تشخیص نارسایی قلبی به کمک سیستم هوش مصنوعی
تقریبا ده درصد از افراد دارای سن بیش از ۶۵ سال، دچار نوعی نارسایی احتقانی قلب (CHF) هستند. علل مختلفی برای CHF وجود دارد، اما وضعیت پایه‌ای مزمن این بیماری معمولا ناشی از عدم توانایی قلب در پمپاژ مؤثر خون به سرتاسر بدن است.
پرتونگاری اشعه ایکس، آزمایش‌های خون و سونوگرافی، همه روش‌های مفیدی برای تشخیص CHF هستند اما یکی از رایج‌ترین روش‌ها استفاده از سیگنال‌های الکتریکی قلب (ECG) برای تعیین تغییر در ضربان قلب طی چندین دقیقه یا حتی چندین اندازه‌گیری در طول روز است. به‌تازگی یک روش جدید مبتنی بر شبکه عصبی پیچشی (CNN) معرفی شده است که می‌تواند با بررسی داده‌های ECG حاصل از تنها یک ضربان قلب، سریعا CHF را تشخیص دهد. سباستین ماسارو از دانشگاه ساری انگلستان می‌گوید:
ما مدل CNN را روی مجموعه‌ی بزرگی از داده‌ها که در آن افراد مبتلا به CHF و افراد سالم حضور داشتند، مورد آزمایش قرار دادیم. دقت مدل ما صددرصد بود: فقط با بررسی یک ضربان قلب، می‌توانیم مشخص کنیم که آیا فرد دچار نارسایی قلبی است یا نه. این مدل همچنین یکی از نخستین مدل‌های شناخته شده است که می‌تواند ویژگی‌های مورفولوژیکی ECG را که با شدت بیماری ارتباط دارند، شناسایی کند.
اگرچه سیستم طراحی‌شده دارای دقت باورنکردنی صددرصد است اما این پژوهش محدودیت‌هایی نیز دارد. مهم‌تر از همه اینکه داده‌های مورد استفاده در مطالعه تنها مربوط به بیماران دچار نارسایی قلبی شدید و افراد سالم بود. پژوهشگران خاطرنشان می‌کنند که این روش ممکن است درمورد بیمارانی که دچار CHF خفیف‌تری هستند، تا این اندازه دقیق نباشد. بنابراین قبل از اینکه این تکنولوژی استفاده‌ی بالینی پیدا کند، لازم است که قدرت آن در تشخیص طیف وسیع‌تری از موارد CHF مورد بررسی قرار گیرد. بااین‌حال، تکنولوژی جدید به ابزارهای تشخیصی مبتنی بر هوش مصنوعی که درحال توسعه هستند، اضافه می‌کند. این ابزارها نویدبخش تحولی عظیم در روش‌های بالینی مورد استفاده برای ارزیابی داده‌های پزشکی به‌شمار می‌روند.
اخیرا گروهی از پژوهشگران کلینیک مایو سعی کردند که برای شناسایی بیمارانی که مبتلا به اختلال عملکرد بدون نشانه‌ی بطن چپ هستند، از شبکه‌های عصبی استفاده کنند. این وضعیت، یک حالت مقدماتی از نارسایی قلبی است که تشخیص آن برای پزشکان بسیار دشوار است. پژوهشگران به این منظور فقط از ده ثانیه از داده‌های ECG ثبت‌شده استفاده کردند. جالب‌تر اینکه، احتمال توسعه‌ی دستگاه‌های نظارت بر سلامت پوشیدنی است که پزشکان ازطریق آن‌ها می‌توانند بدون نیاز به معاینه، بیماران در معرض خطر را شناسایی کنند.
ماسارو و گروهش پیشنهاد کردند که کار آن‌ها درزمینه‌ی تشخیص CHF براساس اطلاعات ثبت‌شده کوتاه‌مدت حاصل از ECG می‌تواند مسیر را برای توسعه‌ی پوشیدنی‌های سلامت که به‌طور مدام بیماران را در شرایط واقعی تحت نظارت قرار می‌دهد، هموار کند. پژوهشگران در مقاله‌ی خود چنین نتیجه‌گیری کردند:
این یک نتیجه‌ی مهم است زیرا با افزایش دسترسی به دستگاه‌های پوشیدنی که داده‌های ECG را ثبت می‌کنند (مثلا ساعت‌های هوشمند)، شاید به‌زودی پیش‌بینی و تشخیص دقیق CHF ازطریق دستگاه‌هایی که افراد آن‌ها را در شرایط روزمره با خود همراه دارند، ممکن شود.