار کند که روشهای متداول ارزیابی خطر از شناسایی آنها ناتواناند.
کشف یک الگوی الکتریکی ناشناخته در قلب
یافته مهم دیگر این پژوهش، شناسایی ویژگی تازهای در شکل موجهای نوار قلب بود؛ الگویی که پیش از این توصیف نشده بود و بهطور مستقل با خطر مرگ ناگهانی قلبی ارتباط داشت.
پژوهشگران با استفاده از یک مدل هوش مصنوعی دیگر، الگوهای الکتریکی مرتبط با خطر بالاتر را بررسی کردند و متوجه ویژگیای شدند که آن را «افت شیبدار و محوشده» یا Slurred Downstroke نامیدند. این ویژگی در شکل موج نوار قلب افراد پرخطر دیده میشد.
به گفته محققان، این تغییر ممکن است با فیبروز یا ایجاد بافت اسکار در عضله قلب ارتباط داشته باشد. فیبروز میتواند انتقال پیامهای الکتریکی در قلب را مختل کند و زمینهساز بروز اختلالات خطرناک ریتم قلب شود. البته سازوکار دقیق این ارتباط هنوز به بررسیهای بیشتری نیاز دارد.
پژوهشگران همچنین دریافتند در میان افراد شناساییشده بهعنوان پرخطر توسط هوش مصنوعی، بیمارانی که دفیبریلاتور قابل کاشت داشتند، در مقایسه با میزان آماری مورد انتظار، نرخ مرگ ناگهانی قلبی ۵۴.۴ درصد پایینتری داشتند. این یافته احتمال نقش پیشگیرانه این دستگاهها را در چنین گروهی مطرح میکند؛ با این حال، مطالعه از نوع مشاهدهای بوده و نمیتواند ثابت کند که استفاده از دستگاهها مستقیماً باعث کاهش مرگومیر شده است.
نوار قلب؛ منبعی قدیمی با اطلاعاتی تازه
چانگشین لای، مهندس زیستپزشکی دانشگاه جانز هاپکینز که در این پژوهش مشارکت نداشته، در یادداشتی درباره این مطالعه تأکید کرده است که نوار قلب بیش از یک قرن است در پزشکی مورد استفاده قرار میگیرد، اما تحلیل دادهها با ابزارهای یادگیری ماشین میتواند پیامهایی را آشکار کند که تاکنون شناسایی نشدهاند.
با وجود نتایج امیدوارکننده، این روش هنوز برای استفاده گسترده در تصمیمگیریهای درمانی به اعتبارسنجی و بررسیهای بالینی بیشتری نیاز دارد. اگر پژوهشهای آینده دقت و کارایی آن را تأیید کنند، تحلیل هوشمند نوار قلب میتواند به ابزاری مکمل برای شناسایی افراد در معرض خطر مرگ ناگهانی قلبی و انتخاب دقیقتر بیماران نیازمند دفیبریلاتور تبدیل شود.





