پیش‌بینی مرگ‌ومیر بیمارستانی در سندرم کرونری حاد بدون صعود ST با یادگیری ماشین

سندرم کرونری حاد بدون صعود قطعه ST یا NSTE-ACS یکی از مهم‌ترین اورژانس‌های قلبی‌عروقی است که طیفی از آنژین ناپایدار و انفارکتوس میوکارد بدون صعود ST را در بر می‌گیرد. با وجود پیشرفت در تشخیص، مداخله کرونری و درمان‌های ضدترومبوتیک، مرگ‌ومیر داخل بیمارستانی در بخشی از این بیماران همچنان یک چالش جدی است. مطالعه‌ای مشاهده‌ای در مجله JMIR Medical Informatics بررسی کرده است که آیا مدل‌های یادگیری ماشین می‌توانند در مراحل مختلف فرایند تشخیصی، خطر مرگ بیمارستانی این بیماران را دقیق‌تر پیش‌بینی کنند یا خیر.

خلاصه سریع

• این پژوهش بر پیش‌بینی مرگ‌ومیر داخل بیمارستانی در بیماران مبتلا به سندرم کرونری حاد بدون صعود ST تمرکز دارد.
• طراحی مطالعه گذشته‌نگر و مشاهده‌ای بوده و ۱۱۴۴ بیمار مبتلا به NSTE-ACS را در بر گرفته است.
• هدف پژوهشگران، ساخت مدل‌های پیش‌بینی مبتنی بر یادگیری ماشین با استفاده از مجموعه متغیرهایی بود که در مراحل متفاوت تشخیص در دسترس قرار می‌گیرند.
• منطق بالینی این رویکرد آن است که خطر بیمار از زمان پذیرش تا تکمیل ارزیابی‌های تشخیصی ثابت نیست و داده‌های جدید می‌توانند دقت تریاژ و تصمیم‌گیری را افزایش دهند.
• یادگیری ماشین می‌تواند تعامل‌های پیچیده میان سن، علائم حیاتی، یافته‌های آزمایشگاهی، سابقه بیماری‌ها و اطلاعات بالینی را شناسایی کند؛ اما باید پیش از استفاده روتین، اعتبارسنجی خارجی و ارزیابی اثر آن بر پیامدهای واقعی بیمار انجام شود.
• متن در دسترسِ مقاله، اطلاعات عددی کامل مربوط به عملکرد نهایی مدل‌ها، مانند AUC، حساسیت، ویژگی یا کالیبراسیون را ارائه نمی‌کند؛ بنابراین نباید مقادیر دقیق عملکرد مدل‌ها را بدون مراجعه به متن کامل مقاله به این پژوهش نسبت داد.

تعاریف ضروری

سندرم کرونری حاد بدون صعود ST چیست؟

سندرم کرونری حاد بدون صعود ST به وضعیتی گفته می‌شود که در آن کاهش ناگهانی جریان خون عضله قلب، علائم ایسکمی مانند درد یا فشار قفسه سینه، تنگی نفس، تعریق سرد یا تهوع ایجاد می‌کند، اما در نوار قلب صعود پایدار قطعه ST دیده نمی‌شود. این سندرم معمولاً شامل دو تشخیص مهم است: انفارکتوس میوکارد بدون صعود ST یا NSTEMI، که با افزایش و تغییرات پویا در تروپونین همراه است، و آنژین ناپایدار که علائم ایسکمیک دارد اما شواهد زیستی نکروز قلبی در آن وجود ندارد.

مرگ‌ومیر داخل بیمارستانی

مرگ‌ومیر داخل بیمارستانی به مرگ بیمار در فاصله پذیرش تا ترخیص از بیمارستان گفته می‌شود. این پیامد، یک شاخص مهم برای سنجش شدت اولیه بیماری، کیفیت مراقبت اورژانسی و قلبی، سرعت تشخیص، انتخاب درمان و بروز عوارضی مانند شوک کاردیوژنیک، آریتمی‌های بدخیم، نارسایی قلبی حاد یا خونریزی شدید است.

