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
Augmented reality in neurosurgery: واقعیت افزوده در جراحی مغز و اعصاب
نورونوگیشن به یک جراحی مغز و اعصاب ضروری برای دستیابی به حداقل تهاجم و حداکثر ایمنی تبدیل شده است. ناوبری عصبی یک مدل مجازی سه بعدی از جزئیات آناتومیک به روز شده در زمان واقعی را ارائه می دهد که در زمینه جراحی واقعی پوشانده شده است.اپراتور موظف به انتقال اطلاعات از محیط "مجازی" سیستم ناوبری به میدان جراحی واقعی است .محیط مجازی شامل ابزارهای مجازی جراحی و جزئیات آناتومی مجازی مخصوص بیمار (به طور کلی از تصاویر سه بعدی قبل از عمل به دست می آید). AR امکان ادغام داده ها از واقعیت محیطی با اطلاعات مجازی و بالعکس را فراهم می کند.این سیستمها اجازه میدهند تا پیشبینیهای سهبعدی مشتق شده از تصاویر قبل از عمل جراحی به چشمی دو طرفه از اپتیک دوچشمی میکروسکوپ عامل که دقیقاً مطابق با زمینه جراحی است پوشش دهند. .در دسترس بودن سریع اطلاعات مجازی مشتق شده از بیمار شامل گرافی های مختلف و ... که بر روی نمای میدانی جراحی قرار می گیرد به جراح در انجام اقدامات کم تهاجمی کمک میکند.به ویژه تنوع زیادی از انجام اقدامات فنی ، گزینه های معتبری را توسط جراح مغز و اعصاب برای انجام جراحی فراهم میکند مثلا، برای جراحی های مختلف(عمدتا عصبی-انکولوژیک و عصبی-عروقی) ،برای روش های مختلف درمانی(اندووسکولار،نازال،باز) و برای مراحل مختلف از همان جراحی(قسمت میکروسکوپی و قسمت ماکروسکوپی) استفاده می کند.
آناتومی شریان بازیلار
تغذیهی مغز که ارگانی سرشار از عروق مختلف است از ساختار خاصی تحت عنوان "حلقهی Willis" که توسط شاخههای انتهایی شریانهای کاروتید داخلی (ICAs) و شریانهای بیزیلار (BAs) تشکیل میشود، صورت میگیرد. حلقهی ویلیس یک ارتباط آناستوموزی بین شریان کاروتید و سیستم مهرهای-قاعدهای در تأمین خون مغز ایجاد میکند.