الگوریتم یادگیری ماشینی روشی سریع برای تشخیص حمله قلبی

علائم حمله قلبی گاهی شبیه به بیماری‌های غیر مرتبط با قلب است و تشخیص را دشوار می‌کند. محققان بریتانیایی به یادگیری ماشین پرداختند تا روشی سریع و دقیق برای تشخیص حملات قلبی به پزشکان ارائه دهند.

بازتاب-روشی که این پتانسیل را دارد تا زمان لازم برای تشخیص را کوتاه و درمان را موثرتر برای بیماران سازد. در حال حاضر، روش ستاره طلایی یکی از راه‌های تشخیص حمله قلبی بوده که در جهت اندازه‌گیری سطح پروتئین تروپونین در خون به کار گرفته می‌شود. هنگامی که عضله قلب آسیب می‌بیند، تروپونین آزاد می‌شود. سطح آن معمولاً در عرض 3 تا 12 ساعت پس از حمله قلبی به شدت افزایش می‌یابد و پس از حدود 24 ساعت به اوج می‌رسد.

بسیاری از بیمارستان‌ها در سراسر جهان مسیرهای تشخیصی را اتخاذ کرده که شامل ارزیابی سطح تروپونین در هنگام بستری فردی مشکوک به حمله قلبی می‌شود. اما آنها محدودیت‌هایی دارند، آنها نیاز به جمع‌آوری نمونه خون در زمان مشخصی داشته که می‌تواند در بخش اورژانس یک چالش باشد. آنها فقط بیماران را به عنوان افراد با خطر کم، متوسط یا زیاد حمله قلبی بدون در نظر گرفتن سایر اطلاعات مهم مانند زمان شروع علائم یا یافته‌های الکتروکاردیوگرام (ECG) طبقه بندی می‌کنند تأثیر جنسیت، سن و بیماری‌زمینه‌ای در نظر گرفته نمی‌شود.

محققان از داده‌های 10286 بیمار که با حملات قلبی احتمالی در شش کشور سراسر جهان مراجعه کرده بودند، استفاده کردند. الگوریتم یادگیری ماشین با استفاده از جنسیت، سن، یافته‌های ECG و سابقه پزشکی بیمار، علاوه بر سطوح تروپونین، برای شناسایی احتمال وقوع حمله قلبی «آموزش داده شده بودند». در مقایسه با روش‌های موجود، محققان دریافتند که CoDE-ACS می‌تواند حمله قلبی را در بیش از دو برابر تعداد بیماران، با دقت 99.6 رد کند.

این الگوریتم به طور دقیق حمله قلبی را در میان زیر گروه‌ها، از جمله مردان و زنان، افراد مسن، مبتلایان به نارسایی کلیوی (کلیه) یا کسانی که زودهنگام پس از شروع علائم به بیمارستان مراجعه کردند، پیش‌بینی کرد. محققان می‌گویند که الگوریتم CoDE-ACS آنها می‌تواند از بستری‌های غیرضروری در بیمارستان برای بیمارانی که بعید به نظر می‌رسد دچار حمله قلبی شده‌اند یا کسانی که در معرض خطر کمتر آسیب عضله قلب یا مرگ در پی حمله قلبی هستند، جلوگیری کند. آنها می‌گویند که این کار درمان اورژانسی را کارآمدتر و موثرتر کرده و مشخص می‌سازد کدام بیماران برای رفتن به خانه مناسب هستند و کدام یک باید برای آزمایش‌های بیشتر بمانند.

نیکلاس میلز، محقق این مطالعه گفت: “برای بیماران مبتلا به درد حاد قفسه سینه به دلیل حمله قلبی، تشخیص و درمان به موقع جان افراد را نجات می‌دهد. متأسفانه، بسیاری از بیماری‌ها باعث ایجاد این علائم رایج شده و تشخیص همیشه ساده نیست. استفاده از داده‌ها و هوش مصنوعی برای حمایت از تصمیمات بالینی پتانسیل بسیار زیادی برای بهبود مراقبت از بیماران و کارایی در بخش‌های اورژانس شلوغ ما دارد.”

انتظار داریم در سال‌های آینده یادگیری ماشینی در این زمینه کمک شایانی کرده و موجب نجات جان افراد بیشتری شود. با گذر زمان و پیشرفت دانش و فناوری، پزشکی نیز پیشرفت چشمگیری خواهد کرد و موجب افزایش عمر انسان‌ها می‌شود. حال باید منتظر ماند تا چنین فناوری در آینده به کار گرفته شود.