التدريب والتحقق

درب الفريق نموذج التعلم العميق باستخدام أكثر من 440 ألف تخطيط قلب من السويد، مرتبطة بشهادات الوفاة، حيث غذوا النموذج بمسحات من أشخاص أصحاء ومرضى معرضين للخطر وآخرين ماتوا لاحقًا بسبب الموت القلبي المفاجئ حتى تعلم التعرف على أنماط الموجات المتنبئة بالنتيجة . ثم تحققوا من صحة النموذج على آلاف الملفات الإضافية من كل من الولايات المتحدة (منطقة سان دييغو) وتايوان (تايبيه) . يؤكد مقال مصاحب في مجلة Nature أن النموذج طُور باستخدام بيانات واسعة من تخطيط القلب وسجلات الوفاة .

أداء كشف المخاطر

يحدد نظام الذكاء الاصطناعي مجموعة عالية الخطورة بمعدل 7% سنويًا للموت القلبي المفاجئ، مقارنة بالاختبارات السريرية القياسية (التي تقيس كمية الدم التي يضخها القلب في النبضة) التي تحدد مجموعة عالية الخطورة بمعدل 4.6% فقط سنويًا . النموذج حدد مجموعة أكبر من المعرضين للمخاطر وتنبأ بشكل أفضل بمن سيعاني من الموت القلبي المفاجئ—فروق تترجم إلى آلاف المرضى سنويًا الذين يبدون منخفضي المخاطر وفقًا للمقاييس التقليدية .

لماذا كان الكشف صعبًا جدًا؟

يقتل توقف القلب المفاجئ أكثر من 300 ألف شخص في الولايات المتحدة كل عام ويحدث عندما يتوقف النظام الكهربائي للقلب فجأة عن العمل دون سابق إنذار . يلاحظ أوبرماير أن علاجًا فعالًا موجود—أجهزة مزيل الرجفان القابلة للزرع التي تصعق القلب لإعادته إلى نظمه الطبيعي—لكن الأطباء لا يستطيعون تحديد من يحتاجها قبل فوات الأوان . المشكلة الأساسية هي أن الناس يموتون فجأة بحيث يكاد يكون من المستحيل معرفة ما كان يحدث داخل القلب قبل ذلك؛ تشريح الجثث يكشف تفاصيل هيكلية لكن ليس الوظيفة الكهربائية مباشرة قبل الموت .

الخطوات التالية

يخطط الباحثون لنشر الخوارزمية في أنظمة الرعاية الصحية لمساعدة الأطباء في تحديد من يحتاج إلى جهاز مزيل الرجفان القلبي القابل للزرع . تفتح الدراسة أيضًا الباب لأبحاث جديدة في الآلية الفسيولوجية الكامنة وراء الأعطال الكهربائية القلبية. صرح أوبرماير أن الهدف هو "ليس فقط اتخاذ قرارات أفضل، بل البدء أيضًا في فهم ما يحدث بالفعل لهؤلاء المرضى قبل توقف قلبهم" . نظرًا لأن تخطيط القلب روتيني ومنخفض التكلفة ومتوفر في المراكز الطبية حول العالم، يمكن توسيع نطاق الأداة على نطاق واسع لإنقاذ الأرواح .

التدريب والتحقق

درب الفريق نموذج التعلم العميق باستخدام أكثر من 440 ألف تخطيط قلب من السويد، مرتبطة بشهادات الوفاة، حيث غذوا النموذج بمسحات من أشخاص أصحاء ومرضى معرضين للخطر وآخرين ماتوا لاحقًا بسبب الموت القلبي المفاجئ حتى تعلم التعرف على أنماط الموجات المتنبئة بالنتيجة . ثم تحققوا من صحة النموذج على آلاف الملفات الإضافية من كل من الولايات المتحدة (منطقة سان دييغو) وتايوان (تايبيه) . يؤكد مقال مصاحب في مجلة Nature أن النموذج طُور باستخدام بيانات واسعة من تخطيط القلب وسجلات الوفاة .

أداء كشف المخاطر

يحدد نظام الذكاء الاصطناعي مجموعة عالية الخطورة بمعدل 7% سنويًا للموت القلبي المفاجئ، مقارنة بالاختبارات السريرية القياسية (التي تقيس كمية الدم التي يضخها القلب في النبضة) التي تحدد مجموعة عالية الخطورة بمعدل 4.6% فقط سنويًا . النموذج حدد مجموعة أكبر من المعرضين للمخاطر وتنبأ بشكل أفضل بمن سيعاني من الموت القلبي المفاجئ—فروق تترجم إلى آلاف المرضى سنويًا الذين يبدون منخفضي المخاطر وفقًا للمقاييس التقليدية .

لماذا كان الكشف صعبًا جدًا؟

يقتل توقف القلب المفاجئ أكثر من 300 ألف شخص في الولايات المتحدة كل عام ويحدث عندما يتوقف النظام الكهربائي للقلب فجأة عن العمل دون سابق إنذار . يلاحظ أوبرماير أن علاجًا فعالًا موجود—أجهزة مزيل الرجفان القابلة للزرع التي تصعق القلب لإعادته إلى نظمه الطبيعي—لكن الأطباء لا يستطيعون تحديد من يحتاجها قبل فوات الأوان . المشكلة الأساسية هي أن الناس يموتون فجأة بحيث يكاد يكون من المستحيل معرفة ما كان يحدث داخل القلب قبل ذلك؛ تشريح الجثث يكشف تفاصيل هيكلية لكن ليس الوظيفة الكهربائية مباشرة قبل الموت .

الخطوات التالية

يخطط الباحثون لنشر الخوارزمية في أنظمة الرعاية الصحية لمساعدة الأطباء في تحديد من يحتاج إلى جهاز مزيل الرجفان القلبي القابل للزرع . تفتح الدراسة أيضًا الباب لأبحاث جديدة في الآلية الفسيولوجية الكامنة وراء الأعطال الكهربائية القلبية. صرح أوبرماير أن الهدف هو "ليس فقط اتخاذ قرارات أفضل، بل البدء أيضًا في فهم ما يحدث بالفعل لهؤلاء المرضى قبل توقف قلبهم" . نظرًا لأن تخطيط القلب روتيني ومنخفض التكلفة ومتوفر في المراكز الطبية حول العالم، يمكن توسيع نطاق الأداة على نطاق واسع لإنقاذ الأرواح .