به گزارش سلامت نیوز به نقل از مدرن مد از digitalhealthnews، این پژوهش به سرپرستی زیاد اوبرمایر، دانشیار دانشگاه برکلی، انجام شده است. محققان برای آموزش این مدل از بیش از ۴۴۰ هزار نوار قلب ثبت‌شده در سوئد استفاده کردند و داده‌ها را با اطلاعات گواهی‌های رسمی فوت این کشور تطبیق دادند. عملکرد سامانه نیز در ادامه با استفاده از مجموعه داده‌های بیماران در ایالات متحده و تایوان مورد ارزیابی و تأیید قرار گرفت.

در حال حاضر، مهم‌ترین معیار برای ارزیابی خطر مرگ ناگهانی قلبی، کسر جهشی بطن چپ (LVEF) است که توانایی قلب در پمپاژ خون را نشان می‌دهد. با این حال، بسیاری از بیمارانی که بعدها دچار مرگ ناگهانی قلبی می‌شوند، عملکرد طبیعی بطن چپ دارند؛ موضوعی که دقت روش‌های فعلی غربالگری را محدود کرده است.

نتایج این مطالعه نشان داد مدل هوش مصنوعی توانسته گروهی از بیماران را شناسایی کند که خطر سالانه مرگ ناگهانی قلبی در آنها حدود ۷ درصد برآورد شده است؛ در حالی که این میزان با روش‌های استاندارد کنونی ۴.۶ درصد است.

از سوی دیگر، بیش از ۸۶ درصد افرادی که توسط این مدل به‌عنوان پرخطر شناسایی شدند، با روش‌های رایج فعلی هرگز در گروه پرخطر قرار نمی‌گرفتند. این یافته نشان می‌دهد که هوش مصنوعی قادر است الگوهای پنهانی را در نوار قلب کشف کند که تاکنون از دید پزشکان و ابزارهای تشخیصی متداول پنهان مانده‌اند.

زیاد اوبرمایر، سرپرست این پژوهش، در این باره گفت: «یکی از جنبه‌های تلخ این مشکل، و در عین حال دلیلی که آن را به مسئله‌ای مناسب برای هوش مصنوعی تبدیل می‌کند، این است که درمان مؤثری برای آن وجود دارد. اگر بدانیم چه کسی در معرض مرگ ناگهانی قلبی قرار دارد، می‌توان او را به متخصص قلب ارجاع داد و در صورت نیاز دستگاه دفیبریلاتور قابل کاشت برایش تعبیه کرد. اما چالش اصلی این است که پزشکان پیش از وقوع حادثه نمی‌توانند به‌طور دقیق تشخیص دهند چه کسی به این درمان نیاز دارد.»

به گفته پژوهشگران، هدف این فناوری جایگزین کردن قضاوت بالینی پزشکان نیست، بلکه می‌تواند به‌عنوان ابزاری کمکی، بیماران پرخطری را که نیازمند بررسی‌های تخصصی‌تر قلبی هستند، با دقت بیشتری شناسایی کند. در صورت تأیید در مطالعات بالینی گسترده‌تر، این فناوری می‌تواند نقش مهمی در پیشگیری از مرگ‌های ناگهانی قلبی و بهبود تصمیم‌گیری‌های درمانی ایفا کند.