خلاصه سریع مقاله

• این مطالعه بررسی کرد که آیا حجمی‌سنجی حفرات قلب با هوش مصنوعی از روی سی‌تی کلسیم کرونر (CAC CT) می‌تواند پیش‌بینی خطر نارسایی قلبی را بهتر کند یا نه.
• داده‌های 5892 فرد بدون علامت و بدون بیماری قلبی شناخته‌شده که بین سال‌های 2010 تا 2023 تحت CAC CT قرار گرفته بودند، تحلیل شد.
• افزایش حجم دهلیز چپ، بطن چپ، دهلیز راست و حجم میوکارد بطن چپ با افزایش خطر نارسایی قلبی ارتباط داشت.
• مدل ترکیبی شامل حجم حفرات قلب + امتیاز CAC + امتیاز PREVENT-HF در پیش‌بینی خطر 10 ساله نارسایی قلبی، از PREVENT-HF و امتیاز آگاتستون به‌تنهایی عملکرد بهتری داشت.
• حجم‌های دیاستولیک نسبت به حجم‌های سیستولیک، ارتباط مستقل و قوی‌تری با خطر نارسایی قلبی نشان دادند.

نارسایی قلبی یکی از مهم‌ترین چالش‌های سلامت در جهان امروز است و سهم قابل‌توجهی در بستری، مرگ‌ومیر و هزینه‌های نظام سلامت دارد. به همین دلیل، شناسایی افرادی که پیش از بروز علائم در معرض خطر بالاتر نارسایی قلبی قرار دارند، از نظر بالینی اهمیت زیادی دارد. در سال‌های اخیر، ابزارهای متعددی برای لایه‌بندی خطر نارسایی قلبی معرفی شده‌اند؛ از جمله امتیاز PREVENT-HF وابسته به انجمن قلب آمریکا و نیز امتیاز آگاتستون که برای اندازه‌گیری بار کلسیم عروق کرونر به‌کار می‌رود. با این حال، این سؤال همچنان مطرح است که آیا می‌توان از همان تصویربرداری رایج CAC CT اطلاعات بیشتری استخراج کرد و پیش‌بینی دقیق‌تری به دست آورد؟

مطالعه‌ای جدید نشان می‌دهد پاسخ این سؤال احتمالاً مثبت است. پژوهشگران گزارش کرده‌اند که هوش مصنوعی می‌تواند از روی تصاویر سی‌تی کلسیم کرونر، حجم حفرات قلب را به‌طور خودکار اندازه‌گیری کند و از این داده‌ها برای پیش‌بینی بهتر خطر نارسایی قلبی استفاده شود.

چرا این مطالعه مهم است؟

در بسیاری از افراد بدون علامت، سی‌تی کلسیم کرونر برای ارزیابی خطر قلبی-عروقی انجام می‌شود. کاربرد سنتی این اسکن، محاسبه امتیاز آگاتستون است؛ شاخصی که بار کلسیم شریان‌های کرونر را نشان می‌دهد. اما اگر از همان اسکن بتوان علاوه بر کلسیم کرونری، ویژگی‌های ساختاری قلب را نیز به‌دست آورد، ارزش بالینی آن به‌مراتب بیشتر می‌شود.

اینجاست که هوش مصنوعی در تصویربرداری قلب نقش پیدا می‌کند. مدل‌های مبتنی بر AI می‌توانند به‌صورت خودکار و استاندارد، حجم دهلیزها و بطن‌ها را از تصاویر استخراج کنند؛ چیزی که با روش‌های دستی زمان‌برتر است و در غربالگری‌های وسیع به‌سختی قابل انجام خواهد بود.

هدف مطالعه چه بود؟

هدف اصلی این پژوهش آن بود که مشخص شود آیا حجمی‌سنجی حفرات قلب با هوش مصنوعی از روی CAC CT می‌تواند در مقایسه با:

• امتیاز PREVENT-HF
• امتیاز CAC یا همان آگاتستون

پیش‌بینی بهتری از خطر بروز نارسایی قلبی ارائه دهد یا خیر.

