برای بهبود روش های غربالگری، محققان از هوش مصنوعی برای شناسایی آمبولی های ریوی در بیماران با خطر متوسط تا بالا استفاده می کنند.

دانشمندان دانشکده پزشکی ایکان در کوه سینا نشان دادند که الگوریتم‌های هوش مصنوعی می‌توانند نشانه‌های آمبولی ریه را در نوار قلب (EKG) تشخیص دهند و روش‌های غربالگری را بهبود بخشند.

مطالعه آزمایشی نشان می‌دهد که الگوریتم‌های جدید یادگیری ماشین، که برای بهره‌برداری از داده‌های EKG و پرونده الکترونیک سلامت (EHR) استفاده می‌شوند، می‌توانند مؤثرتر از روش‌های غربالگری کنونی در تعیین اینکه آیا بیماران با خطر متوسط تا بالا آمبولی ریوی دارند یا خیر.

آمبولی ریه زمانی رخ می دهد که لخته های خون سیاهرگ های عمقی شکسته شده و شریان های ریه را مسدود می کنند. این لخته ها می توانند کشنده باشند یا باعث آسیب طولانی مدت ریه شوند. اگرچه برخی از بیماران ممکن است تنگی نفس یا درد قفسه سینه را تجربه کنند، اما این علائم ممکن است نشانه مشکلات دیگری باشد که ربطی به لخته شدن خون ندارند و تشخیص و درمان درست موارد را برای پزشکان دشوار می کند.

علاوه بر این اسکن قفسه سینه زمان‌بر است و فقط در بیمارستان‌های منتخب قابل انجام است و بیماران را در معرض سطوح بالقوه خطرناک پرتو قرار می‌دهد.

محققان کشف کردند که ترکیب الگوریتم‌هایی که بر داده‌های EKG و EHR متکی هستند، به دلیل در دسترس بودن EKG می‌تواند یک رویکرد موثر باشد. در هر موقعیت، الگوریتم یاد گرفت که یک مورد آمبولی ریه را با مقایسه داده های EKG یا EHR با نتایج مربوط به CTPA ها شناسایی کند.

سومین الگوریتم هوش مصنوعی ترکیبی نیز با ترکیب الگوریتم EKG با بهترین عملکرد با الگوریتم EHR با بالاترین عملکرد ایجاد شد.

نتایج نشان داد که مدل فیوژن بهتر از الگوریتم‌های اصلی خود عمل می‌کند و همچنین در شناسایی موارد خاص آمبولی ریه بهتر از معیارهای ولز اصلاح شده ژنو امتیاز و سایر آزمایش‌های فعلی است.

201001004.001