در این مقاله

• چرا پیش‌بینی مرگ ناگهانی قلبی همچنان دشوار است؟
• چگونه ابزارهای بالینی سنتی ناکارآمد هستند - به خصوص در بیماران جوان‌تر
• چه چیزی مدل هوش مصنوعی MAARS را دقیق‌تر و منصفانه‌تر می‌کند؟
• چرا تصاویر خام پزشکی از خلاصه‌های تخصصی مهم‌ترند؟
• چگونه هوش مصنوعی می‌تواند پاسخگویی و اعتماد پزشکی را از نو تعریف کند

هوش مصنوعی در پیش‌بینی بیماری‌های قلبی از پزشکان پیشی می‌گیرد

مرگ ناگهانی قلبی (SCD) شانس دوباره‌ای نمی‌دهد. این بیماری اغلب بدون هشدار رخ می‌دهد و عامل تعداد سرسام‌آوری از مرگ و میر در سراسر جهان است - سالانه بین ۵۰ تا ۱۰۰ نفر از هر ۱۰۰۰۰۰ نفر در آمریکای شمالی و اروپا. در حالی که دفیبریلاتورهای قابل کاشت می‌توانند از این تراژدی‌ها جلوگیری کنند، چالش واقعی این است که بدانیم چه کسی واقعاً به آنها نیاز دارد. اینجاست که علم پزشکی از نظر تاریخی دچار مشکل شده است - به خصوص در بیماران مبتلا به کاردیومیوپاتی هیپرتروفیک (HCM)، یک بیماری ارثی که اغلب جوانان و به ظاهر سالم را مبتلا می‌کند.

پزشکان به دستورالعمل‌های مبتنی بر کسر تخلیه - میزان خونی که قلب با هر ضربان پمپاژ می‌کند - تکیه کرده‌اند. اما بیماران مبتلا به HCM معمولاً کسر تخلیه پایینی ندارند. قلب آنها حتی ممکن است بیش‌فعال باشد. بنابراین، علائم هشداردهنده به اندازه کافی هشداردهنده نیستند. و وقتی ابزارهای سنتی خطا می‌کنند، بیماران تاوان نهایی را می‌پردازند.

معرفی MAARS: یک پیش‌بینی‌کننده‌ی هوشمندتر

توسط تیمی در دانشگاه جانز هاپکینز توسعه داده شدهوش مصنوعی چندوجهی برای طبقه‌بندی ریسک آریتمی بطنی - که خوشبختانه به اختصار MAARS نامیده می‌شود - فقط به یک جنبه از سلامت بیمار نگاه نمی‌کند. این هوش مصنوعی از همه چیز یاد می‌گیرد: پرونده‌های الکترونیکی سلامت (EHR)، گزارش‌های اکوکاردیوگرام، تصاویر MRI با کنتراست بالا و موارد دیگر. این مدل از یادگیری عمیق مبتنی بر ترانسفورماتور، یک معماری شبکه عصبی نسل بعدی مشابه آنچه هوش مصنوعی مانند ChatGPT یا ابزارهای تشخیص تصویر را تقویت می‌کند، استفاده می‌کند.

این پیشرفت در نحوه پردازش این اطلاعات توسط MAARS نهفته است. به جای دریافت تفسیر پزشکان از MRI، داده‌های خام اسکن را می‌خواند. این به معنای عدم فیلتر شدن توسط چشم انسان، عدم سوگیری و عدم سهل‌انگاری است. این سیستم الگوهای فیبروز - جای زخم درون قلب - را که یک رادیولوژیست ممکن است از آن غافل شود، شناسایی می‌کند. و این کار را به صورت سه‌بعدی با استفاده از یک Vision Transformer (3D-ViT) انجام می‌دهد و تمام پیچیدگی قلب واقعی انسان را حفظ می‌کند.

عملکرد بسیار بهتر از متخصصان

بیایید در مورد نتایج صحبت کنیم. در آزمایش با ابزارهای بالینی استاندارد - دستورالعمل‌های ACC/AHA، نمرات ریسک ESC و ماشین‌حساب HCM Risk-SCD - MAARS نه تنها رقبا را کنار زد، بلکه آنها را در هم کوبید. در گروه اعتبارسنجی داخلی، MAARS به سطح زیر منحنی (AUC) 0.89 رسید. ابزارهای بالینی بین 0.54 و 0.62 در نوسان بودند. در آزمایش خارجی از یک سیستم بیمارستانی متفاوت، MAARS همچنان با AUC 0.81 - بسیار بالاتر از هر چیزی که پزشکان در حال حاضر استفاده می‌کنند - قوی بود.

