آمبولی های ریوی لخته های خطرناکی هستند که باعث انسداد ریه می شوند. در یک مطالعه آزمایشی، دانشمندان دانشکده پزشکی Icahn در کوه سینا برای اولین بار نشان دادند که الگوریتمهای هوش مصنوعی (AI) میتوانند علائم این لختهها را در نوار قلب (EKGs) تشخیص دهند، یافتهای که ممکن است روزی به پزشکان در غربالگری کمک کند.
نتایج منتشر شده در مجله قلب اروپا — سلامت دیجیتال پیشنهاد کرد که الگوریتمهای جدید یادگیری ماشین، که برای بهرهبرداری از دادههای EKG و پرونده الکترونیک سلامت (EHR) طراحی شدهاند، ممکن است در تعیین اینکه آیا بیماران با خطر متوسط تا پرخطر واقعاً آمبولی ریه دارند، مؤثرتر از آزمایشهای غربالگری مورد استفاده فعلی باشند.
این مطالعه توسط دکتر Sulaiman S. Somani، یک دانشجوی سابق پزشکی در آزمایشگاه Benjamin S. Glicksberg، PhD، استادیار ژنتیک و علوم ژنومی و یکی از اعضای موسسه هاسو پلاتنر برای سلامت دیجیتال در کوه سینا، رهبری شد.
آمبولی ریوی زمانی اتفاق میافتد که لختههای خون ورید عمقی که معمولاً در پاها یا بازوها ایجاد میشوند، جدا شده و شریانهای ریه را مسدود میکنند. این لخته ها می توانند کشنده باشند یا باعث آسیب طولانی مدت ریه شوند. اگرچه برخی از بیماران ممکن است تنگی نفس یا درد قفسه سینه را تجربه کنند، اما این علائم ممکن است نشانه مشکلات دیگری باشد که ربطی به لخته شدن خون ندارند و تشخیص و درمان درست موارد را برای پزشکان دشوار میکند. علاوه بر این، تشخیصهای رسمی فعلی به آنژیوگرافیهای ریوی سیتیپی (CTPAs) متکی هستند، که اسکن قفسه سینه زمانبر است و فقط در بیمارستانهای منتخب قابل انجام است و بیماران را در معرض سطوح بالقوه خطرناک پرتو قرار میدهد.
برای آسانتر و در دسترستر ساختن تشخیصها، محققان بیش از 20 سال را صرف توسعه برنامههای رایانهای پیشرفته یا الگوریتمهایی کردهاند که برای کمک به پزشکان در تعیین اینکه آیا بیماران در معرض خطر واقعاً آمبولی ریه را تجربه میکنند یا خیر. نتایج مخلوط شده اند. به عنوان مثال، الگوریتمهایی که از EHR استفاده میکنند، طیف وسیعی از میزان موفقیت را برای تشخیص دقیق لختهها ایجاد کردهاند و میتوانند کار فشردهای داشته باشند. در همین حال، دقیق ترها به شدت به داده های CTPA ها بستگی دارند.
در این مطالعه، محققان دریافتند که الگوریتمهای ترکیبی که بر دادههای EKG و EHR متکی هستند، ممکن است یک جایگزین مؤثر باشد، زیرا EKGها به طور گسترده در دسترس هستند و مدیریت نسبتاً آسانی دارند.
محققان الگوریتمهای مختلفی را بر روی دادههای ۲۱۱۸۳ بیمار سیستم بهداشتی کوه سینا ایجاد و آزمایش کردند که علائم متوسط تا بسیار مشکوک آمبولی ریوی را نشان دادند. در حالی که برخی از الگوریتمها برای استفاده از دادههای EKG برای غربالگری آمبولی ریه طراحی شدهاند، برخی دیگر برای استفاده از دادههای EHR طراحی شدهاند. در هر موقعیت، الگوریتم تشخیص یک مورد آمبولی ریه را با مقایسه دادههای EKG یا EHR با نتایج مربوطه از CTPAها آموخت. در نهایت، سومین الگوریتم فیوژن با ترکیب الگوریتم EKG با بهترین عملکرد و EHR با بهترین عملکرد ایجاد شد.
نتایج نشان داد که مدل فیوژن نه تنها از الگوریتمهای اصلی خود بهتر عمل میکند، بلکه در شناسایی موارد خاص آمبولی ریه نیز بهتر از معیارهای ولز اصلاح شده ژنو و سه آزمایش غربالگری دیگر است. محققان تخمین زدند که مدل فیوژن بین 15 تا 30 درصد در غربالگری دقیق موارد آمبولی حاد مؤثرتر بود و این مدل در پیشبینی شدیدترین موارد بهترین عملکرد را داشت. علاوه بر این، دقت مدل فیوژن بدون توجه به اینکه آیا نژاد یا جنسیت به عنوان یک عامل مورد آزمایش قرار گرفته است ثابت ماند، که نشان می دهد ممکن است برای غربالگری انواع بیماران مفید باشد.
به گفته نویسندگان، این نتایج از این نظریه حمایت می کند که داده های EKG ممکن است به طور موثر در الگوریتم های غربالگری آمبولی ریه جدید گنجانده شود. آنها قصد دارند این الگوریتم ها را برای کاربرد بالقوه در کلینیک توسعه و آزمایش کنند.
این مطالعه توسط مؤسسه ملی بهداشت (TR001433) پشتیبانی شد.