هوش مصنوعی با بررسی ضربان قلب نامنظم، خطر مرگ را پیش‌بینی می‌کند
براساس نتایج دو مطالعه‌ی مقدماتی که به‌زودی در نشست انجمن قلب آمریکا ارائه خواهد شد، هوش مصنوعی می‌تواند از نتایج آزمایش نوار قلب یا الکتروکاردیوگرام (ECG) برای شناسایی بیمارانی استفاده کند که درمعرض خطر توسعه‌ی ضربان نامنظم قلب (آریتمی) یا مرگ طی سال آینده هستند.
پژوهشگران برای آموزش شبکه‌های عصبی عمیق که ساختارهای محاسباتی پیچیده و چندلایه هستند، از بیش از دو میلیون نتیجه‌ی ECG در سه دهه‌ی گذشته و اطلاعات موجود آن‌ها در پایگاه داده‌ی GHS آمریکا استفاده کردند.
دانشمندان خاطرنشان کردند، هر دو مطالعه که به‌دست یک گروه از پژوهشگران انجام شده است، از نخستین مطالعاتی به‌شمار می‌آیند که از هوش مصنوعی برای پیش‌بینی رویدادهای آینده براساس ECG و نه تشخیص مشکلات سلامتی فعلی بیمار استفاده می‌کنند. براندون فورنوالت، نویسنده‌ی ارشد هر دو مطالعه گفت:
این نتایج هیجان‌انگیز است و شواهد بیشتری را فراهم می‌کند که نشان می‌دهد ما در آستانه‌ی یک انقلاب پزشکی هستیم که در آن کامپیوترها در کنار پزشکان کار می‌کنند تا مراقبت از بیمار بهبود یابد.
پژوهشگران گمان می‌کردند که مدل یادگیری عمیق بتواند ریتم‌های نامنظم قلب را که با عنوان فیبریلاسیون دهلیزی (AF) شناخته می‌شود، قبل از توسعه پیش‌بینی کند. فیبریلاسیون دهلیزی با خطر بالاتر سکته و حمله‌ی قلبی همراه است. پژوهشگران با تمرکز روی ۱/۱ میلیون ECG، از سخت‌افزارهای محاسباتی بسیار تخصصی برای آموزش شبکه‌ی عصبی عمیق برای تجزیه‌و‌تحلیل ۱۵ قطعه از داده‌ها (۳۰ هزار نقطه‌داده) برای هر ECG استفاده کردند. پژوهشگران دریافتند، همان‌طور که شبکه‌ی عصبی پیش‌بینی کرده بود، از بین یک درصد بالای بیماران پرخطر، یک نفر از هر سه نفر طی یک سال مبتلا به AF تشخیص داده شده بود. پیش‌بینی‌های مدل همچنین اهمیت پیش‌آگهی بلندمدت‌تر را نشان داد؛ زیرا بیمارانی که پیش‌بینی می‌شد طی یک سال دچار AF شوند، دارای ۴۵ درصد خطر بالاتر توسعه‌ی AF درجریان دوره‌ی ۲۵ ساله‌ی پیگیری نیز بودند. کریستوفر هاگرتی، نویسنده‌ی دیگر مقاله گفت:
در حال حاضر، روش‌های معدودی برای شناسایی بیمارانی که طی سال آینده دچار AF خواهند شد وجود دارد و به‌همین علت است که در بسیاری از موارد، نخستین نشانه‌ی AF سکته است. ما امیدواریم این مدل بتواند برای شناسایی زودهنگام بیماران دچار فیبریلاسیون دهلیزی به کار آید تا بتوان آن‌ها را درمان و از وقوع سکته پیشگیری کرد.
جنیفر هال، رئیس انجمن قلب آمریکا از یادگیری عمیق به‌عنوان روش فوق‌العاده‌ای درزمینه‌ی پزشکی قلب و عروق برای کمک به بیماران و درک خطر سکته در آن‌ها یاد کرد. او گفت:
آگاهی از این موضوع که چه کسی درمعرض خطر ضربان نامنظم قلب یا فیبریلاسیون دهلیزی است، به ما کمک خواهد کرد تا متوجه شویم چه کسانی ممکن است درمعرض خطر سکته نیز باشند و سپس این بیماران را هم برای پیشگیری از فیبریلاسیون دهلیزی و هم سکته درمان کنیم. داشتن این تکنیک‌ها و نیز تکنیک‌های دقیق‌تر برای تشخیص فیبریلاسیون دهلیزی احتمالی بسیار عالی است.
پژوهشگران برای کمک به شناسایی بیمارانی که احتمال مرگ در آن‌ها طی یک سال دراثر هر علتی بیشتر بود، نتایج ۱/۷۷ میلیون ECG و نیز داده‌های دیگری را از حدود ۴۰۰ هزار بیمار تجزیه‌و‌تحلیل کردند. آن‌ها از این داده‌ها برای مقایسه‌ی مدل‌های مبتنی بر یادگیری ماشین که مستقیما سیگنال‌های خام ECG را تجزیه‌و‌تحلیل می‌کرد و تشخیص‌های مبتنی بر سنجه‌های مشخص‌شده به‌وسیله‌ی انسان (ویژگی‌های ECG که به‌طور معمول متخصص قلب و عروق آن‌ها را ثبت می‌کند) و الگوهای تشخیص بیماری استفاده کردند. به‌نظر می‌رسید که مدل شبکه‌ی عصبی که به‌طور مستقیم سیگنال‌های ECG را تجزیه‌و‌تحلیل می‌کرد، ازنظر پیش‌بینی خطر مرگ یک ساله بهتر بود. در کمال شگفتی، شبکه‌ی عصبی می‌توانست با دقت بالایی خطر مرگ را حتی در بیمارانی که پزشک عقیده داشت ECG آن‌ها طبیعی است، پیش‌بینی کند. سه متخصص قلب‌و‌عروق نیز به‌طور جداگانه، ECG را که در ابتدا به‌عنوان طبیعی درنظر گرفته بود، بررسی کردند و به‌طور کلی قادر نبودند الگوهای خطری را که شبکه‌ی عصبی تشخیص داده بود پیدا کنند. فورنوالت گفت:
این مهم‌ترین یافته‌ی مطالعه است و می‌تواند به‌کلی روش تفسیر ECG را در آینده تغییر دهد.
پژوهشگران خاطرنشان کردند، اگرچه پایگاه داده‌ی GHS نقطه‌ی قوت این دو مطالعه است، این یافته‌ها باید در داده‌های دیگری نیز مورد آزمایش قرار گیرند. سوشراویا راگونات، یکی دیگر از پژوهشگران این مطالعات گفت:
ترکیب این مدل‌ها در تجزیه‌و‌تحلیل معمول نوار قلب ساده است، هرچند توسعه‌ی طرح‌های مراقبتی مناسب برای بیماران براساس پیش‌بینی‌های کامپیوتری چالش بزرگ‌تری است.