ابزار هوش مصنوعی، بیماری پنهان قلبی را در کمتر از دو ثانیه از نوار قلب معمولی تشخیص می‌دهد

معاینه فیزیکی روتین معمولاً شامل الکتروکاردیوگرام (ECG) است—آزمایشی سریع و بدون درد که سیگنال‌های الکتریکی قلب را ثبت می‌کند. برای دهه‌ها، متخصصان قلب انسانی این خطوط موج‌دار را برای تشخیص آریتمی‌های آشکار یا نشانه‌های حمله قلبی اخیر می‌خواندند. اما چشم انسان نمی‌تواند تغییرات ساختاری میکروسکوپی در عضله قلب را که سال‌ها قبل از بیماری رخ می‌دهند، ببیند. برای میلیون‌ها بیمار، این بدان معناست که یک قلب در حال ضعف می‌تواند در طول یک معاینه استاندارد کاملاً پنهان بماند. اکنون، یک ابزار هوش مصنوعی یاد گرفته است که آن نشانگرهای نامرئی را شناسایی کند و یک آزمایش کلینیکی ساده را به یک موتور پیش‌بینی قدرتمند تبدیل سازد.

محققان از یک سیستم هوش مصنوعی «فراانسانی» رونمایی کرده‌اند که قادر است بیماری پنهان قلبی را از یک نوار قلب استاندارد در کمتر از دو ثانیه تشخیص دهد. این پیشرفت که این هفته اعلام شد، نشان می‌دهد که مدل‌های یادگیری ماشینی می‌توانند امضاهای الکتریکی ظریف نارسایی سیستولیک بطن چپ (LVSD)—وضعیتی که در آن حفره اصلی پمپاژ قلب ضعیف می‌شود—را مدت‌ها قبل از احساس هرگونه علامتی توسط بیمار، شناسایی کنند. این نرم‌افزار با تجزیه و تحلیل خروجی الکتریکی، بیمارانی را که در معرض خطر شدید نارسایی قلبی هستند، مشخص می‌کند.[2][4]

برای درک نحوه عملکرد این ابزار، بهتر است به سازوکار آموزش آن نگاه کنیم. این هوش مصنوعی یک شبکه عصبی عمیق است که با صدها هزار رکورد پزشکی جفت‌شده تغذیه شده است: نوار قلب‌های ۱۲ لید استاندارد که با اکوکاردیوگرام‌ها (اسکن‌های اولتراسوند قلب) گرفته شده از همان بیماران مطابقت داده شده‌اند. در حالی که اولتراسوند یک تصویر فیزیکی قطعی از قدرت پمپاژ قلب ارائه می‌دهد، گران، زمان‌بر است و نیاز به متخصص برای اجرا و تفسیر دارد. در مقابل، نوار قلب ارزان، در دسترس و تنها چند دقیقه زمان می‌برد.[3][4]

با تجزیه و تحلیل داده‌های جفت‌شده، شبکه عصبی یاد گرفت که الگوهای پیچیده و چندبُعدی موجود در امواج الکتریکی را با ضعف فیزیکی عضله قلب مرتبط سازد. این ابزار اساساً تشخیص ساختاری را از خروجی الکتریکی «مهندسی معکوس» می‌کند. هنگامی که یک نوار قلب جدید و دیده‌نشده به آن ارائه می‌شود، مدل داده‌های شکل موج را پردازش کرده و احتمال بیماری زمینه‌ای را تقریباً بلافاصله محاسبه می‌کند و الگوهایی را در نوسانات ولتاژ می‌بیند که هیچ پزشک انسانی برای تشخیص آن‌ها آموزش ندیده است.[2][5]

با این حال، این سیستم یک سازوکار غربالگری است، نه یک مرجع تشخیصی نهایی. کارشناسان پزشکی تأکید می‌کنند که هوش مصنوعی خطر بیماری قلبی را علامت‌گذاری می‌کند، اما بیمارانی که توسط این ابزار شناسایی می‌شوند، همچنان برای تشخیص رسمی وضعیت و تعیین درمان مناسب، به اکوکاردیوگرام تأییدی نیاز دارند. این الگوریتم به جای یک پزشک مستقل، به عنوان یک رادار هشدار اولیه بسیار حساس عمل می‌کند، به این معنی که یک مرحله تریاژ بسیار مؤثر را به گردش کار پزشکی اضافه می‌کند، نه اینکه به طور کامل جایگزین متخصص شود.[1]

نارسایی سیستولیک بطن چپ میلیون‌ها نفر را در سراسر جهان تحت تأثیر قرار می‌دهد و یک پیش‌ساز اصلی نارسایی قلبی است، با این حال اغلب تا زمانی که بیمار با تنگی نفس و پریشانی به اورژانس می‌رسد، تشخیص داده نمی‌شود. پروتکل‌های غربالگری سنتی بر عوامل خطر بالینی مانند سن، فشار خون و سابقه خانوادگی تکیه دارند تا تصمیم بگیرند چه کسی باید تحت سونوگرافی گران‌قیمت قرار گیرد. این رویکرد هوش مصنوعی می‌تواند تشخیص زودهنگام را دموکراتیزه کند و به هر کلینیکی که دستگاه نوار قلب ساده دارد، اجازه دهد غربالگری پیشرفته قلب را بدون نیاز به دسترسی فوری به آزمایشگاه اکوکاردیوگرافی انجام دهد.[2][3][4]

فاز بعدی شامل ادغام این نرم‌افزار در شبکه‌های بیمارستانی موجود و سیستم‌های پرونده الکترونیکی سلامت است. برنامه‌های آزمایشی نحوه عملکرد هوش مصنوعی را در محیط‌های مراقبت‌های اولیه دنیای واقعی آزمایش خواهند کرد، جایی که کیفیت ضبط نوار قلب می‌تواند به دلیل حرکت بیمار یا تجهیزات قدیمی‌تر متفاوت باشد. محققان همچنین در حال بررسی این موضوع هستند که آیا می‌توان معماری شبکه عصبی زیربنایی مشابه را برای تشخیص سایر ناهنجاری‌های ساختاری قلب آموزش داد و به طور بالقوه نوار قلب ۱۰۰ ساله را به یک ابزار تشخیصی جهانی قلب تبدیل کرد.[3][4][5]

اگر آزمایش‌های دنیای واقعی با داده‌های گذشته‌نگر مطابقت داشته باشند، این فناوری می‌تواند مراقبت‌های قلبی را به طور اساسی از درمان واکنشی به پیشگیری فعال تغییر دهد. هوش مصنوعی با گرفتن ضعیف‌ترین زمزمه‌های الکتریکی یک قلب در حال ضعف، تنها در دو ثانیه، منبعی را برای پزشکان فراهم می‌کند که نمی‌توانند آن را تولید کنند: زمان.[2]