بزرگنمايي:

سیاست و بازاریابی - ایسنا /تحقیقات جدید نشان داده است که هوش مصنوعی آموزش‌دیده بر روی داده‌های ساده ضربان قلب می‌تواند یک دوره از شایع‌ترین اختلالات ریتم قلب که فیبریلاسیون دهلیزی نامیده می‌شود را 30 دقیقه قبل از وقوع پیش‌بینی کند. با برنامه‌ریزی گنجاندن این مدل در یک تلفن همراه هوشمند به طوری که بتواند داده‌های یک ساعت هوشمند را تجزیه و تحلیل کند می‌توان از آن به عنوان یک سیستم هشدار اولیه استفاده کرد.
شایع‌ترین اختلال ریتم قلب، فیبریلاسیون دهلیزی(AF) است که به طور قابل توجهی مراجعات بخش اورژانس و خطر بیماری‌های دیگر مانند سکته مغزی و زوال عقل را افزایش می‌دهد. این عارضه زمانی اتفاق می‌افتد که حفره‌های فوقانی قلب یا دهلیزها به‌طور آشفته‌ای می‌تپند و با حفره‌های پایینی یا بطن‌ها هماهنگ نیستند و ریتم قلبی نامنظم و اغلب بسیار سریعی ایجاد می‌کنند.
بازگرداندن بیمار از فیبریلاسیون دهلیزی به ریتم منظم سینوسی می‌تواند به مداخلات فشرده‌ای مانند کاردیوورژن و وارد کردن شوک کم انرژی نیاز داشته باشد. بنابراین، تشخیص یک دوره از فیبریلاسیون دهلیزی قبل از وقوع، مداخلات اولیه را امکانپذیر می‌کند که ممکن است نتایج درمان بیمار را بهبود بخشد.
محققان مرکز سیستم‌های زیست‌پزشکی لوکزامبورگ(LCSB) در دانشگاه لوکزامبورگ مطالعه‌ای را منتشر کرده‌اند که در آن یک مدل یادگیری عمیق برای پیش‌بینی دقیق و 30 دقیقه زودتر از وقوع فیبریلاسیون دهلیزی آموزش دیده است.
در حال حاضر، الکتروکاردیوگرافی(ECG) یا نوار قلب فقط می‌تواند فیبریلاسیون دهلیزی را درست قبل از وقوع آن تشخیص دهد، بنابراین نمی‌توان آن را یک سیستم هشدار اولیه در نظر گرفت.
خورخه گونکالوز(Jorge Goncalves)، نویسنده مسئول این مطالعه می‌گوید: ما از داده‌های ضربان قلب برای آموزش یک مدل یادگیری عمیق استفاده کردیم که می‌تواند مراحل مختلف مانند ریتم سینوسی، پیش فیبریلاسیون دهلیزی و فیبریلاسیون دهلیزی را تشخیص دهد و احتمال خطر ابتلا به یک اتفاق قریب‌الوقوع را محاسبه کند.
این مدل هشدار فیبریلاسیون دهلیزی(Warning of Atrial fibRillatioN) یا وارن(WARN) نامیده می‌شود، بر روی ضبط 24 ساعته نوار قلب که از 350 بیمار در بیمارستان تانگجی، چین جمع آوری شده بود، آموزش داده و آزمایش شد. داده‌ها توسط متخصصین قلب به عنوان ریتم سینوسی، پیش فیبریلاسیون دهلیزی و فیبریلاسیون دهلیزی دسته‌بندی شدند.
برای آموزش مدل برای تشخیص علائم پیش از فیبریلاسیون دهلیزی، محققان از تنوع در فاصله بین امواج در نوار قلب به عنوان منبع اصلی داده استفاده کردند.
با جمع‌آوری نمونه‌های 30 ثانیه‌ای هر 15 ثانیه، مدل یادگیری عمیق احتمال بروز فیبریلاسیون دهلیزی قریب الوقوع را محاسبه کرد. در داده‌های آزمایش، وارن شروع فیبریلاسیون دهلیزی را به‌طور متوسط 31 دقیقه و 33 دقیقه قبل از وقوع، به ترتیب با دقت 83 و 73 درصد پیش‌بینی کرد.