مدل پیش‌بینی خطر بالینی

مدل پیش‌بینی خطر، یک ابزار آماری یا محاسباتی است که احتمال وقوع یک پیامد مشخص را برای هر بیمار برآورد می‌کند. در NSTE-ACS، این مدل‌ها می‌توانند به پزشک کمک کنند تا بیمارانی را که نیازمند پایش دقیق‌تر، انتقال سریع‌تر به مرکز مجهز، ارزیابی تهاجمی زودهنگام یا توجه بیشتر به عوارض درمان هستند، شناسایی کند. با این حال، مدل خطر هرگز جایگزین قضاوت متخصص قلب، معاینه، نوار قلب، روند تروپونین و وضعیت همودینامیک بیمار نیست.

یادگیری ماشین در پزشکی

یادگیری ماشین شاخه‌ای از هوش مصنوعی است که در آن الگوریتم‌ها از داده‌های پیشین الگو می‌آموزند تا برای داده‌های جدید پیش‌بینی انجام دهند. در پزشکی، این فناوری برای پیش‌بینی خطر، تحلیل تصاویر، اولویت‌بندی بیماران، کشف الگوهای پنهان و پشتیبانی از تصمیم‌گیری بالینی استفاده می‌شود. مزیت بالقوه آن در مقایسه با مدل‌های ساده‌تر، توانایی مدل‌سازی روابط غیرخطی و اثر هم‌زمان متغیرهای متعدد است. در مقابل، خطر بیش‌برازش، سوگیری داده، دشواری تفسیرپذیری و کاهش عملکرد در جمعیت‌های جدید از محدودیت‌های کلیدی آن به شمار می‌روند.

چرا پیش‌بینی خطر در NSTE-ACS اهمیت دارد؟

NSTE-ACS یک تشخیص یکنواخت نیست. دو بیمار ممکن است با درد قفسه سینه و تغییرات مشابه اولیه در نوار قلب مراجعه کنند، اما خطر واقعی آن‌ها از نظر مرگ، شوک، سکته قلبی مجدد یا نارسایی قلبی کاملاً متفاوت باشد. سن بالا، سابقه سکته قلبی، دیابت، بیماری مزمن کلیه، نارسایی قلبی، فشار خون پایین، تاکی‌کاردی، کاهش عملکرد بطن چپ، اختلالات قابل‌توجه تروپونین و نشانه‌های ایسکمی مداوم، همگی می‌توانند در تعیین خطر نقش داشته باشند.

در محیط شلوغ اورژانس و بخش‌های قلب، تصمیم‌ها باید سریع و بر اساس اطلاعات ناقص اولیه گرفته شوند. سپس با دریافت نتایج آزمایش‌ها، اکوکاردیوگرافی، آنژیوگرافی یا اطلاعات بالینی تکمیلی، برآورد خطر می‌تواند دقیق‌تر شود. ایده محوری این پژوهش، توسعه پیش‌بینی پویا در نقاط زمانی مختلف فرایند تشخیصی است؛ یعنی مدلی که صرفاً به داده‌های لحظه پذیرش متکی نیست و با افزایش اطلاعات بالینی قابل بازبینی است.

بدنه اصلی مقاله

هدف پژوهش

هدف مطالعه، توسعه مدل‌های پیش‌بینی‌کننده مرگ‌ومیر داخل بیمارستانی در افراد مبتلا به سندرم کرونری حاد بدون صعود ST با بهره‌گیری از روش‌های یادگیری ماشین بود. پژوهشگران به‌طور مشخص می‌خواستند بررسی کنند که مجموعه پیش‌بینی‌کننده‌های در دسترس در مراحل مختلف مسیر تشخیص چگونه می‌توانند برای برآورد خطر مرگ بیمارستانی به کار روند.

این هدف از منظر پزشکی دقیق اهمیت دارد، زیرا بسیاری از امتیازهای خطر سنتی در جمعیت‌ها و دوره‌های زمانی متفاوتی توسعه یافته‌اند. ترکیب بیماران امروزی، دسترسی به تست‌های حساس‌تر تروپونین، تغییر الگوهای درمان ضدپلاکتی و ضدانعقادی، توسعه مداخلات کرونری از راه پوست و افزایش شمار بیماران سالمند و چندبیماری، می‌تواند بر عملکرد مدل‌های قدیمی اثر بگذارد.

