به گزارش ایسنا، تشخیص اینکه چه افرادی در سالهای آینده دچار سکته قلبی، سکته مغزی یا دیگر عوارض جدی قلبیعروقی خواهند شد، میتواند فرصتی برای پیشگیری از این بیماریها فراهم کند. یافتههای یک پژوهش مبتنی بر دادههای حدود ۱۰ هزار ایرانی نشان میدهد که مدل هوش مصنوعی میتواند خطر عوارض قلبی عروقی مثل سکته را با دقت بالایی پیشبینی کند. همچنین این مطالعه نقش شاخص «کراتینین» را نیز ارزیابی این خطر آشکار کرده است. این شاخص که عملکرد کلیه را نیز نشان میدهد، پیش از این در مدلهای رایج پیشبینی بیماریهای قلبی کمتر مورد توجه بوده است.
در این مطالعه، پژوهشگران دادههای ۹ هزار و ۷۶۹ نفر را که در آغاز مطالعه سابقه بیماری قلبیعروقی نداشتند، بررسی کردند. این مطالعه بر اساس دادههای دو مطالعه (کوهورت) بزرگ و بلندمدت به نامهای «پلی ایران» و «پلی پارس» انجام شدند. در این دو طرح ایرانیان در استانهای مختلف کشور به مدت پنج سال پیگیری شدند تا مشخص شود چه عواملی خطر ابتلا به بیماریهای قلبی عروقی و دیگر بیماریهای غیرواگیر را افزایش یا کاهش میدهند.
پژوهشگران در این مطالعه عواملی مانند سن، جنس، فشار خون، شاخص توده بدنی، قند و چربی خون، کراتینین، مصرف دخانیات و مصرف پلیپیل (قرص حاوی ترکیب چند دارو) قلبی عروقی و پایبندی به درمان را وارد مدلهای هوش مصنوعی کردند تا مشخص شود کدامیک بیشترین نقش را در پیشبینی خطر بروز بیماریهای قلبیعروقی دارند. همچنین پژوهشگران عملکرد چندین مدل یادگیری ماشین و یادگیری عمیق از جمله مدل XGBoost،جنگل تصادفی، رگرسیون لجستیک، ماشین بردار پشتیبان و شبکه عصبی چندلایه و ... را با یکدیگر مقایسه کردند.
نتایج نشان داد مدل XGBoost در هر دو جمعیت مورد بررسی و همچنین در تحلیل تجمیعی، بهترین عملکرد را داشت. این مدل توانست با دقت و پایداری بیشتری احتمال وقوع رویدادهای قلبی را پیشبینی کند و در مجموعه داده نهایی به سطح تفکیکپذیری (AUC) ۰.۸۴ برسد؛ رقمی که از سایر مدلهای بررسیشده بالاتر بود. به گفته پژوهشگران، مزیت این مدل در کنار دقت بالاتر، این است که برخلاف برخی مدلهای هوش مصنوعی که مانند یک «جعبه سیاه» عمل میکنند و مشخص نیست چرا به یک نتیجه رسیدهاند، این روش امکان بررسی نقش هر متغیر در تصمیم نهایی را نیز فراهم میکند. به همین دلیل پژوهشگران توانستند مشخص کنند هر عامل چه سهمی در افزایش یا کاهش خطر بیماری دارد. در مقابل، مدل یادگیری عمیق مورد استفاده در این پژوهش عملکردی بهمراتب ضعیفتر از مدلهای یادگیری ماشین داشت و نتوانست به همان دقت دست پیدا کند.
نقش کراتینین در بیماریهای قلبی عروقی
یکی از مهمترین یافتههای این مطالعه، جایگاه بالای کراتینین خون در میان عوامل پیشبینیکننده خطر بود. تحلیل مدل نشان داد افزایش سن همچنان مهمترین عامل خطر است، اما پس از آن کراتینین و فشار خون سیستولیک بیشترین نقش را در پیشبینی وقوع عوارض قلبیعروقی ایفا میکنند. همچنین بالا بودن قند خون ناشتا، شاخص توده بدنی (BMI) و نسبت کلسترول LDL به HDL نیز با افزایش خطر همراه بودند.
در مقابل، مصرف «پلیپیل» و بهویژه پایبندی بیشتر به مصرف آن با کاهش احتمال وقوع این رویدادها ارتباط داشت. پلی پیل قرصی ترکیبی برای پیشگیری از بیماریهای قلبی عروقی است که چند داروی رایج را در یک قرص در اختیار بیمار قرار میدهد. همچنین مرد بودن و استعمال دخانیات نیز با افزایش خطر همراه بودند، هرچند سهم آنها در مدل نهایی کمتر از عوامل یادشده بود.
پژوهشگران این مطالعه تأکید میکنند اهمیت این یافته در آن است که کراتینین، برخلاف سن و فشار خون، در بسیاری از مدلهای متداول ارزیابی خطر بیماریهای قلبی جایگاه پررنگی ندارد، اما در این مطالعه در هر دو جمعیت مستقل و همچنین در تحلیل تجمیعی، همواره در میان مهمترین عوامل باقی ماند.
نتایجی که میتواند به تصمیمگیری بهتر پزشکان کمک کند
این پژوهش به صورت بین رشتهای توسط محققانی از حوزههای مختلف پزشکی، قلب، اپیدمیولوژی، مهندسی کامپیوتر انجام شده است و پژوهشگران دانشگاه علوم پزشکی تهران، دانشگاه صنعتی شریف، دانشگاه علوم پزشکی گلستان، دانشگاه علوم پزشکی ایران، مرکز پزشکی سیدرز-ساینای آمریکا و پژوهشگاه ارتباطات و فناوری اطلاعات انجام شده است.
به اعتقاد پژوهشگران این مطالعه؛ از آنجا که این مدل از اطلاعاتی استفاده میکند که معمولاً در معاینات و آزمایشهای رایج در دسترس هستند، میتواند در آینده به شکل یک نرمافزار، سامانه تحت وب یا بخشی از پرونده الکترونیک سلامت برای کمک به تصمیمگیری پزشکان به کار گرفته شود. مزیت دیگر این روش آن است که مشخص میکند کدام عامل بیشترین نقش را در افزایش خطر هر فرد داشته و بنابراین میتواند به هدفمندتر شدن اقدامات پیشگیرانه مانند کنترل فشار خون، بررسی عملکرد کلیه، مدیریت قند و چربی خون و تقویت پایبندی به درمان کمک کند.
با این حال، پژوهشگران تأکید کردهاند که این ابزار قرار نیست جایگزین قضاوت پزشک یا روشهای متداول ارزیابی خطر شود، بلکه میتواند بهعنوان یک ابزار کمکی در کنار آنها مورد استفاده قرار گیرد.
در عین حال، این مطالعه محدودیتهایی نیز دارد. دادههای مورد استفاده از دو مطالعه مشاهدهای استخراج شدهاند و بنابراین امکان نتیجهگیری درباره رابطه علت و معلولی وجود ندارد. همچنین پژوهشگران پیشنهاد کردهاند در مطالعات آینده، متغیرهایی مانند عوامل ژنتیکی یا شاخصهای اجتماعیـاقتصادی نیز به مدل افزوده شود و عملکرد آن در جمعیتهای مستقل خارج از این دو مطالعه نیز ارزیابی شود تا قابلیت تعمیم نتایج با اطمینان بیشتری مشخص شود.
نتایج این پژوهش به تازگی در نشریه علمی Scientific Reports، از نشریات مجموعه Nature Portfolio، منتشر شده است.