یادگیری ماشینی ممکن است به کاهش مرگ و میر پس از جراحی غیر قلبی کمک کند

یک مطالعه جدید به رهبری یک دکترا. محققی از دانشگاه استرالیای غربی دریافته است که هوش مصنوعی با استفاده از کامپیوتر یا یادگیری ماشینی ممکن است به کاهش عوارض شایع قلبی عروقی پس از جراحی غیر قلبی، از جمله حملات قلبی و آسیب‌های عضله قلب کمک کند.

دکتر جانیس نولد، از دانشکده پزشکی UWA و بیمارستان سلطنتی پرث، و یک تیم بین‌المللی از محققان، داده‌های بیش از 24000 شرکت‌کننده در مطالعه ارزیابی کوهورت بیماران جراحی غیر جراحی قلب (VISION) را ارزیابی کردند. بیهوشی.

این تیم می‌خواست مشخص کند که آیا یادگیری ماشینی و داده‌ها می‌توانند عوارض پزشکی به‌ویژه عوارض قلبی عروقی ناشی از جراحی (غیر از جراحی قلب) را قبل از وقوع پیش‌بینی کنند تا بیماران آسیب‌پذیر را بهتر شناسایی و درمان کنند.

سالانه بیش از 200 میلیون بیمار در سراسر جهان تحت اعمال جراحی بزرگ غیرقلبی قرار می‌گیرند و حدود 10 میلیون نفر از آنها در عرض 30 روز یک رویداد قلبی عروقی مهم را تجربه می‌کنند که می‌تواند منجر به نرخ مرگ و میر بالاتر، سلامت ضعیف و کاهش بقای طولانی‌مدت شود. دکتر نولده گفت.

شایع‌ترین عوارض قلبی عروقی پس از جراحی، حملات قلبی و آسیب به عضله قلب است، اما تشخیص آنها اغلب دشوار است، زیرا علائم را می‌توان پنهان کرد و آزمایش‌های معمول ممکن است آنها را از دست بدهند.

گروه تحقیقاتی با استفاده از یک آزمایش آزمایشگاهی حساس که پروتئین (تروپونین) آزاد شده در جریان خون را هنگام آسیب یا آسیب به عضله قلب اندازه‌گیری می‌کند، دریافت که از هر شش بیمار یک نفر در سه روز اول پس از عمل سطح آن افزایش می‌یابد.

این وضعیت که به عنوان آسیب میوکارد پس از جراحی غیرقلبی شناخته می‌شود، با افزایش شدید خطر مرگ و سایر عوارض جدی در چند هفته آینده همراه است، اما پیش‌بینی آن با متغیرهایی مانند سن، تناسب اندام، هرگونه اختلال پزشکی زمینه‌ای و مشکل است. دکتر نولد گفت: مشکلاتی که در حین یا اوایل عمل جراحی ایجاد می‌شوند، همه باید در نظر گرفته شوند.

“یادگیری ماشین، به ویژه شبکه های عصبی، رویکرد امیدوارکننده ای را ارائه می دهد، زیرا این تکنیک ها می توانند مقادیر زیادی از داده ها را تجزیه و تحلیل کنند و الگوها و روابط پیچیده ای را شناسایی کنند که در غیر این صورت تشخیص آنها دشوار است. آنها بسیار سازگار هستند، بنابراین می توانند برای بسیاری از تنظیمات مختلف پیاده سازی و متناسب شوند. ”

پروفسور پزشکی در UWA و رئیس قلب و عروق در بیمارستان سلطنتی پرث، گراهام هیلیس، گفت: نتایج این مطالعه نشان می دهد که ادغام تکنیک های یادگیری ماشین با داده های جمع آوری شده به طور معمول قبل، حین و بعد از جراحی ممکن است راهی امیدوارکننده برای شناسایی بهتر بیماران در معرض خطر و کسانی باشد که خطر ممکن است در طول زمان افزایش یابد.

پروفسور هیلیس گفت: “این ممکن است به متخصصان مراقبت های بهداشتی اجازه دهد تا مشکلات را زودتر تشخیص دهند و زودتر برای کاهش عوارض احتمالی مداخله کنند.” کار بیشتر برای تنظیم دقیق این روش ها و جاسازی آنها در مراقبت های معمول برنامه ریزی شده است.”