آیا سیگنال شبانه قلب می تواند به پیش بینی نارسایی قلبی کمک کند؟

ثبت نوار قلب در کلینیک‌های تخصصی خواب دهه‌ها است که به عنوان ابزاری جانبی برای بررسی وضعیت بیماران مبتلا به اختلالات تنفسی به کار می‌رود. با این حال، متخصصان پزشکی به‌طور معمول داده‌های الکتریکی حاصل از این آزمایش‌ها را کنار می‌گذارند، مگر آنکه اختلال بسیار شدید و ناگهانی در ریتم ضربان رخ دهد. پژوهش‌های دانشگاهی جدید نشان می‌دهند تحلیل عمیق همین سیگنال‌های فراموش‌شده می‌تواند امکان پیش بینی نارسایی قلبی و سایر بیماری‌های کشنده عروقی را تا 10 سال پیش از بروز علائم بالینی فراهم سازد.

بیماری‌های قلبی مزمن اغلب روند تخریبی خود را به صورت پنهان و بدون علامت مشخصی آغاز می‌کنند. زمانی که فرد با تنگی نفس شدید یا خستگی غیرعادی به پزشک مراجعه می‌کند، عضله قلب بخش قابل توجهی از توان پمپاژ خود را از دست داده است. الگوریتم یادگیری عمیق توسعه‌یافته توسط پژوهشگران دانشگاه اموری با همکاری موسسه فناوری جورجیا و پشتیبانی موسسه‌های ملی بهداشت ایالات متحده (NIH) و موسسه ملی قلب، ریه و خون (NHLBI)، بر پایه داده‌های ثبت‌شده از یک لید الکتروکاردیوگرام سینه در زمان استراحت شبانه عمل می‌کند.

این سیستم هوشمند با بررسی نوسانات ریز در ریتم ضربان طی مراحل ابتدایی استراحت شبانه، اختلالات ساختاری و هدایتی قلب را ردگیری می‌کند. نتایج این بررسی علمی که در نشریه تخصصی SLEEP به چاپ رسیده، نشان می‌دهد که داده‌های ساده تک‌لید در آزمون‌های خواب بیمارستانی حاوی اطلاعات ارزشمندی هستند که سال‌ها بدون استفاده در بانک‌های داده ذخیره می‌شدند.

تحلیل هوش مصنوعی و پیش بینی نارسایی قلبی با الگوی شبانه

استراحت شبانه تنها زمان خاموشی بدن نیست، بلکه دوره‌ای حساس از تغییرات دستگاه عصبی خودمختار محسوب می‌شود. هنگام انتقال فرد از حالت بیداری به مراحل اولیه استراحت، تعادل میان بخش‌های سمپاتیک و پاراسمپاتیک به سرعت جابه‌جا می‌شود. این جابه‌جایی واکنش‌های هورمونی و عصبی ویژه‌ای ایجاد می‌کند که فشار روانی بیداری را از روی سیستم عروقی برمی‌دارد و الگوهای واقعی هدایت الکتریکی قلب را نمایان می‌سازد.

در طول روز، متغیرهای متعدد محیطی مانند استرس کاری، تحرک بدنی، مصرف کافئین و تغییرات تنفسی باعث ایجاد نویزهای شدید در سیگنال‌های الکتریکی می‌شوند. این نویزها امکان تشخیص آسیب‌های ظریف عروقی را در نوار قلب عادی یا تست ورزش دشوار می‌کنند. در مقابل، محیط باثبات استراحت شبانه به هوش مصنوعی اجازه می‌دهد تا الگوهای پنهان را با دقت بالایی شناسایی کند. بر همین اساس، پیش بینی نارسایی قلبی از طریق پردازش تغییرات ریتم در مراحل سبک استراحت امکان‌پذیر می‌شود.

