فیبریلاسیون دهلیزی - ضربان قلب نامنظم و اغلب سریع - یک بیماری شایع است که اغلب منجر به تشکیل لخته‌هایی در قلب می‌شود که می‌توانند به مغز بروند و باعث سکته مغزی شوند.

همانطور که در مطالعه منتشر شده در Circulation توضیح داده شده، تیمی به رهبری محققان در بیمارستان عمومی ماساچوست (MGH) و موسسه Broad MIT و هاروارد روشی مبتنی بر هوش مصنوعی را برای شناسایی بیمارانی که در معرض خطر ابتلا به فیبریلاسیون دهلیزی هستند توسعه داده‌اند.

محققان روش مبتنی بر هوش مصنوعی را برای پیش‌بینی خطر فیبریلاسیون دهلیزی طی پنج سال آینده بر اساس نتایج الکتروکاردیوگرام (تست‌های غیرتهاجمی که سیگنال‌های الکتریکی قلب را ثبت می‌کنند) در 45770 بیمار که مراقبت‌های اولیه را در MGH دریافت می‌کنند، توسعه دادند. سپس، دانشمندان روش خود را در سه مجموعه داده بزرگ از مطالعات شامل 83162 فرد به کار بردند. روش مبتنی بر هوش مصنوعی خطر فیبریلاسیون دهلیزی را به تنهایی پیش‌بینی می‌کرد و وقتی با عوامل خطر بالینی شناخته شده برای پیش‌بینی این بیماری ترکیب شد، هم افزایی داشت.

این روش همچنین در زیرمجموعه هایی از افرادی که نارسایی قلبی یا سکته قبلی داشتند، بسیار پیش بینی کننده بود.

نویسنده ارشد استیون لوبیتز می گوید: "ما نقش الگوریتم های هوش مصنوعی مبتنی بر الکتروکاردیوگرام را برای کمک به شناسایی افرادی که در معرض بیشترین خطر فیبریلاسیون دهلیزی هستند، می بینیم."

محققان الکتروفیزیولوژی در MGH می‌افزایند: «کاربرد چنین الگوریتم‌هایی می‌تواند پزشکان را وادار کند تا عوامل خطر مهم فیبریلاسیون دهلیزی را اصلاح کنند که ممکن است خطر ابتلا به بیماری را به طور کلی کاهش دهد.»

لوبیتز اضافه می کند که این الگوریتم می تواند به عنوان یک ابزار پیش غربالگری برای بیمارانی که ممکن است در حال حاضر فیبریلاسیون دهلیزی شناسایی نشده را تجربه کنند، عمل کند و پزشکان را وادار کند تا فیبریلاسیون دهلیزی را با استفاده از مانیتورهای طولانی مدت ریتم قلب جستجو کنند، که به نوبه خود می تواند منجر به اقدامات پیشگیری از سکته شود.

یافته‌های این مطالعه همچنین قدرت بالقوه هوش مصنوعی - که در این مورد شامل نوع خاصی به نام یادگیری ماشینی است - برای پیشرفت پزشکی را نشان می‌دهد.

آنتونی فیلیپاکیس می گوید: "با انفجار فناوری های علم داده و حجم عظیمی از داده های بالینی موجود، یادگیری ماشینی آماده است تا به پزشکان و محققان کمک کند تا گام های بزرگی را در افزایش مراقبت های قلب و عروق بردارند. من به عنوان یک دانشمند داده و متخصص قلب سابق، از اینکه ببینم چگونه روش‌های مبتنی بر یادگیری ماشینی می‌توانند با آزمایش‌ها و رویکردهای بالینی که ما هر روز برای کمک به بهبود پیش‌بینی خطر و مراقبت از بیماران مبتلا به فیبریلاسیون دهلیزی استفاده می‌کنیم، کار کنند، هیجان‌زده هستم."

201000825.337