سالانه بیش از ۳۰۰,۰۰۰ نفر در ایالات متحده بر اثر ایست ناگهانی قلب جان خود را از دست می‌دهند. این وضعیت اورژانسی و کشنده زمانی رخ می‌دهد که سیستم الکتریکی قلب ناگهان از کار می‌افتد و باعث می‌شود قلب از پمپاژ خون باز بماند. این عارضه می‌تواند هم بزرگسالان مسن با شرایط قلبی شناخته‌شده و هم ورزشکاران جوان ظاهراً سالم را تحت تأثیر قرار دهد. اگرچه دفیبریلاتورهای کاشتنی می‌توانند برخی از این مرگ‌ها را جلوگیری کنند، پزشکان مدت‌هاست که برای تعیین اینکه کدام بیماران بیشترین نیاز را به این دستگاه‌ها دارند، با مشکل مواجه بوده‌اند.
اکنون، پژوهشگران دانشگاه کالیفرنیا، برکلی سیگنال هشداردهنده‌ای را که قبلاً نادیده گرفته شده بود، در اسکن‌های معمول قلب شناسایی کرده‌اند که می‌تواند تشخیص افراد در معرض خطر را قبل از وقوع یک رویداد کشنده آسان‌تر کند.
این کشف با استفاده از هوش مصنوعی آموزش‌دیده بر روی بیش از ۴۴۰,۰۰۰ نوار قلب (EKG) جمع‌آوری شده در سوئد انجام شد. محققان با مقایسه الگوهای الکتریکی ثبت‌شده در این اسکن‌ها با اطلاعات موجود در گواهی‌نامه‌های فوت، به یک سیستم هوش مصنوعی یاد دادند تا تفاوت‌های ظریف بین افراد سالم، بیماران با ریسک قلبی شناخته‌شده و افرادی که در نهایت بر اثر علل ناگهانی قلبی جان خود را از دست دادند، را تشخیص دهد.
سپس تیم تحقیقاتی فناوری مذکور را با استفاده از هزاران رکورد اضافی بیمار از ایالات متحده و تایوان ارزیابی کرد تا بررسی کند آیا این الگوها می‌توانند افراد با ریسک بالا را در جمعیت‌های مختلف به طور قابل اعتماد شناسایی کنند یا خیر.
هوش مصنوعی خطرات پنهان قلبی را که در تست‌های استاندارد نادیده گرفته می‌شوند، شناسایی می‌کند
نتایج نشان می‌دهد که هوش مصنوعی می‌تواند بیماران آسیب‌پذیر را مؤثرتر از تست‌های متعارفی که پزشکان معمولاً به آن‌ها تکیه می‌کنند، شناسایی کند. روش‌های غربالگری فعلی عمدتاً بر میزان خونی که قلب در هر انقباض پمپاژ می‌کند تمرکز دارند؛ اندازه‌گیری‌ای که برای ارزیابی اینکه آیا فرد ممکن است از دفیبریلاتور کاشتنی بهره‌مند شود، استفاده می‌شود.
با استفاده از این اندازه‌گیری‌های سنتی، پزشکان می‌توانند گروهی از بیماران را با نرخ سالانه مرگ ناگهانی قلبی ۴.۶ درصد شناسایی کنند. اما سیستم هوش مصنوعی گروهی را با نرخ سالانه مرگ ۷ درصد شناسایی کرد که نشان‌دهنده توانایی بیشتر در تمایز بیماران مواجه با خطر جدی است.
مهم‌تر اینکه، الگوریتم همچنین جمعیت گسترده‌تری از افراد با ریسک افزایش‌یافته را شناسایی کرد، شامل هزاران نفر که معمولاً تحت دستورالعمل‌های پزشکی موجود نگرانی ایجاد نمی‌کردند. اکثر این افراد با روش‌های متعارف به عنوان نسبتاً کم‌خطر طبقه‌بندی می‌شدند.
یک مزیت عمده دیگر این است که سیستم هوش مصنوعی با تصاویر معمولی EKG کار می‌کند که از قبل به صورت روتین در بیمارستان‌ها و مراکز پزشکی سراسر جهان جمع‌آوری می‌شوند. این بدان معناست که این فناوری می‌تواند به طور بالقوه غربالگری را بدون نیاز به نوع کاملاً جدیدی از آزمایش پزشکی بهبود بخشد.
