یک دهه در حال ساخت

هر سال در ایالات متحده بیش از 300000 نفر بر اثر ایست قلبی ناگهانی جان خود را از دست می دهند - وضعیتی که در آن سیستم الکتریکی قلب بدون هیچ هشداری کار نمی کند. اورژانس پزشکی می تواند هم افراد مسن پرخطر و هم ورزشکاران جوان به ظاهر سالم را بدون سابقه مشکلات قلبی بکشد. در حالی که دفیبریلاتورهای داخلی که قلب را دوباره به ریتم شوک می‌دهند می‌توانند جان انسان‌ها را نجات دهند، تشخیص اینکه چه کسی واقعاً به آن نیاز دارد، همچنان یک بازی حدس‌زنی پرمخاطره است. For more context on this story, see our ongoing more AI stories.

اکنون، یک تیم تحقیقاتی به رهبری دانشگاه کالیفرنیا برکلی سیگنالی را در نوار قلب (EKG) کشف کرده است که قبلاً شناسایی نشده بود که می تواند بیماران در معرض خطر را قبل از توقف قلب آنها تشخیص دهد. این مطالعه که در 24 ژوئن 2026 در ژورنال Nature منتشر شد، می تواند نحوه تشخیص پزشکان را تغییر دهد که چه کسی به ایمپلنت نجات دهنده نیاز دارد.

زیاد اوبرمایر، دانشیار دانشکده بهداشت عمومی دانشگاه کالیفرنیا برکلی و نویسنده ارشد این مطالعه، در بیانیه مطبوعاتی دانشگاه گفت: «تصمیم‌های پزشکی واقعاً سخت هستند و فکر می‌کنم به همین دلیل است که هوش مصنوعی برای من بسیار هیجان‌انگیز است. ما نه‌تنها می‌توانیم تصمیم‌های بهتری بگیریم، بلکه شروع به درک اینکه واقعاً با این بیماران چه اتفاقی می‌افتد، قبل از اینکه قلبشان از کار بیفتد، می‌کنیم.»

آموزش 440000 EKG

محققان با استفاده از بیش از 440000 EKG از سوئد همراه با اطلاعات گواهی فوت، یک مدل هوش مصنوعی را برای تجزیه و تحلیل میخ ها و شکل موج های تولید شده توسط جریان الکتریکی قلب آموزش دادند. آنها اسکن های مدل را از افراد سالم، بیماران در معرض خطر و کسانی که بعداً دچار مرگ قلبی شدند تا زمانی که الگوهای شکل موج منحصر به فرد افرادی را که به طور ناگهانی می میرند را تشخیص داد.

سپس تیم این الگوریتم را طی چندین سال بر روی هزاران پرونده بیمار اضافی از ایالات متحده و تایوان تأیید کرد. به گفته دانشگاه، جمع‌آوری داده‌ها به تنهایی تقریباً یک دهه به طول انجامید و از شش سال اسکن از سیستم بهداشتی یکپارچه سوئد، دو سال EKGهای شناسایی نشده از یک سیستم بیمارستانی در سن دیگو و یک مجموعه داده جداگانه از تایپه استفاده شد.

Obermeyer که همچنین بخشی از برنامه مشترک UCSF-UC Berkeley Computational Precision Health است، گفت: هوش مصنوعی خوب با داده های خوب شروع می شود. "متأسفانه، دسترسی به داده هایی مانند آنچه ما برای این مطالعه استفاده کردیم بسیار دشوار است. این بخش بزرگی از این است که چرا امروزه از هوش مصنوعی بالینی کمی استفاده می شود."

عملکرد بهتر از تست های استاندارد

نتایج نشان دهنده یک جهش معنادار نسبت به روش های غربالگری فعلی است. متداول‌ترین تکنیک مورد استفاده برای شناسایی بیماران در معرض خطر، میزان خونی را که قلب با هر ضربان خارج می‌کند، اندازه‌گیری می‌کند که به نام کسر جهشی شناخته می‌شود. این آزمایش‌ها یک گروه پرخطر را با نرخ سالانه 4.6 درصد مرگ ناگهانی قلبی شناسایی می‌کنند.

در مقابل، سیستم هوش مصنوعی، گروه پرخطر را با نرخ سالانه 7 درصد جدا می‌کند - نشان می‌دهد گروه بزرگ‌تری از بیمارانی که در معرض خطر واقعی هستند، اما طبق استانداردهای فعلی کم خطر به نظر می‌رسند. اکثریت قریب به اتفاق این بیماران تحت پروتکل های موجود هرگز برای ارزیابی بیشتر ارجاع نمی شدند.