روش تحقیق و طراحی مطالعه

مطالعه حاضر یک پژوهش مشاهده‌ای گذشته‌نگر بود. در طراحی گذشته‌نگر، پژوهشگران از داده‌های ثبت‌شده بیماران در سوابق پزشکی یا پایگاه داده بالینی استفاده می‌کنند و سپس رابطه میان ویژگی‌های موجود در مسیر مراقبت و پیامد مورد نظر را تحلیل می‌کنند. در اینجا، پیامد اصلی مرگ‌ومیر در دوران بستری بوده است.

بر اساس چکیده ارائه‌شده، ۱۱۴۴ بیمار مبتلا به NSTE-ACS وارد تحلیل شده‌اند. استفاده از داده‌های واقعی بالینی یک مزیت مهم است، زیرا مدل در شرایط نزدیک به محیط واقعی بیمارستان توسعه می‌یابد. با این حال، ماهیت گذشته‌نگر مطالعه به این معناست که کیفیت خروجی وابسته به کامل‌بودن، دقت و یکنواختی داده‌های ثبت‌شده در پرونده‌ها است.

جامعه آماری

جامعه مورد بررسی شامل ۱۱۴۴ بیمار با تشخیص سندرم کرونری حاد بدون صعود ST بود. در چنین جمعیتی، ناهمگونی بالینی معمولاً بالاست: برخی بیماران ممکن است NSTEMI با تروپونین بالا و نیاز به آنژیوگرافی فوری داشته باشند، در حالی که برخی دیگر علائم کم‌خطرتر یا بیماری‌های هم‌زمان پیچیده داشته باشند. ارزش یک مدل هوش مصنوعی بالینی زمانی بیشتر می‌شود که بتواند این ناهمگونی را بدون ساده‌سازی بیش از حد در نظر بگیرد.

با وجود اهمیت حجم نمونه، باید توجه داشت که تعداد کل بیماران به‌تنهایی برای قضاوت درباره استحکام یک مدل کافی نیست. تعداد رخدادهای مرگ، نسبت رخداد به تعداد متغیرها، روش مدیریت داده‌های گمشده، نحوه تقسیم داده‌ها به مجموعه آموزش و آزمون و اعتبارسنجی خارجی، همگی بر قابلیت اعتماد نهایی مدل اثر تعیین‌کننده دارند.

پیش‌بینی در مراحل مختلف فرایند تشخیص

ویژگی برجسته این پژوهش، تمرکز بر مرحله‌بندی زمانی داده‌ها است. در پزشکی اورژانس، بخشی از اطلاعات در نخستین دقیقه‌های مراجعه وجود دارد؛ مانند سن، جنس، سابقه بیماری، علائم، فشار خون، ضربان قلب و نوار قلب اولیه. بخشی دیگر بعد از آزمایش‌ها، به‌ویژه تروپونین و شاخص‌های عملکرد کلیه یا التهاب، فراهم می‌شود. داده‌های تکمیلی نیز ممکن است پس از تصویربرداری قلب یا آنژیوگرافی به دست آیند.

مدل‌سازی مرحله‌ای می‌تواند با واقعیت تصمیم‌گیری بالینی هماهنگ‌تر باشد. یک برآورد خطر زودهنگام برای تریاژ و تعیین سطح مراقبت مفید است، اما با رسیدن داده‌های جدید باید امکان اصلاح خطر وجود داشته باشد. این رویکرد، از نظر مفهومی به سامانه‌های پشتیبان تصمیم بالینی نزدیک است که در پرونده الکترونیک سلامت ادغام می‌شوند و در طول بستری هشدارها یا برآوردهای به‌روزشده ارائه می‌دهند.

نقش الگوریتم‌های یادگیری ماشین در پیش‌بینی مرگ بیمارستانی

الگوریتم‌های یادگیری ماشین می‌توانند از صدها یا ده‌ها متغیر بالینی برای یافتن الگوهای مرتبط با مرگ‌ومیر استفاده کنند. برای نمونه، ممکن است اثر سن به‌تنهایی خطی نباشد و در حضور افت فشار خون، نارسایی کلیه یا افزایش نشانگرهای قلبی تغییر کند. مدل‌های پیشرفته‌تر می‌توانند چنین تعامل‌هایی را بهتر از برخی رویکردهای سنتی شناسایی کنند.