یافته‌هایی که در مجله Nature منتشر شده‌اند، می‌توانند در نهایت به پزشکان کمک کنند تا تصمیمات آگاهانه‌تری درباره اینکه چه کسی باید دفیبریلاتور کاشتنی دریافت کند، اتخاذ نمایند. همچنین این یافته‌ها پرسش علمی جذابی را درباره تغییراتی که در داخل قلب رخ می‌دهد و منجر به الگوهای الکتریکی می‌شود که هوش مصنوعی یاد گرفته است آن‌ها را تشخیص دهد، مطرح می‌کنند.
«تصمیمات پزشکی واقعاً دشوار هستند و فکر می‌کنم همین دلیل هیجان‌انگیز بودن هوش مصنوعی برای من است»، گفت زیاد اوبرمایر (Ziad Obermeyer)، دانشیار دانشکده بهداشت عمومی دانشگاه کالیفرنیا، برکلی و نویسنده اصلی این مطالعه. «ما نه تنها می‌توانیم تصمیمات بهتری بگیریم، بلکه شروع به درک آنچه واقعاً قبل از توقف قلب این بیماران در حال رخ دادن است، خواهیم کرد.»
چرا پیش‌بینی مرگ ناگهانی قلبی بسیار دشوار است؟
ایست ناگهانی قلبی با حمله قلبی متفاوت است. حمله قلبی زمانی رخ می‌دهد که جریان خون به بخشی از قلب مسدود یا به شدت محدود شود. در مقابل، ایست قلبی ناشی از اختلال در سیگنال‌های الکتریکی است که ضربان قلب را هماهنگ می‌کنند.
احیای قلبی ریوی (CPR) فوری و شوک الکتریکی از طریق یک دفیبریلاتور خارجی خودکار گاهی اوقات می‌تواند ریتم قلب را بازگرداند. با این حال، حدود ۹۰ درصد از افرادی که خارج از بیمارستان دچار ایست ناگهانی قلبی می‌شوند، ظرف چند دقیقه جان خود را از دست می‌دهند، که این موضوع شناسایی زودهنگام افراد در معرض خطر را به ویژه اهمیت می‌بخشد.
برای اوبرمایر، پزشک اورژانس که تحقیقات او ترکیبی از هوش مصنوعی، پزشکی و سیاست‌گذاری سلامت است، مرگ ناگهانی قلبی همچنان یکی از ناامیدکننده‌ترین مسائل حل‌نشده پزشکی باقی مانده است.
از آنجا که قربانیان اغلب بدون هشدار جان خود را از دست می‌دهند، فرصت‌های محدودی برای محققان وجود دارد تا مشاهده کنند دقیقاً قبل از توقف قلب، در داخل آن چه اتفاقی می‌افتد. کالبدشکافی ممکن است رگ‌های خونی مسدود، بافت سخت‌شده یا سایر ناهنجاری‌های ساختاری را آشکار کند، اما نمی‌تواند به طور کامل عملکرد قلب را در لحظات منتهی به مرگ نشان دهد.
«یکی از چیزهایی که این مسئله را بسیار تراژیک، اما همچنین بسیار مناسب برای هوش مصنوعی می‌کند، این است که ما درمان این مشکل را داریم»، گفت اوبرمایر. «اگر می‌دانستید که شما یکی از آن افرادی هستید که قرار است بمیرید، به متخصص قلب مراجعه می‌کردید و یک دفیبریلاتور کاشتنی دریافت می‌کردید. مشکل اینجاست که پزشکان نمی‌توانند قبل از خیلی دیر شدن، بفهمند چه کسی به آن نیاز دارد.»
مشکل غربالگری فعلی ریسک قلبی
پزشکان در حال حاضر به شدت به اندازه‌گیری‌ای وابسته‌اند که نشان می‌دهد قلب با هر ضربان چقدر مؤثر خون را به بیرون پمپاژ می‌کند. بیمارانی که قلبشان زیر یک آستانه مشخص پمپاژ می‌کند، ممکن است نامزد دریافت دفیبریلاتور کاردیوورتر کاشتنی (ICD) باشند؛ دستگاهی که می‌تواند هنگام توسعه ریتم خطرناک قلب، شوک الکتریکی وارد کند.
