സെഡാർസ്-സിനായ് ഡീപ് ലേണിംഗ് ടൂൾ ആട്രിയൽ ഫൈബ്രിലേഷൻ കൃത്യമായി പ്രവചിക്കുന്നു
സീഡാർസ്-സിനായിലെ സ്മിഡ് ഹാർട്ട് ഇൻസ്റ്റിറ്റ്യൂട്ടിലെ ഗവേഷകർ ഒരു ഡീപ് ലേണിംഗ് (ഡിഎൽ) അൽഗോരിതത്തിന് രോഗലക്ഷണങ്ങളില്ലാത്ത രോഗികളിൽ ആട്രിയൽ ഫൈബ്രിലേഷന്റെ ലക്ഷണങ്ങൾ കൃത്യമായി കണ്ടെത്താൻ കഴിയുമെന്ന് തെളിയിച്ചു.
ഹൃദയാഘാതം, മറ്റ് കാർഡിയോവാസ്കുലാർ സങ്കീർണതകൾ എന്നിവ പോലുള്ള പ്രതികൂല ഫലങ്ങൾ തടയുന്നതിന് ആട്രിയൽ ഫൈബ്രിലേഷൻ നേരത്തെ കണ്ടെത്തുന്നത് നിർണായകമാണ്. ഹൃദയ താള വൈകല്യങ്ങളുടെ ഏറ്റവും സാധാരണമായ തരങ്ങളിൽ ഒന്നാണ് ഈ അവസ്ഥയെന്ന് ഗവേഷണ സംഘം സൂചിപ്പിച്ചു, പക്ഷേ ഈ അവസ്ഥയുള്ള മൂന്നിൽ ഒരാൾക്ക് ഇത് ഉണ്ടെന്ന് അറിയില്ലെന്ന് കണക്കുകൾ സൂചിപ്പിക്കുന്നു.
മുൻകാലങ്ങളിൽ, ഒന്നിലധികം കാർഡിയോവാസ്കുലാർ അവസ്ഥകൾ നേരത്തെ തിരിച്ചറിയുന്നതിനായി ഇലക്ട്രോകാർഡിയോഗ്രാമുകളിൽ (ഇസിജി) ഡിഎൽ ഉപകരണങ്ങൾ വിജയകരമായി പ്രയോഗിച്ചിട്ടുണ്ട്. എന്നിരുന്നാലും, ഈ ഗവേഷണത്തിന്റെ ഭൂരിഭാഗവും വെളുത്ത രോഗികളുടെ ജനസംഖ്യയിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചിട്ടുണ്ടെന്ന് ഗവേഷകർ അഭിപ്രായപ്പെട്ടു.
ഇതിനെ നേരിടാൻ, വൈവിധ്യമാർന്ന ജനസംഖ്യയിലുടനീളം ആട്രിയൽ ഫൈബ്രിലേഷൻ കണ്ടെത്താൻ കഴിയുന്ന ഒരു അൽഗോരിതം വികസിപ്പിക്കാൻ ഗവേഷണ സംഘം ലക്ഷ്യമിട്ടു.
അത്തരമൊരു മോഡൽ വികസിപ്പിക്കുന്നതിന്, ഔട്ട്പേഷ്യന്റ് 12-ലീഡ് ഇസിജികൾ വിശകലനം ചെയ്യുന്നതിനുള്ള ഉപകരണം ഗവേഷകർ പരിശീലിപ്പിച്ചു. 1987 ജനുവരി 1 മുതൽ 2022 ഡിസംബർ 31 വരെ രണ്ട് വെറ്ററൻസ് അഫയേഴ്സ് (വിഎ) ആരോഗ്യ ശൃംഖലകളിലെ രോഗികളിൽ നിന്ന് ശേഖരിച്ച ഇസിജി റീഡിംഗുകൾ ഉപയോഗിച്ചാണ് ഉപകരണം പരിശീലിപ്പിച്ചത്.
ഈ ഡാറ്റ ഉപയോഗിച്ച്, സൈനസ് റിഥം ഇസിജികളുടെ 31 ദിവസത്തിനുള്ളിൽ ആട്രിയൽ ഫൈബ്രിലേഷന്റെ സാന്നിധ്യം പ്രവചിക്കാൻ ഉപകരണത്തെ ചുമതലപ്പെടുത്തി.
പരിശീലന ഡാറ്റാസെറ്റിൽ നിന്ന് പുറത്തെടുത്ത അധിക ഇസിജികളിലും മറ്റ് നാല് വിഎ സൗകര്യങ്ങളിൽ നിന്നും സെഡാർസ്-സിനായിൽ നിന്നുമുള്ള ഇസിജികളിലും ഈ മോഡൽ പരീക്ഷിച്ചു.
മൊത്തത്തിൽ, മോഡൽ ഉയർന്ന കൃത്യതയോടെ ആട്രിയൽ ഫൈബ്രിലേഷൻ പ്രവചിച്ചു. വിഎ ഡാറ്റയിൽ പരീക്ഷിച്ചപ്പോൾ, ഉപകരണം 0.86 എന്ന റിസീവർ ഓപ്പറേറ്റിംഗ് സവിശേഷത കർവിന് (എയുആർഒസി) കീഴിലുള്ള ഒരു പ്രദേശം, 0.78 കൃത്യത, 0.30 എഫ് 1 സ്കോർ എന്നിവ നേടി.
സെഡാർസ്-സിനായ് ഡാറ്റാസെറ്റിൽ, മോഡൽ 0.93 എയുആർഒസി, 0.87 കൃത്യത, എഫ് 1 സ്കോർ 0.46 എന്നിവ നേടി.
