تفسیر عملکرد نوار قلب بهبودیافته با هوش مصنوعی در محیطهای پرخطر با منابع محدود
در سالهای اخیر، هوش مصنوعی (AI) نوار قلب (ECG) را به ابزاری تشخیصی قدرتمند تبدیل کرده است که میتواند بسیاری از بیماریهای قلبی و غیرقلبی را با دقت بالا شناسایی کند. یکی از مدلهای رایج نوار قلب مبتنی بر هوش مصنوعی (AI-ECG)، مدلی است که نارسایی سیستولیک بطن چپ (LVSD) را تشخیص میدهد. اگرچه این مدلها دقت بالایی از خود نشان دادهاند، اما بیشتر آنها بر روی دادههای کشورهای پردرآمد آموزش دیده و آزمایش شدهاند و اعتبارسنجی بیرونی آنها در محیطهای کممنابع (مانند منطقه جنوب صحرای آفریقا) عمدتاً انجام نشده است. همچنین، بیشتر مدلهای AI-ECG به صورت گذشتهنگر بر روی مجموعهدادههای بزرگ تاریخی ارزیابی شدهاند و شمار مطالعات اعتبارسنجی آیندهنگر در این زمینه اندک است.
یافتههای اصلی
در این شماره از JAMA Cardiology، پاندی و همکاران نتایج مطالعه مقطعی آیندهنگر خود را گزارش کردهاند که به دنبال پر کردن این شکافهاست. آنها مدل AI-ECG را برای تشخیص LVSD در بزرگسالان مراجعهکننده به مراکز درمانی در کنیا، در محیطی با منابع محدود، مورد ارزیابی قرار دادند و پیشبینیهای AI-ECG را با استاندارد طلایی اکوکاردیوگرافی اعتبارسنجی کردند.
این مطالعه شامل ۶۶۷۸ شرکتکننده بود که در نهایت دادههای ۱۴۴۴ نفر دارای جفتهای ECG-اکوکاردیوگرافی مورد تحلیل قرار گرفت. نویسندگان عملکرد چشمگیری را گزارش میکنند:
- حساسیت:۹۵.۶٪
- ویژگی:۷۹.۴٪
- ارزش اخباری مثبت:۴۳.۲٪
- ارزش اخباری منفی:۹۹.۱٪
- سطح زیر منحنی ROC:۰.۹۶
این نتایج، استفاده از AI-ECG را برای غربالگری LVSD در محیطهای کممنابع که ممکن است دسترسی گسترده به اکوکاردیوگرافی وجود نداشته باشد، تأیید میکند؛ هرچند میزان مثبت کاذب همچنان قابل توجه است.
نکات مهم و محدودیتها
با این حال، باید تأکید کرد که میزان LVSD تأییدشده با اکوکاردیوگرافی در این مطالعه بسیار بالا (۱۴.۱٪) بود که به مراتب بیشتر از میزان مورد انتظار در جمعیت عمومی افراد جویای درمان در بسیاری از محیطهای دیگر است. میانگین کسر جهشی بطن چپ در افراد مبتلا به LVSD نیز بسیار پایین (۲۷.۶٪) گزارش شد. این میزان بالای LVSD منعکسکننده سه نکته مهم است:
۱. جامعه مطالعه محدود به افرادی است که به دنبال درمان بودهاند و بنابراین احتمالاً بیماری شدیدتری دارند.
۲. میزان عوامل خطر سنتی مانند فشارخون بالا در منطقه بسیار زیاد است که به اختلال عملکرد بطن چپ منجر میشود.
۳. بر اساس تحلیلهای پیشین، بار بیماریهای قلبی-عروقی در قاره آفریقا بیشتر ناشی از نارسایی قلبی است تا بیماری عروق کرونر.
علاوه بر این، گروهی که در این مطالعه تحت اکوکاردیوگرافی قرار گرفتند، به طور قابل توجهی از نظر LVSD «غنیسازی» شده بودند. از ۶۶۷۸ بیمار ثبتنامشده، ۱۴۴۴ نفری که در نهایت جفتهای ECG و اکوکاردیوگرافی داشتند، حتی در معرض خطر بالاتری برای LVSD بودند. در زیرگروه اکوکاردیوگرافی، ۳۱.۲٪ دارای پیشبینی پرخطر AI-ECG برای LVSD بودند، در حالی که این میزان در کل گروه وسیعتر تنها ۱۸.۳٪ بود. از افرادی که تحت اکوکاردیوگرافی قرار گرفتند، ۲۴.۸٪ سابقه بیماری قلبی-عروقی (CVD) داشتند و ۴۹.۰٪ دیگر نمره خطر قلبی فرامینگام معادل ۱۰٪ یا بیشتر را نشان میدادند که مجدداً حاکی از ماهیت پرخطر این زیرگروه است.
این یافتهها نشان میدهد که افراد وارد شده در این مطالعه، حتی نسبت به جمعیت عمومی جویای درمان در محیطی مانند کنیا، در انتهای طیف پرخطر قرار دارند. بنابراین، نتایج باید در همین بافت تفسیر شده و در تعمیم آنها به سایر محیطها احتیاط کرد.
جمعبندی
مقاله حاضر توسط پاندی و همکاران، یک ارزیابی آیندهنگر از کاربرد نوار قلب مبتنی بر هوش مصنوعی (AI-ECG) در یک محیط درمانی با منابع محدود محسوب میشود.
با وجود نکات قابل توجهی که در مورد میزان بالای شیوع بیماری در جمعیت مورد مطالعه و غنیسازی زیرگروه اکوکاردیوگرافی از نظر شدت بیماری وجود دارد، این پژوهش یک افزوده ارزشمند به ادبیات رو به رشد حوزه AI-ECG است.
به عبارت دیگر، اگرچه خواننده باید احتیاط کند که این یافتهها را مستقیماً به جمعیتهای کمخطرتر یا محیطهای دیگر با منابع متفاوت تعمیم دهد، اما مطالعه پاندی و همکاران به وضوح نشان میدهد که هوش مصنوعی پتانسیل بالایی برای پر کردن شکاف تشخیصی در مناطقی دارد که دسترسی به فناوریهای استاندارد مانند اکوکاردیوگرافی محدود است.
ارزش اخباری منفی بسیار بالای این روش (بیش از ۹۹٪) به ویژه برای رد کردن قطعی وجود نارسایی سیستولیک بطن چپ در محیطهای شلوغ و کمبرخوردار، یک دستاورد بالینی مهم است. با این حال، میزان مثبت کاذب بالا (ناشی از ویژگی ۷۹.۴٪) همچنان یک چالش عملی است که نیازمند مدیریت بالینی دقیق و احتمالاً تأیید二次ی با اکوکاردیوگرافی در دسترس خواهد بود.
در پایان، نویسندگان تفسیر حاضر (نگ و همکاران) تأکید میکنند که این نوع مطالعات آیندهنگر در شرایط واقعی، گامی ضروری برای عبور از مرحله اثبات مفهوم به مرحله کاربرد بالینی مؤثر و ایمن هوش مصنوعی در قلب و عروق است. انجام هرچه بیشتر چنین پژوهشهایی در نقاط مختلف جهان با سطوح متفاوت درآمد و منابع، اکیداً توصیه میشود تا بتوان به درک جامعتری از عملکرد واقعی این الگوریتمها دست یافت.
تفسیر عملکرد ECG بهبود یافته با هوش مصنوعی در محیطهای پرخطر و با منابع محدود