اما استفاده بالینی از هوش مصنوعی در قلب و عروق باید بر سه پایه استوار باشد: دقت، کالیبراسیون و تفسیرپذیری. دقت تفکیک‌پذیری نشان می‌دهد مدل تا چه حد بیماران پرخطر و کم‌خطر را از هم جدا می‌کند. کالیبراسیون نشان می‌دهد احتمال پیش‌بینی‌شده تا چه اندازه با احتمال واقعی رخداد هماهنگ است. تفسیرپذیری نیز به پزشک کمک می‌کند دریابد کدام عوامل در برآورد خطر نقش اصلی داشته‌اند. مدلی با عملکرد آماری خوب اما منطق غیرقابل‌فهم یا خروجی غیرقابل‌اعتماد، به‌سختی در بالین پذیرفته می‌شود.

نتایج و برداشت علمی از یافته‌ها

چکیده در دسترس تأیید می‌کند که پژوهشگران برای توسعه مدل‌های پیش‌بینی مرگ‌ومیر داخل بیمارستانی در NSTE-ACS از روش‌های یادگیری ماشین و مجموعه متغیرهای حاصل از فرایند تشخیص استفاده کرده‌اند. همچنین، مطالعه بر ۱۱۴۴ بیمار انجام شده است. با این حال، بخش ارسالی چکیده پیش از ارائه جزئیات کامل نتایج قطع می‌شود؛ بنابراین اطلاعات مستند کافی درباره نوع دقیق الگوریتم‌های برتر، متغیرهای دارای بیشترین اهمیت، تعداد موارد مرگ یا معیارهای عملکرد نهایی وجود ندارد.

از منظر سردبیری علمی، این محدودیت باید شفاف بیان شود. نسبت‌دادن عدد مشخص برای AUC، حساسیت، ویژگی، دقت، ارزش اخباری مثبت یا مقایسه مستقیم با امتیازهای مرسوم، بدون مشاهده بخش نتایج کامل مقاله، غیرعلمی خواهد بود. آنچه با اطمینان می‌توان گفت این است که مطالعه در پی ساخت ابزارهای یادگیری ماشین برای پیش‌بینی پویا و مرحله‌محور خطر مرگ در NSTE-ACS بوده است؛ حوزه‌ای که برای پزشکی شخصی‌سازی‌شده و مدیریت هوشمند بیماران قلبی اهمیت رو به رشدی دارد.

اهمیت بالینی و کاربرد احتمالی در نظام سلامت ایران

بیماری‌های ایسکمیک قلبی از مهم‌ترین علل مرگ‌ومیر در ایران هستند و تریاژ دقیق بیماران با درد قفسه سینه، NSTEMI و آنژین ناپایدار اهمیت زیادی دارد. سامانه‌های پیش‌بینی مبتنی بر هوش مصنوعی می‌توانند در آینده به تیم درمان کمک کنند تا بیماران با احتمال بالاتر عوارض را زودتر شناسایی کنند، اما پیاده‌سازی آن‌ها نیازمند زیرساخت داده‌ای معتبر است.

• داده‌های پرونده الکترونیک باید ساختاریافته، کامل و قابل‌اعتماد باشند.
• مدل باید روی جمعیت ایرانی و مراکز درمانی مختلف اعتبارسنجی خارجی شود.
• سوگیری ناشی از تفاوت در دسترسی به آنژیوگرافی، داروها، تخت مراقبت ویژه و زمان مراجعه باید بررسی شود.
• خروجی مدل باید در کنار راهنماهای بالینی، قضاوت متخصص و وضعیت لحظه‌ای بیمار استفاده شود.
• امنیت داده، محرمانگی اطلاعات بیمار و مسئولیت‌پذیری در برابر خطای الگوریتم باید از ابتدا در طراحی سامانه لحاظ شود.

محدودیت‌های پژوهش و نکات احتیاطی

مطالعات گذشته‌نگر مبتنی بر داده‌های یک یا چند مرکز درمانی، اگرچه برای توسعه اولیه مدل بسیار ارزشمند هستند، اما الزاماً به همه بیمارستان‌ها و جمعیت‌ها قابل تعمیم نیستند. تفاوت در جمعیت‌شناسی، الگوی مراجعه، پروتکل درمان، تجهیزات و روش ثبت داده‌ها می‌تواند عملکرد مدل را تغییر دهد.