این یک پیشرفت جزئی نیست. این یک تغییر اساسی است. برای درک بهتر، AUC برابر با ۰.۵ مانند پرتاب سکه است. ابزارهای پیشرو به سختی از این آستانه بالاتر می‌روند. MAARS نه تنها بهتر پیش‌بینی می‌کند، بلکه در گروه‌های سنی، جنسیت‌ها و نژادها، دقیق و مداوم پیش‌بینی می‌کند.

تعصب در پزشکی: مشکلی که هوش مصنوعی می‌تواند آن را حل کند

انصاف اینجا یک کلمه کلیدی نیست - بحث مرگ و زندگی است. ابزارهای پزشکی اغلب به دلیل داده‌های محدود آزمایش یا فرضیات نادرست، در مورد اقلیت‌ها و بیماران جوان‌تر با شکست مواجه می‌شوند. اما MAARS که بر اساس یک چارچوب چندوجهی ساخته شده است، عملکرد فوق‌العاده یکسانی را در بین زیرگروه‌ها نشان داد. چه بیمار جوان باشد چه پیر، مرد باشد چه زن، آمریکایی آفریقایی‌تبار باشد چه سفیدپوست، MAARS با دقت تقریباً یکسانی عمل کرد. این در پیش‌بینی بالینی نادر است - و در دنیایی که نابرابری‌های بهداشتی رو به گسترش است، حیاتی است.

یک نکته‌ی شگفت‌انگیز؟ قومیت آمریکایی آفریقایی‌تبار در واقع با کاهش خطر SCDA در مدل همبستگی داشت - نتیجه‌ای که مستلزم بررسی عمیق‌تر است، اما همچنین به بینش ظریفی که هوش مصنوعی می‌تواند ارائه دهد اشاره دارد، به خصوص وقتی که اجازه می‌دهیم به جای فرضیات انسانی، از داده‌های خام استفاده کند.

شفافیت در یک جعبه سیاه

اکثر مردم به الگوریتم‌های جعبه سیاه اعتماد ندارند - و حق هم دارند. MAARS فقط یک نمره ریسک ارائه نمی‌دهد؛ بلکه خودش را توضیح می‌دهد. این مدل با استفاده از تکنیک‌هایی مانند مقادیر Shapley و نقشه‌برداری توجه، عوامل مؤثر بر تصمیم‌گیری را آشکار می‌کند. آیا سابقه فیبریلاسیون دهلیزی بوده است؟ آیا تست استرس، پاسخ ضربان قلب پایین‌تری را نشان می‌دهد؟ یا الگوهای پنهان در فیبروز در اسکن قلب؟ MAARS پزشکان را در حال حدس زدن رها نمی‌کند. این الگوریتم به آنها یک نقشه راه برای درک ریسک - و به طور بالقوه، آسیب‌شناسی زمینه‌ای - می‌دهد.

این تفسیرپذیری به عنوان یک ویژگی نیست. بلکه تفسیرپذیری به عنوان یک مسئولیت است. وقتی هوش مصنوعی توصیه‌های تغییردهنده زندگی ارائه می‌دهد، به خصوص در مورد اینکه چه کسی دفیبریلاتور کاشته شده دریافت می‌کند، شفافیت ضروری است. MAARS این را به صورت بصری و آماری ارائه می‌دهد.

چرا داده‌های خام پزشکی بازی را تغییر می‌دهند؟

در اینجا درسی وجود دارد که فراتر از قلب‌شناسی است: داده‌های خام بر خلاصه‌ها برتری دارند. گزارش‌های پزشکان، اگرچه بسیار ارزشمند هستند، اما ذهنیت‌گرایی را مطرح می‌کنند. اما MAARS خود سیگنال - اسکن واقعی - را می‌خواند و الگوهایی را یاد می‌گیرد که هیچ انسانی به آن یاد نداده است که ببیند. این سیستم به آنچه که ما از قبل مهم می‌دانیم محدود نمی‌شود. با انجام این کار، حتی معنای «مهم» را در محیط بالینی نیز بازتعریف می‌کند.