اما به دست آوردن این اندازه‌گیری معمولاً نیازمند ارزیابی پزشکی گسترده‌تری است. بسیاری از افرادی که در نهایت دچار ایست ناگهانی قلبی می‌شوند، هرگز چنین آزمایش‌هایی انجام نمی‌دهند زیرا هیچ دلیل واضحی برای مشکوک بودن به خطر ندارند.
این رویکرد همچنین محدودیت‌هایی برای بیمارانی دارد که به عنوان پرخطر شناسایی می‌شوند. حدود دو سوم از دفیبریلاتورهای کاشتنی در این بیماران هرگز نیازی به ارائه شوک پیدا نمی‌کنند. در نتیجه، بسیاری از افراد تحت عملیات‌های گران‌قیمت و تهاجمی برای اورژانس‌های بالقوه کشنده‌ای قرار می‌گیرند که ممکن است هرگز رخ ندهند.
در همان زمان، هزاران نفر که به عنوان در معرض خطر شناخته نشده‌اند، سالانه به طور غیرمنتظره جان خود را از دست می‌دهند.
«در بخشی از آن افراد، اگر فقط به موقع می‌دانستیم، می‌توانستیم از آن مرگ‌ها جلوگیری کنیم»، گفت اوبرمایر. «جان زیادی از دست می‌رود از افرادی که بر اثر مرگ ناگهانی قلبی می‌میرند، در حالی که اگر ابزارهای هوش مصنوعی بهتری برای یافتن این موارد داشتیم، قابل پیشگیری بودند.»
پژوهشگران امیدوارند که شناسایی نشانه‌های هشداردهنده دقیق‌تر بتواند به پزشکان کمک کند تا درمان‌های پیشگیرانه را به سمت بیمارانی هدایت کنند که بیشترین بهره را از آن می‌برند.
چگونه محققان هوش مصنوعی را برای تشخیص الگوهای کشنده قلبی آموزش دادند
توسعه الگوریتم نیازمند سه مجموعه مستقل از داده‌های پزشکی جمع‌آوری شده از نقاط مختلف جهان بود.
محققان با شش سال ضبط EKG از سیستم مراقبت‌های بهداشتی یکپارچه سوئد شروع کردند. با ارتباط این اسکن‌ها با گواهی‌نامه‌های فوت، آن‌ها می‌توانستند الگوهای الکتریکی بیمارانی را که بعداً دچار مرگ ناگهانی قلبی شدند بررسی کنند و آن‌ها را با سایر بیماران مقایسه نمایند.
هوش مصنوعی یاد گرفت تا ترکیباتی از قله‌ها، امواج و سایر ویژگی‌ها در ضبط‌ها را که به نظر می‌رسید با افزایش ریسک مرتبط هستند، شناسایی کند. پس از آموزش سیستم، تیم آن را بر روی دو مجموعه داده اضافی آزمایش کرد: دو سال رکوردهای ناشناس EKG از یک سیستم بیمارستانی در سن دیگو و مجموعه جداگانه‌ای از داده‌های بیمار در تایپه.
این آزمایش بین‌المللی به محققان کمک کرد تا ارزیابی کنند آیا توانایی‌های پیش‌بینی الگوریتم فراتر از جمعیت سوئدی که برای توسعه آن استفاده شده بود، امتداد می‌یابد یا خیر.
«هوش مصنوعی خوب با داده‌های خوب شروع می‌شود»، گفت اوبرمایر که همچنین بخشی از برنامه مشترک سلامت محاسباتی دقیق UCSF-UC Berkeley است. «متأسفانه، دسترسی به داده‌هایی مانند آنچه ما برای این مطالعه استفاده کردیم، فوق‌العاده دشوار است. این بخش بزرگی از دلیل کمبود هوش مصنوعی بالینی مورد استفاده در امروز است.»
به دست آوردن و سازماندهی اطلاعات خودش یک تلاش عظیم بود. به گفته اوبرمایر، گردآوری مجموعه داده‌ها تقریباً ۱۰ سال طول کشید و شامل مشارکت دو سازمانی بود که او به تأسیس آن‌ها کمک کرد: Dandelion Health و Nightingale Open Science. هر دو سازمان برای پیشبرد تحقیقات پزشکی از طریق دسترسی بهتر به داده‌ها و هوش مصنوعی فعالیت می‌کنند.