روش انجام مطالعه

این مطالعه به‌صورت گذشته‌نگر انجام شد و شامل افرادی بود که:

• بدون علامت بودند
• بیماری قلبی شناخته‌شده نداشتند
• بین سال‌های 2010 تا 2023 تحت CAC CT قرار گرفته بودند

پژوهشگران تصاویر را با استفاده از یک مدل معتبر هوش مصنوعی تحلیل کردند تا حجم حفرات قلب محاسبه شود. سپس رخدادهای نارسایی قلبی بر اساس کدهای ICD-9 و ICD-10 شناسایی شد.

برای تحلیل ارتباط بین این متغیرها و خطر نارسایی قلبی، از مدل رگرسیون کاکس استفاده شد. همچنین عملکرد پیش‌بینی مدل‌ها در بازه‌های 3، 5، 8 و 10 ساله با استفاده از AUC وابسته به زمان مقایسه شد.

چه تعداد بیمار بررسی شدند؟

در مجموع، 5892 بیمار وارد مطالعه شدند. میانگین سنی شرکت‌کنندگان 58.2 سال بود و 3258 نفر از آن‌ها مرد بودند. طی یک پیگیری متوسط 4 ساله، 377 بیمار معادل 6.3 درصد دچار نارسایی قلبی شدند.

این حجم نمونه نسبتاً بزرگ، به مطالعه قدرت مناسبی داده است تا تفاوت میان شاخص‌های مختلف خطر را بررسی کند.

یافته‌های اصلی مطالعه

نتایج نشان داد که افزایش حجم برخی بخش‌های قلب با خطر بالاتر نارسایی قلبی ارتباط معنی‌دار دارد. این بخش‌ها شامل موارد زیر بودند:

• دهلیز چپ
• بطن چپ
• دهلیز راست
• حجم میوکارد بطن چپ

به بیان ساده، هرچه این اندازه‌ها بزرگ‌تر بودند، احتمال بروز نارسایی قلبی در آینده نیز بیشتر می‌شد.

این یافته از نظر پاتوفیزیولوژی نیز منطقی است، چون تغییرات تدریجی در اندازه و ساختار حفرات قلب می‌توانند نشانه‌ای از بازسازی قلبی زودرس باشند؛ حتی در افرادی که هنوز علامتی ندارند.

آیا مدل هوش مصنوعی بهتر از PREVENT-HF و امتیاز آگاتستون عمل کرد؟

بله. مهم‌ترین پیام مطالعه همین‌جاست.

مدل ترکیبی که شامل این سه دسته اطلاعات بود:

• حجم حفرات قلب
• امتیاز CAC
• امتیاز PREVENT-HF

در پیش‌بینی خطر 10 ساله نارسایی قلبی بهتر از دو روش سنتی به‌تنهایی عمل کرد.

عملکرد مدل‌ها در پیش‌بینی خطر 10 ساله نارسایی قلبی:

• مدل ترکیبی: AUC = 0.80
• PREVENT-HF به‌تنهایی: AUC = 0.76
• امتیاز CAC به‌تنهایی: AUC = 0.70

این اختلاف‌ها از نظر آماری نیز معنی‌دار بودند. بنابراین، افزودن حجمی‌سنجی مبتنی بر AI به داده‌های کلاسیک، توانسته قدرت پیش‌بینی مدل را افزایش دهد.

نقش حجم‌های دیاستولیک چه بود؟

یکی از یافته‌های جالب مطالعه، وجود اثر تعاملی بین فاز و حجم بود. پژوهشگران نشان دادند که حجم‌های دیاستولیک نسبت به حجم‌های سیستولیک، ارتباط مستقل قوی‌تری با خطر نارسایی قلبی دارند؛ حتی پس از تعدیل بر اساس PREVENT-HF.

این نتیجه مهم است، چون نشان می‌دهد صرفاً اندازه‌گیری کلی ساختار قلب کافی نیست و زمان اندازه‌گیری در چرخه قلبی نیز می‌تواند بر ارزش پیش‌بینی‌کننده اثر بگذارد. از نظر بالینی، این موضوع می‌تواند در طراحی مدل‌های دقیق‌تر خطر در آینده نقش داشته باشد.

این یافته‌ها چه معنایی برای طب بالینی دارند؟

این مطالعه چند پیام کاربردی دارد.