این تغییر، از تفسیر داده‌های پیش‌پردازش‌شده به تحلیل ورودی‌های خام، محور موج بعدی هوش مصنوعی پزشکی است. این تغییر از تقلید از پزشکان به تقویت یا پیشی گرفتن از آنها تغییر می‌کند. این تفاوت بین آموزش یک طوطی و تربیت یک متخصص تشخیص بیماری است.

محدودیت‌ها و موانع دنیای واقعی

بیایید MAARS را بی‌عیب و نقص جلوه ندهیم. مانند همه مدل‌ها، با چالش‌هایی روبرو است. گروه‌های آموزشی آن نسبتاً کوچک بودند - در مجموع کمی بیش از ۸۰۰ بیمار - و مرگ ناگهانی قلبی همچنان یک رویداد نادر است. این به معنای نقاط داده محدود برای آنچه مدل در نهایت سعی در پیش‌بینی آن دارد، است. در حالی که الگوریتم در اعتبارسنجی داخلی و خارجی عملکرد خوبی داشته است، نیاز به آزمایش در جمعیت‌های وسیع‌تر و جدول‌های زمانی طولانی‌تر دارد.

مانع دیگر؟ زیرساخت مورد نیاز. همه بیمارستان‌ها سخت‌افزار تصویربرداری، خطوط پردازش داده یا پرسنل لازم برای پیاده‌سازی چنین سیستمی را ندارند. با این حال، با تکامل اشتراک‌گذاری داده‌ها، ذخیره‌سازی ابری و تشخیص با کمک هوش مصنوعی، مدل‌های مشابه MAARS ممکن است بسیار قابل دسترس‌تر شوند - حتی در کلینیک‌های کوچک‌تر یا مناطق در حال توسعه.

بازتعریف پاسخگویی و قضاوت بالینی

این سوال ناراحت‌کننده‌ای است: وقتی یک ماشین چیزی را می‌بیند که پزشک شما از قلم انداخته است، چه اتفاقی می‌افتد؟ آیا به مدل اعتماد می‌کنیم؟ یا به قضاوت ایمن انسان تکیه می‌کنیم؟ MAARS این مرز را جابجا می‌کند. این سیستم جایگزین پزشکان نمی‌شود - آنها را به چالش می‌کشد تا متفاوت فکر کنند، داده‌هایی را که ممکن است وقت کافی برای تجزیه و تحلیل کامل آنها نداشته باشند، ادغام کنند و به ابزارهایی تکیه کنند که محدود به خواب، استرس یا شهود بالینی نیستند.

آینده، تقابل انسان و ماشین نیست. آینده، تقابل انسان و ماشین است. و وقتی صحبت از جلوگیری از یکی از ناگهانی‌ترین و غم‌انگیزترین علل مرگ می‌شود، این همکاری می‌تواند بی‌نهایت ارزشمند باشد.

MAARS شاید فقط یکی از حروف اختصاری در مجموعه حروف الفبای هوش مصنوعی پزشکی باشد، اما پیامدهای آن فراتر از قلب و عروق است. این کلمه نکته‌ای حیاتی در مورد آینده مراقبت‌های پزشکی به ما می‌گوید: هوشمندانه‌ترین تشخیص ممکن است نه از آنچه می‌بینید، بلکه از آنچه در نهایت تصمیم می‌گیرید به آن اعتماد کنید، حاصل شود.

درباره نویسنده

الکس جردن نویسنده‌ی InnerSelf.com است.

خلاصه مقاله

MAARS یک مدل هوش مصنوعی چندوجهی است که با تجزیه و تحلیل داده‌های خام تصویربرداری و پزشکی، ایست قلبی را با دقت بیشتری نسبت به پزشکان پیش‌بینی می‌کند. این مدل، ارزیابی‌های ریسک منصفانه‌تر، شفاف‌تر و بسیار شخصی‌سازی‌شده‌تری را در کاردیومیوپاتی هیپرتروفیک ارائه می‌دهد. MAARS با عملکرد بهتر از ابزارهای سنتی و کاهش سوگیری، جهشی بزرگ در پیش‌بینی بیماری‌های قلبی و مراقبت‌های بهداشتی مبتنی بر هوش مصنوعی را نشان می‌دهد.

#پیش‌بینی_قلبی #مراقبت_سلامت_هوش_مصنوعی #مدل_MAARS #مرگ_ناگهانی_قلبی #بیماری_قلبی #هوش_مصنوعی #هوش_مصنوعی_پزشکی #مراقبت_قلبی_عروقی #فناوری_سلامت #اکوکاردیوگرام #تصویربرداری_CMR