ഈ കണ്ടെത്തലുകൾ അവരുടെ ഉപകരണം ആട്രിയൽ ഫൈബ്രിലേഷൻ തിരിച്ചറിയാനും വൈവിധ്യമാർന്ന രോഗി ഗ്രൂപ്പുകളിലുടനീളം പ്രതികൂല സംഭവങ്ങൾ തടയാനും സഹായിക്കുമെന്ന നിഗമനത്തിലേക്ക് ഗവേഷകരെ നയിച്ചു.
“വിമുക്തഭടന്മാരുടെ ഈ പഠനം ഭൂമിശാസ്ത്രപരമായും വംശീയമായും വൈവിധ്യമാർന്നതായിരുന്നു, ഈ അൽഗോരിതത്തിന്റെ പ്രയോഗം യുഎസിലെ പൊതുജനങ്ങൾക്ക് ഗുണം ചെയ്യുമെന്ന് സൂചിപ്പിക്കുന്നു,” മെഡിസിൻ വകുപ്പിലെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഇൻ മെഡിസിൻ ഡിവിഷൻ ഡയറക്ടറും കാർഡിയോളജി വകുപ്പിലെ ഹാർട്ട് റിഥം സെന്ററിന്റെ മെഡിക്കൽ ഡയറക്ടറുമായ സുമീത് ചുഗ് പറഞ്ഞു. ഒരു പത്രക്കുറിപ്പിൽ. സങ്കീർണ്ണവും വെല്ലുവിളി നിറഞ്ഞതുമായ ഹൃദയ അവസ്ഥകളുടെ മുൻകൂട്ടിയുള്ള മാനേജ്മെന്റിനെ അഭിസംബോധന ചെയ്യാൻ സ്മിഡ് ഹാർട്ട് ഇൻസ്റ്റിറ്റ്യൂട്ടിലെയും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഇൻ മെഡിസിൻ വിഭാഗത്തിലെയും അന്വേഷകർ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപയോഗിക്കുന്ന നിരവധി മാർഗങ്ങളിൽ ഒന്നാണ് ഈ ഗവേഷണം.
ഭാവിയിൽ, സാധ്യതയുള്ള ക്ലിനിക്കൽ പരീക്ഷണങ്ങളുടെ ഭാഗമായി അൽഗോരിതം വിലയിരുത്തുന്നത് തുടരാൻ ഗവേഷണ സംഘം പദ്ധതിയിടുന്നു. അങ്ങനെ ചെയ്യുന്നതിലൂടെ, ഹൃദയാഘാതത്തിനും ഹൃദയാഘാതത്തിനും ഉയർന്ന അപകടസാധ്യതയുള്ള രോഗികളെ ഫലപ്രദമായി തിരിച്ചറിയാൻ ഉപകരണത്തിന് കഴിയുമോ എന്ന് വിലയിരുത്താൻ ഗവേഷകർ ലക്ഷ്യമിടുന്നു.
കാർഡിയോവാസ്കുലാർ ഇവന്റ് റിസ്ക് പ്രവചിക്കാൻ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് എങ്ങനെ സഹായിക്കുമെന്ന് മറ്റ് സ്ഥാപനങ്ങളും അന്വേഷിക്കുന്നുണ്ട്.
മൺറോ കാരൽ ജൂനിയർ ചിൽഡ്രൻസ് ഹോസ്പിറ്റലിൽ വിന്യസിച്ചിരിക്കുന്ന ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപകരണത്തിന് പീഡിയാട്രിക് രോഗികളിൽ രക്തം കട്ടപിടിക്കാനുള്ള സാധ്യത കൃത്യമായി പ്രവചിക്കാൻ കഴിയുന്നതെങ്ങനെയെന്ന് ഈ ആഴ്ച വാൻഡർബിൽറ്റ് യൂണിവേഴ്സിറ്റി മെഡിക്കൽ സെന്ററിലെ (വിയുഎംസി) ഗവേഷകർ പങ്കിട്ടു. എന്നിരുന്നാലും, മോഡലിന്റെ ചികിത്സാ ശുപാർശകൾ പിന്തുടരാൻ ക്ലിനിക്കുകൾ പലപ്പോഴും മടിച്ചു.
ആന്റി ത്രോംബോലൈറ്റിക് തെറാപ്പി ആരംഭിക്കാനുള്ള ശുപാർശ പിന്തുടരുന്നത് രക്തസ്രാവ സങ്കീർണതകളിലേക്ക് നയിച്ചേക്കാമെന്നതിനാൽ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് വിശ്വസിക്കാൻ ക്ലിനിക്കുകൾ വിമുഖത കാണിക്കുന്നുവെന്ന് അന്വേഷണത്തിൽ ഗവേഷണ സംഘം കണ്ടെത്തി.
പഠന കൂട്ടാളികൾക്കിടയിൽ രക്തസ്രാവ സങ്കീർണതകളൊന്നും നിരീക്ഷിച്ചിട്ടില്ല, പക്ഷേ അൽഗോരിതത്തിന്റെ കൃത്യതയിൽ നിന്നുള്ള ഉൾക്കാഴ്ചകളും അതിന്റെ ശുപാർശകൾ പിന്തുടരാനുള്ള ക്ലിനിക്കുകളുടെ മടിയും ഒരു ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് ഉപകരണം സുരക്ഷിതവും ഫലപ്രദവുമാണോ എന്ന് നിർണ്ണയിക്കുന്നതിൽ നിർണായകമാണെന്ന് ഗവേഷകർ അഭിപ്രായപ്പെട്ടു.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
