هوش مصنوعی ECG بر روشهای مرسوم در تجزیه و تحلیل سیگنالهای قلبی پیشی میگیرد
مطالعهای جدید نشان میدهد که بهکارگیری هوش مصنوعی برای تحلیل نوار قلب یا ECG، منجر به بهبود تشخیص حملات قلبی شدید شده است. این سیستم موفق به شناسایی مواردی با علائم غیرمعمول و الگوهای نوار قلب atypical گردید و همچنین تعداد موارد مثبت کاذب را به شکل قابلتوجهی کاهش داد.
طبق گزارشات بخش فناوری پزشکی رسانه خبری تکنا، سکته قلبی با افزایش بخش ST که به نام STEMI شناخته میشود، بهعنوان یک نوع حمله قلبی بسیار شدید به حساب میآید. در این وضعیت، یک شریان اصلی کرونری مسدود شده و مانع از رسیدن خون به عضله قلب میشود. استاندارد مراقبت در این شرایط، بازگرداندن سریع جریان خون از طریق روش مداخله کرونری بهصورت آنژیوپلاستی است.
متأسفانه، تاخیر در دستیابی به زمان مناسب برای انجام این مداخله هنوز هم یک چالش بزرگ محسوب میشود. این معضل به ویژه در بیمارستانها و مراکز پزشکی روستایی که در این زمینه تجربه کافی ندارند، بیشتر مشهود است. اگر زمان بازگرداندن جریان خون بیش از ۹۰ دقیقه طول بکشد، نرخ مرگ و میر بیماران میتواند تا سه برابر افزایش یابد.
رابرت هرمان، محقق ارشد این تحقیق از بیمارستان AZORG در بلژیک، به این نکته اشاره کرد که تفسیر نوار قلب با بهرهگیری از هوش مصنوعی میتواند نتایج بهتری را به همراه داشته باشد. بهگفته او، این روش قادر است حملات قلبی واقعی را سریعتر شناسایی کند و در عین حال تعداد فعالسازیهای غیرضروری سیستم اورژانس را کاهش دهد.
او خاطرنشان کرد که بهبود دقت در تریاژ اولیه، فرایند مراقبتهای اضطراری را آسانتر کرده و همچنین فشار و خستگی را از دوش تیمهای پزشکی برمیدارد؛ این امر اطمینان میدهد که بیماران نیازمند به مداخله فوری، بهموقع و بدون تأخیر، درمان لازم را دریافت خواهند کرد.
در یکی از ارزیابیهای اولیه و بزرگ از این مدل هوش مصنوعی در محیط اورژانس، محققان بهطور گذشتهنگر پرونده ۱۰۳۲ بیمار مشکوک به STEMI را مورد بررسی قرار دادند. این بیماران کسانی بودند که پروتکلهای اورژانس برای بازگرداندن جریان خون در مورد آنها فعال شده بود. دادهها از سه مرکز مختلف جمعآوری و بین ژانویه ۲۰۲۰ تا می ۲۰۲۴ ثبت شدند.
نوار قلب اولیه هر بیمار به کمک مدل هوش مصنوعی Queen of Hearts تجزیه و تحلیل شد. این مدل برای شناسایی انسداد حاد عروق کرونر و همچنین تشخیص موارد مشابه با STEMI و تفکیک آنها از موارد غیر اورژانسی آموزش دیده بود. نتایج آنژیوگرافی و نشانگرهای بیولوژیک تایید کرد که از این تعداد، ۶۰۱ بیمار واقعا دچار STEMI بودند و ۴۳۱ مورد بهاشتباه مثبت تشخیص داده شده بودند.
مدل هوش مصنوعی ECG عملکرد برتری در مقایسه با روش تریاژ استاندارد داشت. این فناوری توانست ۵۵۳ مورد از ۶۰۱ حمله قلبی واقعی را شناسایی کند، در حالیکه تریاژ استاندارد تنها ۴۲۷ مورد را بهدرستی شناسایی کرده بود. نرخ مثبت کاذب در مدل هوش مصنوعی فقط ۷.۹ درصد بود، در حالیکه این میزان برای تریاژ استاندارد بالغ بر ۴۱.۸ درصد گزارش گردید.
تیموتی دی هنری، نویسنده ارشد این مطالعه از بیمارستان کرایست در سینسیناتی، بیان کرد که این نتایج نشاندهنده پتانسیل بالای هوش مصنوعی است. او به این نکته اشاره کرد که تشخیص تقویتشده توسط هوش مصنوعی در اولین تماس پزشکی میتواند زمان رسیدن به درمان را کاهش داده و هشدارهای کاذب را به حداقل برساند. این فناوری، ابزاری مؤثر جهت بهینهسازی انتقال بیماران از مراکز غیرتخصصی به شمار میرود.
همچنین، محمد الخولی، متخصص قلب در کلینیک مایو، در سرمقالهای که همراه این پژوهش منتشر شده، از محققان برای توسعه مدلی کاربردی در یکی از چالشبرانگیزترین حوزههای قلب تشکر کرد. با این حال، او بر لزوم احتیاط در تفسیر این مدل تاکید کرد، زیرا این فناوری در اصل برای شناسایی شریانهای مسدود طراحی شده است. او همچنین بر نیاز به اعتبارسنجی بیشتر در جمعیتهای مختلف و دشواری در ادغام این فناوری بهعنوان مکمل ارزیابی انسانی تأکید کرد.