تیم پژوهشی برای آموزش این الگوریتم عمیق از پرونده پزشکی نزدیک به 16000 بیمار در بیمارستان عمومی ماساچوست استفاده کرد. این بیماران برای ارزیابی اختلالاتی مانند آپنه خواب تحت آزمون پلی‌سومنوگرافی قرار گرفته بودند. مدل هوش مصنوعی توانست ارتباط میان تغییرات ریز سیگنال الکتریکی و پیامدهای سلامتی بیماران در طول یک دهه بعد را بیاموزد.

سپس برای اطمینان از صحت عملکرد الگوریتم، آزمایش‌های اعتبارسنجی روی دو جامعه آماری مستقل انجام شد. این بخش شامل پرونده نزدیک به 10000 بیمار در بیمارستان دانشگاه اموری و حدود 13000 بیمار در مرکز درمانی Beth Israel Deaconess Medical Center بود. آزمایش روی این حجم وسیع از داده‌ها، شامل نزدیک به 39000 بیمار در مجموع، نشان داد که الگوریتم مورد نظر یک پدیده اتفاقی یا محدود به یک بیمارستان خاص نیست، بلکه قابلیتی تعمیم‌پذیر برای غربالگری بالینی دارد.

ارزیابی‌های آماری نشان داد که این مدل حتی پس از حذف تاثیر متغیرهای سنتی نظیر سن، جنسیت، ابتلا به دیابت، فشار خون بالا، مصرف دخانیات و کیفیت استراحت، همچنان قدرت پیش‌بینی خود را حفظ می‌کند. این امر اثبات می‌کند که سیگنال الکتریکی تک‌لید حاوی شاخص‌های زیستی مستقل و ارزشمندی است که در چکاپ‌های متداول پزشکی دیده نمی‌شوند.

تفاوت سنجش کلینیکی خواب با ابزارهای دیجیتال مصرفی

با گسترش روزافزون ابزارهای پوشیدنی، بسیاری از کاربران تصور می‌کنند که قابلیت‌های مشابهی در ساعت‌های هوشمند بازار وجود دارد. با این حال، تفاوت‌های ساختاری و فنی عمیقی میان حسگرهای مصرفی و تجهیزات تخصصی بیمارستانی وجود دارد. از سوی دیگر، ارزیابی‌های کیفی نشان می‌دهند که پایش خواب ساعت هوشمند با محدودیت‌های فنی روبرو است و نمی‌تواند جایگزین داده‌های دقیق الکتروکاردیوگرام سینه در آزمون‌های تخصصی باشد.

ساعت‌ها و مچ‌بندهای هوشمند برای ثبت نوار قلب نیازمند تماس مستقیم انگشت کاربر با بدنه فلزی گجت برای مدت 30 ثانیه هستند. این فرایند غیرفعال بوده و امکان پایش پیوسته در تمام طول شب را ندارد. همچنین حسگرهای نوری موجود در پشت ساعت‌های هوشمند، تغییرات حجم خون در مویرگ‌های پوست را اندازه‌گیری می‌کنند. این سیگنال‌های نوری در برابر تکان خوردن دست، تعریق و جا‌به‌جایی ساعت روی مچ بسیار آسیب‌پذیر هستند و نویز زیادی تولید می‌کنند.

در مقابل، آزمون‌های پلی‌سومنوگرافی در کلینیک‌ها از الکترودهای چسبنده سینه استفاده می‌کنند که سیگنال‌های پتانسیل الکتریکی واقعی عضله قلب را با فرکانس و دقت بالا ثبت می‌نمایند. بنابراین، الگوریتم‌های یادگیری عمیق توسعه یافته در این پژوهش برای تحلیل داده‌های باکیفیت کلینیکی طراحی شده‌اند و قابلیت اجرا روی داده‌های تقریبی حسگرهای نوری گجت‌های مصرفی را ندارند.

ارزش راهبردی این پژوهش در بهینه‌سازی زیرساخت‌های موجود بیمارستانی نهفته است. درمانگاه‌ها روزانه هزاران آزمون بررسی استراحت شبانه برای افراد مشکوک به مشکلات تنفسی انجام می‌دهند. با یکپارچه‌سازی این الگوریتم هوشمند در نرم‌افزارهای تشخیصی موجود، می‌توان بدون نیاز به خرید تجهیزات سخت‌افزاری جدید یا دریافت هزینه‌های گزاف، یک غربالگری همزمان و همه‌جانبه برای بیماری‌های عروقی انجام داد.

