کاردیومیوپاتی هیپرتروفیک (HCM) یکی از علل اصلی مرگ ناگهانی در نوجوانان است و تشخیص اولیه اغلب دشوار است.

یک مطالعه جدید در دانشگاه کالیفرنیا سانفرانسیسکو نشان می دهد که الکتروکاردیوگرام (ECG) با هوش مصنوعی تقویت شده ممکن است به شناسایی شرایط در مراحل اولیه آن کمک کند و تغییرات مهم مرتبط با بیماری را در طول زمان بررسی کند.

نویسندگان نشان دادند که تجزیه و تحلیل AI از ECG ها نه تنها می تواند به طور دقیق تشخیص HCM را پیش بینی کند، بلکه همچنین AI-ECG به صورت طولی با فشارهای قلبی و اندازه گیری های آزمایشگاهی مربوط به HCM ارتباط دارد.

این مطالعه نشان می‌دهد که آنالیز هوش مصنوعی می‌تواند اطلاعات بسیار بیشتری از ECG مربوط به پاتوفیزیولوژی انسدادی HCM نسبت به تفسیر دستی ECG به دست آورد و اولین مطالعه‌ای است که نشان می‌دهد تجزیه و تحلیل AI ECG به طور بالقوه می‌تواند برای نظارت بر فیزیولوژیک و همودینامیک مرتبط با بیماری استفاده شود. محققان دو الگوریتم AI-ECG مجزا از UCSF و مایو کلینیک را برای ECGهای قبل از درمان و حین درمان از کارآزمایی بالینی فاز 2 PIONEER-OLE اعمال کردند.پس از نشان دادن اینکه هر دو الگوریتم به طور دقیق HCM را در داده‌های کارآزمایی بالینی بدون آموزش اضافی تشخیص دادند، سپس نشان دادند که نمرات HCM AI-ECG به صورت طولی با وضعیت بیماری که با کاهش در طول زمان در شیب‌های مجرای خروجی بطن چپ و پپتید ناتریورتیک (NT-proBNP) اندازه‌گیری می‌شود، همبستگی دارد.

ارتباط طولی امتیاز HCM AI-ECG قابل توجه بود و احتمالاً منعکس کننده تغییرات در شکل موج ECG خام بود که توسط AI-ECG قابل تشخیص بود و با پاتوفیزیولوژی بیماری HCM و شدت آن مرتبط بود. پتانسیل AI-ECG با این واقعیت گسترش می یابد که ECG اکنون می تواند از راه دور از طریق الکترودهای مجهز به گوشی هوشمند اندازه گیری شود و ممکن است امکان ارزیابی از راه دور پیشرفت بیماری و همچنین پاسخ به درمان دارویی را فراهم کند.

نویسندگان پیشنهاد می کنند که مطالعات آینده برای تعیین اینکه آیا AI-ECG می تواند وضعیت بیماری را ردیابی کند و به عنوان راهنمای اندازه گیری دارو برای افزایش ایمنی مورد استفاده قرار گیرد، مورد نیاز است.

201001217.425