در حالی که حمله قلبی از محدودیت جریان خون ناشی می شود، ایست قلبی زمانی رخ می دهد که جریان الکتریکی قلب به طور ناگهانی شروع به کار کند. احیای قلبی ریوی و شوک ناشی از دفیبریلاتور خارجی خودکار می تواند جان انسان ها را نجات دهد، اما تقریباً 90 درصد از کسانی که در خارج از بیمارستان دچار ایست قلبی ناگهانی می شوند در عرض چند دقیقه می میرند. سرعت و غیرقابل پیش بینی بودن این رویداد، پیشگیری را فوق العاده دشوار می کند.

معضل دفیبریلاتور

اوبرمایر خاطرنشان کرد طنز مرگ ناگهانی قلبی این است که درمان از قبل وجود دارد - پزشکان نمی توانند به طور قابل اعتماد تشخیص دهند که چه کسی به آن نیاز دارد. دفیبریلاتورهای قلبی قابل کاشت (ICD) دستگاه‌های کوچکی هستند که در قفسه سینه قرار می‌گیرند و ریتم قلب را کنترل می‌کنند و در صورت شناسایی الگوهای خطرناک، شوک ایجاد می‌کنند.

مشکل از دو جهت است. اولاً، تست استاندارد کسری جهشی بیماران را ملزم می‌کند که تحت یک ارزیابی پزشکی بیشتر قرار گیرند - چیزی که اکثریت قریب به اتفاق قربانیان احتمالی هرگز نمی‌دانستند به آن نیاز دارند. دوم اینکه، دو سوم ایمپلنت‌هایی که در بیمارانی که توسط آزمایش‌های فعلی پرچم‌گذاری شده‌اند، هرگز شلیک نمی‌شوند، به این معنی که بیماران تحت روش‌های تهاجمی و پرهزینه قرار می‌گیرند تا از اورژانسی که ممکن است هرگز با آن مواجه نشوند، جلوگیری کنند.

اوبرمایر گفت: «در بخشی از این افراد، اگر به موقع آن را می دانستیم، می توانستیم از این مرگ و میر جلوگیری کنیم. جان‌های بسیاری از افرادی که در اثر مرگ ناگهانی قلبی جان خود را از دست می‌دهند، قابل پیشگیری هستند، اگر ابزارهای هوش مصنوعی بهتری برای یافتن این موارد داشته باشیم.»

بعد چه می آید

فاز بعدی این پروژه هم اکنون آغاز شده است. Obermeyer در حال کار با سیستم های بهداشتی در سوئد، تایوان و ایالات متحده است تا این الگوریتم را بر روی پایگاه های داده EKG بیمارستانی مستقر کند. برای اسکن‌هایی که سیستم را به‌عنوان پرخطر اعلام می‌کند، پزشکان بیماران را مطلع می‌کنند و به آن‌ها این گزینه را پیشنهاد می‌کنند که از چسبی استفاده کنند که به طور مداوم قلب آنها را کنترل می‌کند. این داده‌های پایش می‌تواند به محققان کمک کند مکانیسم فیزیولوژیکی درون قلب را که سیگنال‌های هشدار دهنده را تولید می‌کند، درک کنند و در نهایت می‌تواند منجر به قرار دادن یک دفیبریلاتور داخلی بالقوه نجات‌بخش شود.

این مطالعه همچنین راه را برای تحقیقات جدید در مورد آنچه که ابزار هوش مصنوعی واقعاً شناسایی کرده است باز می کند. به نظر می‌رسد الگوهای شکل موجی که در آن قرار می‌گیرد مربوط به قلب است که به طور ناگهانی و مرگبار اشتباه می‌کند، اما مکانیسم فیزیولوژیکی دقیق همچنان نامشخص است - سوالی که تیم امیدوار است نظارت مستمر به پاسخ آن کمک کند.

Obermeyer همچنین یک وب‌سایت ایجاد کرد که در آن افراد علاقه‌مند به ارزیابی خطر خود می‌توانند اطلاعات اولیه و یک آدرس ایمیل را ارسال کنند و به تیم تحقیقاتی این امکان را می‌دهد تا برای تجزیه و تحلیل EKG پس از در دسترس‌تر شدن ابزار با آنها تماس بگیرند. این پروژه بر اساس کار دو سازمانی است که Obermeyer یکی از آنها را تأسیس کرد - Dandelion Health و Nightingale Open Science - که در تقاطع هوش مصنوعی و تحقیقات پزشکی فعالیت می کنند.

فراتر از پیامدهای بالینی فوری، این مطالعه بر یک نکته گسترده‌تر در مورد هوش مصنوعی در پزشکی تاکید می‌کند: بزرگترین ارزش این فناوری ممکن است در جایگزینی پزشکان نباشد، بلکه در آشکار کردن الگوهای نامرئی برای چشم انسان باشد – الگوهایی که پس از درک، می‌توانند هر سال جان هزاران نفر را نجات دهند.

اوبرمایر گفت: "همچنین راه جدیدی برای انجام علم وجود خواهد داشت که از این ابزارها بیرون می آید."

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →