آیا هوش مصنوعی می تواند به پیش بینی اینکه کدام بیماران نارسایی قلبی در عرض یک سال بدتر می شوند کمک کند؟ | اخبار MIT

نارسایی قلبی که با ضعیف شدن یا آسیب دیده شدن ماهیچه قلب مشخص می شود، منجر به تجمع تدریجی مایع در ریه ها، پاها، پاها و سایر قسمت های بدن بیمار می شود. این بیماری مزمن و غیرقابل درمان است که اغلب منجر به آریتمی یا ایست قلبی ناگهانی می شود. برای قرن‌های متمادی، خون‌ریزی و زالو درمانی ترجیح داده می‌شد، که در دورانی که پزشکان به ندرت بیماران را جراحی می‌کردند، توسط جراحان آرایشگر در اروپا انجام می‌شد.

در قرن بیست و یکم، درمان نارسایی قلبی قطعا کمتر قرون وسطایی شده است: امروزه بیماران ترکیبی از تغییرات سبک زندگی سالم، داروهای تجویزی و گاهی اوقات استفاده از ضربان ساز را تجربه می کنند. با این حال، نارسایی قلبی یکی از علل اصلی عوارض و مرگ و میر است و بار قابل توجهی را بر سیستم های مراقبت های بهداشتی در سراسر جهان وارد می کند.

تئا برگاماسکی، محقق فوق دکتری MIT در آزمایشگاه پروفسور کالین استولتز و رابرت اچ روبین و نویسنده همکار مقاله جدیدی که یک مدل یادگیری عمیق برای پیش‌بینی نارسایی قلبی ارائه می‌کند، گفت: «حدود نیمی از افرادی که نارسایی قلبی تشخیص داده می‌شوند، طی پنج سال پس از تشخیص خواهند مرد. “درک نحوه عملکرد بیمار پس از بستری شدن در بیمارستان در تخصیص منابع محدود بسیار مهم است.”

مقاله منتشر شده در Lancet eClinical Medicine توسط تیمی از محققان در MIT، Mass General Brigham و دانشکده پزشکی هاروارد، نتایج حاصل از توسعه و آزمایش PULSE-HF را به اشتراک می‌گذارد که مخفف عبارت “پیش‌بینی تغییرات در عملکرد سیستولیک بطن چپ از ECG در بیماران مبتلا به نارسایی قلبی” است. این پروژه در آزمایشگاه Stultz، که وابسته به کلینیک MIT عبداللطیف جمیل برای یادگیری ماشین در مراقبت های بهداشتی است، انجام شد. این مدل یادگیری عمیق که در سه گروه مختلف بیمار از بیمارستان عمومی ماساچوست، بریگهام و بیمارستان زنان، و MIMIC-IV (داده‌های عمومی در دسترس) توسعه یافته و به صورت گذشته‌نگر آزمایش شد، تغییرات در کسر جهشی بطن چپ (LVEF) را که درصد خون پمپاژ شده از بطن چپ قلب است، به دقت پیش‌بینی کرد.

قلب انسان سالم با هر ضربان حدود 50 تا 70 درصد خون را از بطن چپ پمپاژ می کند – هر چیزی کمتر نشانه یک مشکل بالقوه در نظر گرفته می شود. «مدل می گیرد [electrocardiogram] تیفانی یاو، دانشجوی دکترای MIT در آزمایشگاه Stultz که یکی از نویسندگان مقاله PULSE-HF است، گفت: “این زیر گروه شدیدترین نارسایی قلبی است.”

اگر PULSE-HF پیش بینی کند که کسر جهشی بیمار در عرض یک سال بدتر می شود، پزشک می تواند بیمار را برای پیگیری اولویت بندی کند. متعاقباً، بیماران کم خطر می توانند تعداد مراجعه به بیمارستان و زمان صرف شده برای چسباندن 10 الکترود به بدن خود را برای EKG 12 لید کاهش دهند. این مدل همچنین می‌تواند در محیط‌های بالینی با منابع کم، از جمله مطب پزشکان در مناطق روستایی، که معمولاً سونوگرافیک قلب برای انجام معاینات سونوگرافی معمولی ندارند، استفاده شود.

“بزرگترین چیزی که آن را متمایز می کند [PULSE-HF] یاو می‌گوید که نسبت به سایر روش‌های ECG نارسایی قلبی، به‌جای تشخیص، پیش‌بینی می‌کند. گزارش اشاره می‌کند که تا به امروز، هیچ روش دیگری برای پیش‌بینی کاهش آینده LVEF در بیماران نارسایی قلبی وجود ندارد.

