هوش مصنوعی در کاردیومیوپاتی چقدر نقش دارد؟
خلاصه مقاله
مدل مبتنی بر یادگیری ماشین میتواند برای شناسایی بیمارانی که در معرض خطر ابتلا به کاردیومیوپاتی حامل آمیلوئید ترانستیترین نوع طبیعی هستند، استفاده شود.
#Neuro_AI
عنوان مقاله: مدل یادگیری برای شناسایی بیماران در معرض ابتلا به کاردیومیوپاتی حامل آمیلوئید
مدل مبتنی بر یادگیری ماشین میتواند برای شناسایی بیمارانی که در معرض خطر ابتلا به کاردیومیوپاتی حامل آمیلوئید ترانستیترین نوع طبیعی هستند، استفاده شود. کاردیومیوپاتی آمیلوئیدی ترانستیترین، یک علت شایع اما اغلب ناشناختهی نارسایی قلب است که با یک پایدار کنندهی ترانستیترین قابل درمان است.
بنابراین، شناسایی بیمارانی که در معرض خطر ابتلا به این بیماری هستند و تحت آزمونهای هدفمند برای تشخیص و درمان زودهنگام قرار میگیرند، بسیار حائز اهمیت است.
در این مطالعه، نویسندگان با استفاده از یک مدل یادگیری ماشین از نوع Random Forest روی دادههای پزشکی برای شناسایی حالات محتمل کاردیومیوپاتی آمیلوئیدی ترانستیترین طبیعی ایجاد نموده اند.
این مدل در ۱۰۷۱ مورد بیمار و ۱۰۷۱ نمونه کنترلی بدون آمیلوئید جهش یافته مورد استفاده قرار گرفته و در یک مجموعه بزرگ از نمونه های ملی(۹۴۱۲ مورد بیمار و ۹۴۱۲ نمونه کنترل متناسب) و همچنین در یک مجموعه بزرگ بر اساس پروندهی الکترونیکی سلامت (۲۶۱ مورد بیمار و ۳۹۳۹۳ نمونه کنترل) تأیید شده است.
این مطالعه با هدف توسعه و تأیید یک مدل یادگیری ماشینی انجام شده است که میتواند به طور سیستماتیک کاردیومیوپاتی آمیلوئید ترانس تیرتین نوع طبیعی (ATTR-CM) را با استفاده از دادههای پزشکی شناسایی کند.
این مدل با استفاده از ICD به عنوان ویژگیها در الگوریتم Random Forest آموزش داده شد و به صورت داخلی و خارجی در گروههای مختلف آزمایش شده است. فنوتیپها و ترکیبهای فنوتیپ مرتبط با ATTR-CM بر اساس ویژگیهای منتخب شناساییشده توسط مدل تولید شدند.
هدف نهایی از ساخت این مدل، خودکار کردن شناسایی ATTR-CM با استفاده از این مدل و سایر آزمایشهای بالینی است که منجر به تشخیص و مداخله زودتر برای بیماران با ریسک بالا میشود.
نتایج نشان داده است که که این مدل در شناسایی بیماران با آمیلوئید قلبی در همه مجموعهها موثر بوده و به عنوان یک ابزار مفید برای افزایش تشخیص ابتلا به کاردیومیوپاتی آمیلوئیدی ترانستیترین در بیماران مبتلا به نارسایی قلبی ارائه شده است.
مرجع:
https://doi.org/10.1038/s41467-021-22876-9
گرد آورنده:آسیه کفاشباشی
ادیت: خانم دکتر الناز امانزاده- دکتر فرزان فهیم
مقالات مرتبط
هرآنچه در مدیریت هایپوناترمی مهم است.
هایپوناترمی شرایط خطرناکی است که در بیماران بویژه بیماران جراحی مغز و اعصاب بسیار خطرناک است.
تظاهرات عصبی عفونت حاد HIV
در جمعیتهای جدید تبدیل سرمی شیوع بالایی از نوروپاتی محیطی و اختلال عملکرد شناختی در AHIV(acut hiv ) را نشان میدهد، حتی اگر این یافتهها به طور کلاسیک با عفونت مزمن HIV مرتبط باشد. آزمایشهای تشخیصی مراقبتی محدود برای AHI و تشخیص تأخیری عفونت همچنان منجر به عدم شناسایی و گزارش کم تظاهرات عصبی AHI میشود. AHI باید برای طیف وسیعی از شرایط عصبی، از فلج بل، متفاوت باشد. درمان این شرایط شامل شروع زودهنگام درمان ضد رتروویروسی (ART) و سپس درمانهای استاندارد ارائه خاص است. مننژیت آسپتیک، که عموماً با سردرد و علائم مننژی تظاهر میکند، شایعترین تظاهرات CNS AHI است که در عرض 2 هفته پس از عفونت رخ دهد. علائم اکستراپیرامیدال ظریف، مانند برادیکینزی، از شایعترین علائم مشاهده شده در معاینه عصبی طی دوازده هفته پس از عفونت HIV بود . تظاهرات سیستم عصبی محیطی HIV نیز در عفونت حاد دیده می شود. فلج مجزای عصب جمجمه ای 7 (بل) به عنوان علامت های اولیه و حتی اولین علامت مشخص با شروع متوسط 15 روز پس از تظاهرات بالینی بیماری و همیشه همراه با مننژیت آسپتیک. شایعترین علامت عصبی در 12 هفته اول عفونت HIV مشاهده شد، نوروپاتی وابسته به طول بود. فلج بل را می توان با یک دوره کوتاه کورتیکواستروئیدی و آسیکلوویر درمان کرد و AIDP با یک دوره IVIG درمان می شود. پیوند مغز استخوان (BMT) و استراتژی "شوک و کشتن" برای درمان اچ آی وی در انسان مورد مطالعه قرار گرفته است. چندین استراتژی درمانی بالقوه دیگر در حال حاضر در شرایط آزمایشگاهی در حال بررسی هستند، اگرچه آنها دور از آزمایش انسانی هستند.