آخرین مطالب

الگوریتم ECG مبتنی بر تصویر، دسترسی به مراقبت در تنظیمات از راه دور را بهبود می بخشد


الگوریتم ECG مبتنی بر تصویر، دسترسی به مراقبت در تنظیمات از راه دور را بهبود می بخشد

محققان آزمایشگاه علوم قلب و عروق ییل (CarDS) یک مدل مبتنی بر هوش مصنوعی (AI) برای تشخیص بالینی ایجاد کرده‌اند که می‌تواند از تصاویر الکتروکاردیوگرام (ECG) بدون در نظر گرفتن فرمت یا طرح، برای تشخیص اختلالات ریتم و هدایت قلب متعدد استفاده کند.

این تیم به رهبری دکتر روهان خرا، استادیار پزشکی قلب و عروق، یک مدل تشخیص خودکار چند برچسبی جدید از تصاویر ECG ایجاد کردند. ECG Dx جدیدترین ابزار آزمایشگاه CarDS است که برای دسترسی به تفسیر ECG مبتنی بر هوش مصنوعی در تنظیمات از راه دور طراحی شده است. آنها امیدوارند که فناوری جدید روشی بهبودیافته برای تشخیص اختلالات کلیدی قلبی ارائه دهد. یافته ها در منتشر شد ارتباطات طبیعت در 24 مارس

اولین نویسنده این مطالعه Veer Sangha، یک رشته علوم کامپیوتر در کالج Yale است. Sangha گفت: “مطالعه ما نشان می دهد که مدل های تصویر و سیگنال برای برچسب های بالینی در مجموعه داده های متعدد عملکرد قابل مقایسه ای دارند.” رویکرد ما می‌تواند کاربردهای هوش مصنوعی را در مراقبت‌های بالینی با هدف قرار دادن چالش‌های پیچیده‌تر گسترش دهد.»

با بهبود فناوری تلفن همراه، بیماران به طور فزاینده ای به تصاویر ECG دسترسی پیدا می کنند، که سوالات جدیدی را در مورد نحوه ترکیب این دستگاه ها در مراقبت از بیمار ایجاد می کند. تحت نظارت خرا، تحقیقات Sangha در آزمایشگاه CarDS ورودی های چندوجهی از سوابق سلامت الکترونیک را برای طراحی راه حل های بالقوه تجزیه و تحلیل می کند.

این مدل بر اساس داده های جمع آوری شده از بیش از 2 میلیون ECG از بیش از 1.5 میلیون بیمار است که از سال 2010 تا 2017 در برزیل تحت مراقبت قرار گرفتند. از هر شش بیمار، یک نفر با اختلالات ریتم تشخیص داده شد. این ابزار به طور مستقل از طریق چندین منبع داده بین المللی، با دقت بالا برای تشخیص بالینی از ECG تایید شد.

رویکردهای یادگیری ماشینی (ML)، به ویژه آنهایی که از یادگیری عمیق استفاده می کنند، تصمیم گیری تشخیصی خودکار را تغییر داده اند. برای ECG، آنها منجر به توسعه ابزارهایی شده اند که به پزشکان اجازه می دهد الگوهای پنهان یا پیچیده را پیدا کنند. با این حال، ابزارهای یادگیری عمیق از مدل‌های مبتنی بر سیگنال استفاده می‌کنند که به گفته Khera برای تنظیمات مراقبت‌های بهداشتی از راه دور بهینه‌سازی نشده‌اند. مدل‌های مبتنی بر تصویر ممکن است بهبودی در تشخیص خودکار از ECG ارائه دهند.

هنگام استفاده از برنامه های کاربردی مبتنی بر هوش مصنوعی، تعدادی چالش بالینی و فنی وجود دارد.

ابزارهای هوش مصنوعی فعلی به جای تصاویر ذخیره شده، به سیگنال های الکتروکاردیوگرافی خام متکی هستند، که بسیار رایج تر است زیرا ECG اغلب به صورت تصویر چاپ و اسکن می شود. همچنین، بسیاری از ابزارهای تشخیصی مبتنی بر هوش مصنوعی برای اختلالات بالینی فردی طراحی شده اند، و بنابراین، ممکن است محدود باشند. Khera گفت: “در یک محیط بالینی که در آن چندین ناهنجاری ECG همزمان رخ می دهد.”

یک پیشرفت کلیدی این است که این فناوری به گونه‌ای طراحی شده است که هوشمند باشد – این فناوری به طرح‌بندی‌های خاص ECG وابسته نیست و می‌تواند با تغییرات موجود و طرح‌بندی‌های جدید سازگار شود. از این نظر، می‌تواند مانند خوانندگان انسان متخصص عمل کند و تشخیص‌های بالینی متعدد را در موارد مختلف شناسایی کند. فرمت های ECG چاپی که در بیمارستان ها و کشورها متفاوت است.”


استفاده از هوش مصنوعی در آنالیز الکتروکاردیوگرام می تواند تشخیص و درمان کاردیومیوپاتی هیپرتروفیک را بهبود بخشد


اطلاعات بیشتر:
Veer Sangha و همکاران، تشخیص خودکار چند برچسبی روی تصاویر و سیگنال های الکتروکاردیوگرافی، ارتباطات طبیعت (2022). DOI: 10.1038/s41467-022-29153-3

ارائه شده توسط دانشگاه ییل

نقل قول: الگوریتم ECG مبتنی بر تصویر دسترسی به مراقبت در تنظیمات از راه دور را بهبود می بخشد (2022، 31 مارس) در 31 مارس 2022 از https://medicalxpress.com/news/2022-03-image-based-ecg-algorithm-access-remote بازیابی شده است. html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.