در طول فرآیند آزمایش و اعتبارسنجی، محققان از متریکی به نام «ناحیه زیر منحنی مشخصه عملکرد گیرنده» (AUROC) برای اندازه‌گیری عملکرد PULSE-HF استفاده کردند. AUROC معمولاً برای اندازه گیری توانایی یک مدل در تمایز بین کلاس ها در مقیاس 0 تا 1 استفاده می شود که 0.5 دلخواه و 1 کامل است. PULSE-HF در هر سه گروه بیمار به AUROC هایی از 0.87 تا 0.91 دست یافت.

به طور خاص، محققان نسخه ای از PULSE-HF را برای ECG های تک کانالی ایجاد کردند، به این معنی که فقط یک الکترود باید روی بدن قرار گیرد. در حالی که ECG های 12 لید به طور کلی برتر در نظر گرفته می شوند زیرا جامع تر و دقیق تر هستند، عملکرد نسخه تک لید PULSE-HF به اندازه نسخه 12 لید قوی است.

علیرغم سادگی ظریف پشت ایده PULSE-HF، مانند اکثر مطالعات بالینی هوش مصنوعی، این ایده با اجرای کار فشرده همراه است. «سالها طول کشید [to complete this project]برگاماشی به یاد می آورد.

یکی از بزرگترین چالش های تیم جمع آوری، پردازش و تمیز کردن مجموعه داده های ECG و اکوکاردیوگرام بود. اگرچه هدف این مدل پیش‌بینی کسر جهشی بیمار است، برچسب‌هایی برای داده‌های آموزشی همیشه به آسانی در دسترس نبودند. مانند دانش‌آموزی که از کتاب درسی با کلید پاسخ یاد می‌گیرد، برچسب‌گذاری برای کمک به مدل‌های یادگیری ماشینی برای شناسایی صحیح الگوها در داده‌ها حیاتی است.

متن خطی خالص در قالب فایل‌های TXT معمولاً برای مدل‌های آموزشی بهترین کار را دارد. اما فایل های اکوکاردیوگرام معمولا به صورت فایل های پی دی اف هستند و زمانی که فایل های پی دی اف به فایل های TXT تبدیل می شوند، خواندن متن (که با خطوط جدید و قالب بندی شکسته می شود) برای مدل مشکل می شود. ماهیت غیرقابل پیش بینی سناریوهای زندگی واقعی، مانند یک بیمار آشفته یا یک سیم شل، نیز داده ها را مبهم می کند. Bergamaschi می‌گوید: «آثار سیگنال زیادی وجود دارد که باید پاکسازی شوند. “این نوعی سوراخ خرگوش بی پایان است.”

در حالی که Bergamaschi و Yau اذعان دارند که روش‌های پیچیده‌تر می‌توانند به فیلتر کردن داده‌ها برای سیگنال‌های بهتر کمک کنند، سودمندی این رویکردها محدودیت‌هایی وجود دارد. “در چه نقطه ای متوقف می شوید؟” یاو می پرسد “شما باید در مورد استفاده فکر کنید—آیا داشتن این مدل ساده تر است که روی داده هایی که کمی نامرتب هستند کار کند؟ زیرا احتمالا اینطور خواهد بود.”

محققان پیش بینی می کنند که گام بعدی برای PULSE-HF آزمایش مدل در یک مطالعه آینده نگر بر روی بیماران واقعی است که کسر جهشی آینده آنها ناشناخته است.

علیرغم چالش‌های ذاتی در رساندن ابزارهای هوش مصنوعی بالینی مانند PULSE-HF به خط پایان، از جمله خطر احتمالی تمدید دوره دکتری تا یک سال دیگر، دانشجویان احساس می‌کنند که سال‌ها کار سخت ارزش آن را داشته است.

برگماسکی می گوید: “من فکر می کنم تا حدودی چیزها به دلیل چالش برانگیز بودن پاداش هستند.” “یکی از دوستان به من گفت، “اگر فکر می‌کنی بعد از فارغ‌التحصیلی تماس خود را پیدا می‌کنی، اگر تماس شما واقعاً یک تماس است، یک سال دیگر که فارغ‌التحصیل می‌شوید، وجود خواهد داشت.” … روشی که ما خودمان را به عنوان محقق می سنجیم [the ML and health] فضا با سایر محققان در فضای ML متفاوت است. همه در این جامعه چالش های منحصر به فردی را که در اینجا وجود دارد را درک می کنند.»

یاو که پس از یک رویداد بهداشتی که باعث شد او اهمیت یادگیری ماشینی در مراقبت های بهداشتی را درک کند، به آزمایشگاه Stultz ملحق شد، می گوید: “در دنیا رنج بسیار زیادی وجود دارد.” “هر چیزی که سعی در کاهش رنج داشته باشد چیزی است که من آن را استفاده ارزشمندی از وقت خود می دانم.”