این رویکرد جدید مبتنی بر هوش مصنوعی می‌تواند به طور قابل توجهی دقیق‌تر از یک پزشک، پیش‌بینی کند که آیا و چه زمانی بیمار ممکن است بر اثر ایست قلبی بمیرد. این فناوری که بر اساس تصاویر خام از قلب بیمار و پیشینه بیمار ساخته شده است، می‌تواند تصمیم‌گیری بالینی را متحول کند و احتمال بقای انسان از آریتمی‌های ناگهانی و کشنده قلبی که یکی از مرگبارترین و گیج‌کننده‌ترین شرایط پزشکی است، را افزایش دهد. نتایج این پژوهش که توسط محققان دانشگاه جانز هاپکینز هدایت می‌شود، در 7 آوریل 2022 در نشریه Nature Cardiovascular Research منتشر شده است.

ناتالیا ترایانووا، نویسنده ارشد این تحقیق و استاد مهندسی بیومدیکال موری ب. ساکس، می‌گوید: «مرگ ناگهانی قلبی ناشی از آریتمی حدود 20 درصد از کل مرگ و میر‌ها در سراسر جهان را تشکیل می‌دهد و ما در مورد علت وقوع آن یا چگونگی تشخیص اینکه چه کسی در معرض خطر است، اطلاعات کمی داریم. در دنیای پزشکی بیمارانی وجود دارند که ممکن است در خطر مرگ ناگهانی قلبی نباشند، اما به علت عدم آگاهی کافی دفیبریلاتور‌هایی دریافت می‌کنند که ممکن است به آن‌ها نیازی نداشته باشند و یا برعکس بیماران پرخطری باشند که درمان مورد نیاز خود را دریافت نمی‌کنند و همین باعث می‌شود تا در اوج زندگی‌شان، بمیرند. آنچه که الگوریتم ما می‌تواند انجام دهد این است که تعیین کند چه کسانی در معرض خطر مرگ قلبی قرار دارد و این مرگ چه زمانی ممکن است اتفاق بیفتد. این قابلیت شگفت انگیز به پزشکان اجازه می‌دهد تا تصمیم درست و دقیقی بگیرند که نتیجه آن کاهش قابل توجه مرگ و میر ناشی از ایست قلبی خواهد بود.

این تیم اولین گروهی است که از شبکه‌های عصبی برای ایجاد ارزیابی بقای شخصی برای هر بیمار مبتلا به بیماری قلبی استفاده می‌کند. این فناوری، با دقت بسیار بالا پیش بینی احتمال مرگ ناگهانی قلبی در طی 10 سال و زمانی که احتمال وقوع آن بیشتر است را فراهم می‌کند. فناوری جدید پیشبینی، مطالعه بقای خطر آریتمی قلبی (SSCAR) نامیده می‌شود. این نام اشاره‌ای به اسکار قلبی ناشی از بیماری قلبی دارد که اغلب منجر به آریتمی‌های کشنده می‌شود و کلید پیش بینی‌های الگوریتم است.

این تیم از تصاویر قلبی تقویت‌شده با کنتراست استفاده کرد که توزیع اسکار صد‌ها بیمار واقعی در بیمارستان جانز هاپکینز را با زخم‌های قلبی تجسم می‌کرد تا الگوریتمی را برای تشخیص الگو‌ها و روابطی که با چشم غیرمسلح قابل مشاهده نیستند، آموزش دهند. تجزیه و تحلیل تصویر قلب بالینی کنونی تنها ویژگی‌های اسکار ساده مانند حجم و جرم را استخراج می‌کند، و از آنچه در این کار نشان داده شده است، به عنوان داده‌های حیاتی استفاده نمی‌کند.

دان پوپسکو، دانشجوی سابق دکترای جانز هاپکینز و نویسنده اول این مقاله، گفت: «تصاویر جدید حاوی اطلاعات مهمی هستند که پزشکان پیش از آن قادر به دسترسی به آن‌ها نبوده‌اند. این اسکار می‌تواند به روش‌های مختلفی توزیع شود تا اطلاعاتی ارزشمندی در مورد شانس بقای بیمار را ارائه دهد، اطلاعاتی که پیش از این در آن تصاویر پنهان مانده بود.» این تیم یک شبکه عصبی دوم را نیز آموزش داد تا از 10 سال داده‌های استاندارد بالینی بیماران، 22 عامل مانند سن، وزن، نژاد و مصرف دارو‌های تجویزی بیماران را بیاموزد.