[ad_1]
برای اولین بار، دانشمندان دانشگاه یوتا نشان دادند که هوش مصنوعی می تواند به راه های بهتری برای پیش بینی شروع و سیر بیماری های قلبی عروقی منجر شود. محققان با همکاری پزشکان بیمارستان کودکان اولیه Intermountain ابزارهای محاسباتی منحصر به فردی را برای اندازه گیری دقیق اثرات هم افزایی شرایط پزشکی موجود بر روی قلب و عروق خونی ایجاد کردند.
محققان می گویند این رویکرد جامع می تواند به پزشکان کمک کند تا مشکلات قلبی جدی را پیش بینی، پیشگیری یا درمان کنند، حتی قبل از اینکه بیمار از بیماری زمینه ای آگاه شود.
اگرچه این مطالعه فقط بر بیماری های قلبی عروقی متمرکز بود، محققان معتقدند که می تواند پیامدهای بسیار گسترده تری داشته باشد. در واقع، آنها پیشنهاد می کنند که این یافته ها در نهایت می تواند به عصر جدیدی از پزشکی پیشگیرانه و شخصی سازی شده منجر شود. پزشکان به طور فعال با بیماران تماس می گیرند تا آنها را در مورد بیماری های احتمالی و اقداماتی که می توان برای کاهش این مشکل انجام داد، آگاه کنند.
مارتین تریستانی فیروزی، نویسنده مسئول مطالعه و متخصص قلب کودکان در U Health and Intermountain Primary Children’s Hospital و دانشمند نورا اکلس می گوید: «ما می توانیم برای کمک به اصلاح خطر تقریباً هر تشخیص پزشکی به هوش مصنوعی رجوع کنیم. موسسه تحقیقاتی و آموزشی قلب و عروق هریسون. “خطر سرطان، خطر جراحی تیروئید، خطر دیابت – هر اصطلاح پزشکی که بتوانید تصور کنید.”
این مطالعه در مجله آنلاین ظاهر می شود PLOS Digital Health.
به گفته مارک یاندل، دکتری، نویسنده ارشد این مطالعه، پروفسور ژنتیک انسانی، روشهای کنونی برای محاسبه اثرات ترکیبی عوامل خطر مختلف – مانند جمعیتشناسی و سابقه پزشکی – بر بیماریهای قلبی عروقی اغلب نادقیق و ذهنی هستند. HA و ادنا بنینگ، رئیس وقف ریاست جمهوری در U of U Health، و یکی از بنیانگذاران Backdrop Health. در نتیجه، این روشها نمیتوانند فعل و انفعالات خاصی را شناسایی کنند که میتواند اثرات عمیقی بر سلامت قلب و عروق خونی داشته باشد.
تریستانی فیروزی، یاندل و همکارانش از U of U Health و Intermountain Primary Children’s Hospital برای اندازهگیری دقیقتر چگونگی تأثیر این تعاملات، که به عنوان بیماریهای همراه نیز شناخته میشوند، بر سلامتی تأثیر میگذارند، از نرمافزار یادگیری ماشینی برای مرتبسازی بیش از 1.6 میلیون پرونده سلامت الکترونیکی استفاده کردند. EHR ها) پس از اسامی و سایر اطلاعات شناسایی حذف شدند.
این سوابق الکترونیکی که هر اتفاقی را که برای یک بیمار میافتد، از جمله آزمایشهای آزمایشگاهی، تشخیصها، استفاده از دارو، و روشهای پزشکی را ثبت میکند، به محققان کمک کرد تا بیماریهای همراه را که احتمالاً باعث تشدید یک بیماری خاص مانند بیماری قلبی عروقی میشوند، شناسایی کنند.
در مطالعه فعلی خود، محققان از نوعی هوش مصنوعی به نام شبکههای گرافیکی احتمالی (PGM) استفاده کردند تا محاسبه کنند که چگونه هر ترکیبی از این بیماریهای همراه میتواند بر خطرات مرتبط با پیوند قلب، بیماری مادرزادی قلب، یا اختلال عملکرد گره سینوسی (SND، یک اختلال) تأثیر بگذارد. یا نارسایی ضربان ساز طبیعی قلب).
در میان بزرگسالان، محققان دریافتند که:
- افرادی که قبلا تشخیص کاردیومیوپاتی (بیماری عضله قلب) داشتند، 86 برابر بیشتر از افرادی که به پیوند قلب نیاز نداشتند، در خطر بودند.
- کسانی که میوکاردیت ویروسی داشتند حدود 60 برابر بیشتر در معرض خطر نیاز به پیوند قلب بودند.