1. CAC CT می‌تواند فراتر از امتیاز کلسیم استفاده شود

در عمل بالینی، CAC CT معمولاً برای سنجش بار کلسیم کرونری درخواست می‌شود. اما نتایج این پژوهش نشان می‌دهد همان اسکن می‌تواند به یک منبع چندمنظوره اطلاعات قلبی تبدیل شود.

2. هوش مصنوعی می‌تواند ارزش افزوده واقعی در تصویربرداری قلب ایجاد کند

در اینجا AI صرفاً یک ابزار تزئینی یا تبلیغاتی نیست. بلکه توانسته از داده‌ای که از قبل وجود داشته، نشانگرهای جدید و معنادار بالینی استخراج کند.

3. شناسایی زودهنگام افراد پرخطر ممکن است دقیق‌تر شود

اگر این رویکرد در مطالعات بعدی هم تأیید شود، ممکن است پزشکان بتوانند افرادی را که در حال حاضر بدون علامت‌اند اما در معرض خطر بالاتر نارسایی قلبی هستند، زودتر و دقیق‌تر شناسایی کنند.

4. ترکیب داده‌های کلاسیک و AI از هرکدام به‌تنهایی بهتر است

نکته مهم این است که بهترین عملکرد مربوط به مدل ترکیبی بود، نه صرفاً یک شاخص منفرد. این موضوع با رویکردهای جدید پزشکی داده‌محور و تصمیم‌گیری ترکیبی همخوانی دارد.

تفاوت امتیاز آگاتستون با حجمی‌سنجی حفرات قلب چیست؟

امتیاز آگاتستون فقط مقدار کلسیم موجود در عروق کرونر را کمّی می‌کند و بیشتر برای برآورد خطر آترواسکلروز به‌کار می‌رود. اما حجمی‌سنجی حفرات قلب اطلاعاتی درباره ساختار و بازسازی قلبی ارائه می‌دهد.

به همین دلیل، این دو شاخص الزاماً رقیب یکدیگر نیستند؛ بلکه می‌توانند مکمل هم باشند. یافته‌های این مطالعه نیز دقیقاً همین را تأیید می‌کند: بهترین عملکرد زمانی به‌دست آمد که امتیاز کلسیم، مدل PREVENT-HF و حجمی‌سنجی AI در کنار هم استفاده شدند.

محدودیت‌های مطالعه

با وجود اهمیت نتایج، چند نکته در تفسیر آن باید در نظر گرفته شود:

• مطالعه گذشته‌نگر بود
• جمعیت بررسی‌شده شامل افراد بدون علامت و بدون بیماری قلبی شناخته‌شده بود، بنابراین تعمیم نتایج به همه بیماران نیازمند احتیاط است
• رخدادهای نارسایی قلبی بر اساس کدهای ثبت تشخیصی شناسایی شدند
• برای ورود این رویکرد به استفاده گسترده بالینی، به مطالعات آینده‌نگر و اعتبارسنجی در جمعیت‌های متنوع‌تر نیاز است

جمع‌بندی

این پژوهش نشان می‌دهد که حجمی‌سنجی حفرات قلب با هوش مصنوعی از روی سی‌تی کلسیم کرونر می‌تواند پیش‌بینی خطر نارسایی قلبی را به‌طور معناداری بهبود دهد. در مقایسه با PREVENT-HF و امتیاز آگاتستون به‌تنهایی، مدل ترکیبی مبتنی بر AI عملکرد بهتری داشت و به‌ویژه حجم‌های دیاستولیک ارزش پیش‌بینی‌کننده بالاتری نشان دادند.

اگر این یافته‌ها در مطالعات بعدی تأیید شوند، ممکن است CAC CT از یک ابزار صرفاً مبتنی بر کلسیم کرونری به یک ابزار غنی‌تر برای غربالگری ساختاری و پیش‌بینی نارسایی قلبی تبدیل شود. این دقیقاً همان جایی است که هوش مصنوعی در قلب و عروق می‌تواند از یک مفهوم نوآورانه، به یک ابزار بالینی مؤثر تبدیل شود.