همچنین، مرگ‌ومیر داخل بیمارستانی یک پیامد مهم اما محدود به بازه بستری است. یک مدل بالینی جامع ممکن است در آینده پیامدهای دیگری مانند مرگ ۳۰ روزه، سکته قلبی مجدد، شوک کاردیوژنیک، خونریزی عمده، طول مدت بستری و بستری مجدد را نیز ارزیابی کند. برای تبدیل یک مدل پژوهشی به ابزار قابل استفاده، انجام اعتبارسنجی آینده‌نگر، مقایسه با استاندارد مراقبت و سنجش اثر واقعی آن بر تصمیم‌گیری و پیامد بیمار ضروری است.

جمع‌بندی

این مطالعه مشاهده‌ای نشان می‌دهد که پیش‌بینی مرگ‌ومیر بیمارستانی در سندرم کرونری حاد بدون صعود ST می‌تواند از یک ارزیابی ثابت و اولیه فراتر رود و به مدلی پویا مبتنی بر اطلاعات مراحل مختلف تشخیص تبدیل شود. استفاده از یادگیری ماشین در این زمینه، ظرفیت مهمی برای بهبود طبقه‌بندی خطر و پشتیبانی از تصمیم‌گیری در اورژانس قلبی دارد. با این همه، ارزش واقعی این فناوری به شفافیت مدل، اعتبارسنجی در جمعیت‌های مستقل، انصاف الگوریتمی و ادغام مسئولانه آن در جریان کار بالینی وابسته است.

سوالات متداول

آیا یادگیری ماشین می‌تواند جایگزین متخصص قلب در تشخیص NSTEMI شود؟

خیر. یادگیری ماشین یک ابزار پشتیبان تصمیم است، نه جایگزین پزشک. تشخیص و درمان NSTE-ACS باید بر اساس علائم، معاینه، نوار قلب، تروپونین، تصویربرداری، وضعیت همودینامیک و قضاوت بالینی متخصص انجام شود.

تفاوت NSTEMI با STEMI چیست؟

در STEMI معمولاً صعود پایدار قطعه ST در نوار قلب دیده می‌شود و اغلب انسداد کامل‌تر و حادتر یک شریان کرونری مطرح است. در NSTEMI صعود ST وجود ندارد، اما آسیب عضله قلب با افزایش تروپونین قابل اثبات است. هر دو وضعیت اورژانسی هستند و به ارزیابی سریع نیاز دارند.

آیا هر بیمار مبتلا به NSTE-ACS خطر مرگ بالایی دارد؟

خیر. خطر بین بیماران بسیار متفاوت است. عوامل متعددی از جمله سن، فشار خون، عملکرد کلیه، نارسایی قلبی، شدت ایسکمی، سطح تروپونین و بیماری‌های هم‌زمان بر خطر اثر می‌گذارند. هدف مدل‌های خطر، شناسایی دقیق‌تر این تفاوت‌ها است.

چرا اعتبارسنجی خارجی برای مدل‌های هوش مصنوعی پزشکی ضروری است؟

مدلی که با داده‌های یک بیمارستان ساخته شده ممکن است در بیمارستانی دیگر عملکرد ضعیف‌تری داشته باشد. اعتبارسنجی خارجی نشان می‌دهد مدل در جمعیت‌ها، جغرافیاها و شرایط مراقبتی متفاوت نیز قابل اعتماد است یا نه.

آیا بیمار می‌تواند بر اساس یک نمره هوش مصنوعی درمان خود را تغییر دهد؟

خیر. هر نمره یا پیش‌بینی خطر باید فقط توسط تیم درمان و در بستر کامل اطلاعات بالینی تفسیر شود. بیماران دارای درد قفسه سینه، تنگی نفس، تعریق سرد، ضعف ناگهانی یا علائم هشدار سکته قلبی باید فوراً به اورژانس مراجعه کنند.

درباره سانوس

سانوس با تمرکز بر تلاقی هوش مصنوعی، پزشکی و سلامت دیجیتال، تلاش می‌کند یافته‌های پژوهشی معتبر را به زبانی دقیق، قابل‌فهم و کاربردی برای جامعه فارسی‌زبان ارائه کند. موضوع این پژوهش نمونه‌ای روشن از مسیر آینده مراقبت قلبی است: استفاده مسئولانه از داده‌های بالینی و الگوریتم‌های هوشمند برای کمک به تشخیص زودتر بیماران پرخطر، بدون کنار گذاشتن نقش محوری پزشک، اخلاق پزشکی و شواهد بالینی.

منبع مقاله

JMIR Medical Informatics