«این یکی از لوکس‌های بزرگ حضور در برکلی است»، گفت اوبرمایر. «شما می‌توانید پروژه‌هایی را دنبال کنید که فقط یک احتراق آهسته هستند و سپس -- امیدوارم -- بازگشت بزرگی داشته باشند وقتی از خط پایان عبور می‌کنند.»
از سیگنال‌های پنهان قلبی تا درمان‌های نجات‌بخش
محققان آغاز کرده‌اند به کاوش در نحوه استفاده از سیستم در محیط‌های واقعی مراقبت‌های بهداشتی.
اوبرمایر با سیستم‌های پزشکی در سوئد، تایوان و ایالات متحده برای معرفی الگوریتم به پایگاه‌های داده EKG بیمارستان‌ها همکاری می‌کند. هدف، بررسی اسکن‌های قلبی موجود برای علائم ریسک افزایش‌یافته و شناسایی بیمارانی است که ممکن است از نظارت اضافی بهره‌مند شوند.
بر اساس رویکرد پیشنهادی، پزشکان با بیمارانی که EKG آن‌ها ارزیابی پرخطر دریافت می‌کند تماس خواهند گرفت و به آن‌ها فرصت پوشیدن یک پچ را می‌دهند که فعالیت الکتریکی قلبشان را به طور مداوم ثبت می‌کند.
این ضبط‌های طولانی‌تر می‌توانند سرنخ‌های ارزشمندی درباره فرآیندهای بیولوژیکی مسئول سیگنال‌های هشداردهنده تشخیص داده شده توسط هوش مصنوعی ارائه دهند. درک آن فرآیندها می‌تواند به محققان کمک کند توضیح دهند چرا برخی قلب‌ها بیشتر در معرض خطر توسعه ناگهانی اختلالات الکتریکی کشنده هستند.
برای برخی بیماران، اطلاعات اضافی ممکن است در نهایت از توصیه برای دریافت دفیبریلاتور کاشتنی پشتیبانی کند و به طور بالقوه از یک مرگ ناگهانی و غیرمنتظره جلوگیری نماید.
اوبرمایر همچنین وب‌سایتی ایجاد کرده است که در آن افرادی که مایل به یادگیری درباره ریسک شخصی خود هستند، می‌توانند اطلاعات پایه شخصی و یک آدرس ایمیل ارائه دهند. تیم تحقیقاتی سپس می‌تواند هنگامی که فناوری به طور گسترده‌تر در دسترس قرار گرفت، برای تحلیل EKG با آن‌ها تماس بگیرد.
آیا هوش مصنوعی می‌تواند رازهای جدیدی درباره قلب انسان فاش کند؟
فراتر از پتانسیل آن برای بهبود پیشگیری از مرگ ناگهانی قلبی، این کشف نشان می‌دهد که چگونه هوش مصنوعی می‌تواند به دانشمندان کمک کند تا معماهای پزشکی را که در برابر رویکردهای متعارف مقاومت کرده‌اند، بررسی کنند.
الگوریتم به جای صرفاً شناسایی بیمارانی که ممکن است نیاز به درمان داشته باشند، الگوهایی در فعالیت قلبی کشف کرده است که محققان هنوز آن‌ها را به طور کامل درک نکرده‌اند. مطالعه آن سیگنال‌ها می‌تواند منجر به بینش‌های جدید درباره اختلالات الکتریکی مسئول مرگ ناگهانی قلبی شود و به طور بالقوه فرصت‌های اضافی برای پیشگیری را آشکار سازد.
اوبرمایر معتقد است این توانایی برای کشف الگوهای بیولوژیکی که قبلاً ناشناخته بودند، می‌تواند به یکی از مهم‌ترین مشارکت‌های هوش مصنوعی در پزشکی تبدیل شود و جهت‌گیری‌های جدیدی برای تحقیقات باز کند، در حالی که به پزشکان کمک می‌کند تصمیمات بهتری بگیرند.
«همچنین راه جدیدی برای انجام علم از این ابزارها بیرون خواهد آمد»، گفت اوبرمایر، «و فکر کردن به اینکه چگونه این اتفاق شروع می‌شود، جذاب است.»