براساس مطالعه‌ای جدید، هوش مصنوعی (AI) می‌تواند در تشخیص بهتر حمله قلبی «تحولی» پدید آورد و فشار بر بخش فوریت‌های پزشکی را کاهش دهد. طبق تحقیق دانشگاه ادینبرو، به زودی پزشکان می‌توانند حملات قلبی را با بهره‌گیری از الگوریتمی تدوین‌شده با استفاده از هوش مصنوعی، سریع‌تر و دقیق‌تر از قبل تشخیص دهند.
به..
ست نیوز
براساس مطالعه‌ای جدید، هوش مصنوعی (AI) می‌تواند در تشخیص بهتر حمله قلبی «تحولی» پدید آورد و فشار بر بخش فوریت‌های پزشکی را کاهش دهد. طبق تحقیق دانشگاه ادینبرو، به زودی پزشکان می‌توانند حملات قلبی را با بهره‌گیری از الگوریتمی تدوین‌شده با استفاده از هوش مصنوعی، سریع‌تر و دقیق‌تر از قبل تشخیص دهند.
به گفته محققان، این روش می‌تواند به رفع نابرابری‌های خطرناک در تشخیص این بیماری نیز کمک کند.
به گزارش ایتنا و به نقل از ایندیپندنت، طبق یافته‌های این محققان، در قیاس با روش‌های آزمایش فعلی، الگوریتمی به نام «CoDE-ACS» توانست وقوع حمله قلبی را در بیش از دو برابر تعداد بیماران با دقت ۹۹.۶ درصد منتفی اعلام کند.
کارشناسان می‌گویند قابلیت منتفی اعلام کردن حمله قلبی با سرعتی بیش از قبل، می‌تواند تا حد زیادی میزان بستری شدن در بیمارستان‌ها را کاهش دهد.
نیکلاس میلز، پروفسور قلب و عروق بنیاد قلب بریتانیا (BHF) در مرکز علوم قلب و عروق دانشگاه ادینبرو و سرپرست این تحقیق، گفت: «برای بیمارانی که به دلیل حمله قلبی درد حاد قفسه سینه دارند، تشخیص و درمان زودهنگام نجات‌بخش است.»
«متاسفانه، بسیاری از عارضه‌ها، این نشانه‌های رایج را ایجاد می‌کنند و تشخیص همیشه راحت نیست.»
«مهار و به‌کارگیری داده‌ها و هوش مصنوعی برای پشتیبانی از تصمیم‌های بالینی به منظور بهبود مراقبت از بیماران و افزایش کارایی بخش‌های فوریت‌های پزشکی پرازدحام، قابلیت بسیار زیادی دارد.»
در حال حاضر آزمایش‌های بالینی برای ارزیابی توانایی این ابزار در کمک به پزشکان برای کاهش فشار در بخش فوریت‌های پزشکی پرازدحام در اسکاتلند در حال انجام است.
«کد-ای‌سی‌اس» افزون بر سرعت بالا در منتفی اعلام کردن خطر حمله قلبی در بیماران، همچنین می‌تواند به پزشکان کمک کند تا افرادی را شناسایی کند که سطوح غیرطبیعی تروپونین (پروتئینی که در جریان حمله قلبی در جریان خون آزاد می‌شود) آنان، ناشی از حمله قلبی بوده است؛ نه دلایل دیگر.
طبق یافته‌های این مطالعه، این ابزار هوش مصنوعی، فارغ از سن، جنسیت یا شرایط سلامتی قبلی بیمار، عملکرد خوبی داشته است.
به گفته محققان، این یافته‌ها نشان می‌دهد که هوش مصنوعی قابلیت آن را دارد که تشخیص‌های اشتباه و نابرابری‌های تشخیصی را بین مردم کاهش دهد.
طبق این یافته‌ها، این الگوریتم با شناسایی سریع بیمارانی که رفتن به خانه برای آنها بی‌خطر است، و مشخص کردن نیازمندان به آزمایش‌های بیشتر بیمارستانی برای پزشکان، می‌تواند مراقبت‌های اورژانسی را کارآمدتر و موثرتر کند.
پروفسور سر نیلش سمانی، مدیر پزشکی بنیاد قلب‌وعروق بریتانیا، گفت: «درد قفسه سینه، از شایع‌ترین دلایل رجوع افراد به بخش‌های اورژانس است.»
«پزشکان در سراسر جهان روزانه با این چالش مواجه‌اند که بیمارانی را که دردشان ناشی از حمله قلبی است، از آن‌هایی تمیز دهند که دردشان از مشکلات کم خطرتر ناشی می‌شود.»
« کد-ای‌سی‌اس با استفاده از هوش‌مصنوعی و علوم داده‌ای پیشرفته تدوین شده است و بالقوه می‌تواند دقیق‌تر از رهیافت‌های کنونی، وقوع حمله قلبی را تایید یا رد کند.»
«این الگوریتم با کوتاه کردن زمان لازم برای تشخیص، می‌تواند در بخش‌های فوریت پزشکی تحولی ایجاد کند و برای بیماران وضعیت خیلی بهتری پدید می‌آورد.»
معیار طلایی کنونی برای تشخیص حمله قلبی، اندازه‌گیری میزان پروتئین تروپونین در خون است.
اما به این علت که برای تمامی بیماران همین آستانه را می‌سنجند، عامل‌هایی مانند سن، جنسیت و دیگر مشکلات سلامتی اثرگذار بر میزان تروپونین، در معرض توجه قرار نمی‌گیرد.
این می‌تواند بر میزان دقت در تشخیص حمله قلبی اثر بگذارد و به نابرابری تشخیصی منجر شود.
برای نمونه، طبق تحقیقی قبلی که با تامین اعتبار بی‌اچ‌اف انجام گرفته است، احتمال تشخیص ابتدایی نادرست در مورد زنان، ۵۰ درصد بیشتر است.
همچنین، آمار نشان می‌دهد که خطر مرگ پس از گذشت ۳۰ روز در مورد افرادی که تحت تشخیص ابتدایی اشتباه قرار می‌گیرند، ۷۰ درصد بیشتر است.
به گفته محققان، این الگوریتم جدید فرصتی فراهم می‌آورد تا بتوان از این وضعیت جلوگیری کرد.
برای تدوین این الگوریتم، از داده‌های ۱۰ هزار و ۳۸ بیمار در اسکاتلند استفاده شد که گمان می‌رفت سکته قلبی کرده باشند و به بیمارستان انتقال یافته بودند.
این الگوریتم با استفاده از اطلاعات مربوط به بیمار، مانند سن، جنسیت، نتایج نوارقلبی و سوابق درمانی، و نیز میزان تروپونین که طبق روال معینی گردآوری شده است، احتمال اینکه فرد به حمله قلبی دچار شده باشد، پیش‌بینی می‌کند.
در نتیجه، برای هر بیمار میزان احتمالی بین صفر تا ۱۰۰ تعیین می‌شود.منبع :ایتنا