درباره سانوس

سانوس؛ از ترجمه مقاله تا فهم کاربرد واقعی AI در سلامت روان

در سانوس ما صرفاً درباره هوش مصنوعی حرف نمی‌زنیم؛ تمرکز ما روی کاربردهای واقعی و قابل‌فهم AI در سلامت است. مقاله‌ای که خواندید نمونه خوبی از همین مسیر است: استفاده از یادگیری ماشین برای پیش‌بینی پاسخ درمانی در اختلال افسردگی اساسی، آن هم با تکیه بر داده‌های نورویماژینگ و متغیرهای بالینی.

برای ما در سانوس، ارزش این نوع مطالعات فقط در تکنولوژی آن‌ها نیست، بلکه در این است که نشان می‌دهند چگونه می‌توان از داده و الگوریتم برای شخصی‌سازی درمان، کاهش آزمون‌وخطا و پشتیبانی از تصمیم‌گیری بالینی استفاده کرد. در حوزه‌هایی مانند سلامت روان، نوروساینس، تصویربرداری مغزی، پیش‌بینی پاسخ درمان و مدل‌های تصمیم‌یار پزشکی، هوش مصنوعی می‌تواند نقش مکمل مهمی برای متخصصان ایفا کند.

اگر به موضوعاتی مانند موارد زیر علاقه‌مند هستید، محتوای سانوس برای شماست:

پزشکی شخصی‌سازی‌شده مبتنی بر AI

هوش مصنوعی در روان‌پزشکی و سلامت روان

تحلیل مقالات علمی پزشکی

یادگیری ماشین در تصویربرداری مغزی

پیش‌بینی پاسخ درمانی با داده‌های بالینی و عصبی

سوالات متداول

آیا می‌توان پاسخ به داروهای SSRI را در افسردگی پیش‌بینی کرد؟

این مطالعه نشان می‌دهد که تا حدی می‌توان با استفاده از fMRI حالت استراحت و یادگیری ماشین، احتمال پاسخ به SSRI را پیش‌بینی کرد؛ هرچند این روش هنوز برای استفاده روتین بالینی آماده نیست.

fMRI حالت استراحت چیست؟

روشی از تصویربرداری مغزی است که فعالیت عملکردی مغز را زمانی بررسی می‌کند که فرد کار خاصی انجام نمی‌دهد. این روش برای مطالعه ارتباطات و الگوهای عملکردی مغز بسیار کاربرد دارد.

چرا پیش‌بینی پاسخ به SSRI اهمیت دارد؟

چون همه بیماران به درمان دارویی یکسان پاسخ نمی‌دهند. اگر بتوان زودتر پیش‌بینی کرد چه کسی احتمال پاسخ دارد، می‌توان درمان را دقیق‌تر و سریع‌تر تنظیم کرد.

بهترین مدل یادگیری ماشین در این مطالعه کدام بود؟

در میان مدل‌های بررسی‌شده، رگرسیون لجستیک که بر پایه ویژگی‌های انتخاب‌شده با LASSO ساخته شده بود، پایدارترین عملکرد را نشان داد.

مهم‌ترین ناحیه مغزی در این پژوهش کدام بود؟

شکنج پست‌سنترال راست یکی از مهم‌ترین نواحی بود که در زمان‌های مختلف درمان به‌طور مکرر در تحلیل‌ها دیده شد.

آیا این مدل در بیماران جدید هم خوب عمل کرد؟

مدل در اعتبارسنجی خارجی عملکردی متوسط اما امیدوارکننده داشت. این یعنی پتانسیل وجود دارد، ولی هنوز برای تعمیم وسیع به نمونه‌های بزرگ‌تر نیاز است.

آیا این یافته‌ها به معنی جایگزینی روان‌پزشک با هوش مصنوعی است؟

خیر. چنین مدل‌هایی قرار است ابزار کمکی برای تصمیم‌گیری بالینی باشند، نه جایگزین قضاوت متخصص.

منبع مقاله

Momin E, Barr J, Gershon G, et al.
Heart Failure Outcome Prediction Using Artificial Intelligence-enabled Coronary Artery Calcium CT Chamber Volumetry Compared to American Heart Association PREVENT and the Agatston Score for Heart Failure Risk Stratification

برای مشاهده مقاله رو دکمه زیر کلیک کنید

لینک های مفید