- استفاده از میلیرینون، یک داروی گشادکننده عروق که برای درمان نارسایی قلبی استفاده میشود، خطر پیوند را 175 برابر افزایش داد. این قویترین پیشبینیکننده فردی پیوند قلب بود.
در برخی موارد، ریسک ترکیبی حتی بیشتر بود. به عنوان مثال، در بین بیمارانی که کاردیومیوپاتی داشتند و از میلیرینون استفاده میکردند، خطر نیاز به پیوند قلب 405 برابر بیشتر از افرادی بود که قلبشان سالمتر بود.
به گفته تریستانی فیروزی، بیماری های همراه تأثیر متفاوتی بر خطر پیوند در بین کودکان داشتند. به طور کلی، بسته به تشخیص اصلی، خطر پیوند قلب کودکان بین 17 تا 102 برابر بیشتر از کودکانی بود که از قبل بیماری قلبی نداشتند.
محققان همچنین تأثیراتی را که سلامت مادر در دوران بارداری بر فرزندانش می گذاشت، بررسی کردند. زنانی که در دوران بارداری فشار خون بالایی داشتند، دو برابر بیشتر احتمال داشت نوزادانی را به دنیا بیاورند که مشکلات مادرزادی قلبی و گردش خون داشتند. خطر ابتلا به ناهنجاری قلبی در کودکان مبتلا به سندرم داون سه برابر بیشتر است.
نوزادانی که جراحی فونتان انجام داده اند، روشی که نقص مادرزادی جریان خون در قلب را اصلاح می کند، حدود 20 برابر بیشتر از نوزادانی که نیازی به جراحی نداشتند، دچار اختلال عملکرد ضربان قلب SND شدند.
محققان همچنین تفاوت های جمعیت شناختی مهمی را شناسایی کردند. به عنوان مثال، یک بیمار اسپانیایی تبار با فیبریلاسیون دهلیزی (ضربان قلب سریع) در مقایسه با سیاهپوستان و سفیدپوستانی که سابقه پزشکی مشابهی داشتند، دو برابر خطر ابتلا به SND را داشت.
جاش بونکوسکی، MD Ph.D.، مدیر مرکز اولیه کودکان برای پزشکی شخصی، که نویسنده این مطالعه نیست، معتقد است که این تحقیق می تواند به توسعه یک ابزار بالینی عملی برای مراقبت از بیمار منجر شود.
این فناوری جدید نشان میدهد که ما میتوانیم خطر عوارض پزشکی را با دقت تخمین بزنیم و حتی میتوانیم داروهایی را که برای بیماران فردی بهتر هستند، تعیین کنیم.» بونکوفسکی می گوید.
در حرکت رو به جلو، تریستانی فیروزی و یاندل امیدوارند تحقیقاتشان به پزشکان نیز کمک کند تا شبکه رو به رشد اطلاعات پزشکی را که هر روز آنها را در بر می گیرد، باز کنند.
یاندل میگوید: «هرچقدر هم که آگاه باشید، هیچ راهی برای حفظ تمام دانشی که بهعنوان یک متخصص پزشکی در عصر حاضر برای درمان بیماران به بهترین شکل ممکن نیاز دارید، وجود ندارد. “ماشین های محاسباتی که ما در حال توسعه هستیم به پزشکان کمک می کند تا بهترین تصمیمات ممکن برای مراقبت از بیمار را با استفاده از تمام اطلاعات مربوطه موجود در عصر الکترونیکی ما اتخاذ کنند. این ماشین ها برای آینده پزشکی حیاتی هستند.”
این تحقیق در تاریخ 18 ژانویه 2022 به صورت آنلاین با عنوان «رویکرد هوش مصنوعی قابل توضیح برای پیشبینی پیامدهای قلبی عروقی با استفاده از پروندههای الکترونیک سلامت» منتشر شد.
تاریخچه انسانی و مهاجرت بیماری: ردیابی گسترش آریتمی قلبی با شروع جوان در سراسر قاره ها
Sergiusz Wesołowski و همکاران، یک رویکرد هوش مصنوعی قابل توضیح برای پیشبینی پیامدهای قلبی عروقی با استفاده از پرونده الکترونیک سلامت، PLOS Digital Health (2022). DOI: 10.1371/journal.pdig.0000004
ارائه شده توسط دانشگاه علوم بهداشت یوتا
نقل قول: هوش مصنوعی افراد در معرض خطر عوارض بیماری قلبی را شناسایی می کند (2022، 21 ژانویه) بازیابی شده در 21 ژانویه 2022 از https://medicalxpress.com/news/2022-01-artificial-intelligence-individuals-heart-disease.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.
[ad_2]