برای فردی که تنها برای بررسی علت خروپف یا خستگی مزمن به مرکز درمانی مراجعه کرده است، این پردازش نرم‌افزاری می‌تواند خطرات پنهان قلبی را سال‌ها پیش از بروز حمله حاد آشکار کند. این رویکرد به پزشکان فرصت می‌دهد تا با مداخلات اصلاحی در سبک زندگی یا دارو درمانی به‌موقع، از آسیب‌های ساختاری به عضله قلب جلوگیری نمایند.

تحلیل واقع‌بینانه آمار و چشم‌انداز آینده غربالگری

بررسی دقیق یافته‌های منتشرشده در نشریه SLEEP مستلزم تفکیک خطر نسبی از بهبود واقعی مدل‌های تشخیصی است. بر اساس گزارش پژوهشگران، به ازای هر انحراف معیار افزایش در نمره ریسک هوش مصنوعی، احتمال ابتلا به فیبریلاسیون دهلیزی بین 103 تا 172 درصد و خطر نارسایی قلبی بین 69 تا 133 درصد افزایش می‌یابد. همچنین میزان افزایش خطر سکته مغزی بین 19 تا 40 درصد و احتمال مرگ به هر علتی بین 65 تا 82 درصد برآورد شده است.

با وجود این آمار خیره‌کننده در افزایش ریسک نسبی، باید توجه داشت که پیش‌بینی سکته قلبی یا آنفارکتوس میوکارد تنها در یکی از سه گروه بیماران از نظر آماری معنادار بود. این تفاوت علمی نشان می‌دهد که حملات ناگهانی قلبی اغلب ناشی از پارگی ناگهانی پلاک‌های عروقی هستند و لزوما ردپای پیش‌رونده‌ای در هدایت الکتریکی شبانه بر جای نمی‌گذارند. در مقابل، بیماری‌هایی مانند نارسایی قلبی و آریتمی دهلیزی با تغییرات تدریجی در بافت عضله همراه هستند و علائم آنها در سیگنال‌های شبانه آشکارتر است.

از دیدگاه کاربردی، افزودن شاخص‌های نوار قلب شبانه به مدل‌های سنتی ارزیابی خطر، دقت پیش‌بینی فیبریلاسیون دهلیزی را تا 6 درصد، نارسایی قلبی را تا 9 درصد و پیش‌بینی مرگ را تا 7 درصد بهبود بخشیده است. این ارقام نشان‌دهنده یک ابزار کمکی قدرتمند برای پزشکان است، اما نباید آن را به عنوان یک روش تشخیصی جایگزین برای معاینات جامع و اکوکاردیوگرافی تلقی کرد.

همان‌طور که به‌کارگیری هوش مصنوعی در پزشکی نیازمند اصلاح گردش کار بالینی است، وارد کردن این مدل‌ها به نرم‌افزارهای آزمایشگاه خواب نیز به تاییدیه‌های سازمان‌های نظارتی احتیاج دارد. این سامانه در حال حاضر یک ابزار پژوهشی اعتبارسنجی‌شده است و هرگونه تغییر در دوز دارو یا پروتکل‌های درمان باید منحصرا با نظر مستقیم متخصصان قلب انجام گیرد.

پرسش کلیدی که در برابر مراکز درمانی قرار دارد این است که آیا تشخیص زودهنگام مخاطرات عروقی بر اساس الگوی استراحت شبانه می‌تواند در عمل به کاهش نرخ بستری و مرگ‌ومیر منجر شود یا خیر. پاسخ به این سوال نیازمند کارآزمایی‌های بالینی آینده‌نگر است تا مشخص شود مداخلات درمانی پیشگیرانه بر پایه داده‌های هوش مصنوعی تا چه حد می‌توانند کیفیت زندگی بیماران را در بلندمدت ارتقا دهند.