Τεχνολογία

Καρδιακή Ανεπάρκεια: Πέντε τύποι εντοπίστηκαν χρησιμοποιώντας εργαλεία τεχνητής νοημοσύνης

Καρδιακή Ανεπάρκεια: Πέντε τύποι εντοπίστηκαν χρησιμοποιώντας εργαλεία τεχνητής νοημοσύνης
Η ερευνητική ομάδα εκπαίδευσε τα εργαλεία μηχανικής μάθησης σε τμήματα των δεδομένων και, αφού είχαν επιλέξει τους πιο ισχυρούς υποτύπους, επικύρωσαν αυτές τις ομαδοποιήσεις χρησιμοποιώντας ένα ξεχωριστό σύνολο δεδομένων.

Your browser does not support the video tag. https://grx-obj.adman.gr/grx/creatives/sanofi/20876/better-understanding-insulin.mp4

Καρδιακή Ανεπάρκεια: Πέντε υποτύποι καρδιακής ανεπάρκειας που θα μπορούσαν δυνητικά να χρησιμοποιηθούν για την πρόβλεψη μελλοντικού κινδύνου για μεμονωμένους ασθενείς έχουν εντοπιστεί σε μια νέα μελέτη με επικεφαλής τους ερευνητές του UCL. Η καρδιακή ανεπάρκεια είναι ένας γενικός όρος για όταν η καρδιά δεν μπορεί να αντλήσει σωστά το αίμα γύρω από το σώμα. Οι τρέχοντες τρόποι ταξινόμησης της καρδιακής ανεπάρκειας δεν προβλέπουν με ακρίβεια πώς είναι πιθανό να εξελιχθεί η ασθένεια.


Για τη μελέτη, που δημοσιεύτηκε στο The Lancet Digital Health, οι ερευνητές εξέτασαν λεπτομερή ανώνυμα δεδομένα ασθενών από περισσότερα από 300.000 άτομα ηλικίας 30 ετών και άνω που είχαν διαγνωστεί με καρδιακή ανεπάρκεια στο Ηνωμένο Βασίλειο σε διάστημα 20 ετών. Χρησιμοποιώντας διάφορες μεθόδους μηχανικής μάθησης, εντόπισαν πέντε υποτύπους: πρώιμη έναρξη, όψιμη έναρξη, κολπική μαρμαρυγή που σχετίζεται (η κολπική μαρμαρυγή είναι μια κατάσταση που προκαλεί ακανόνιστο καρδιακό ρυθμό), μεταβολικό (που συνδέεται με την παχυσαρκία αλλά με χαμηλό ποσοστό καρδιαγγειακών παθήσεων) και καρδιομεταβολικό (σχετίζεται με την παχυσαρκία και τις καρδιαγγειακές παθήσεις). Οι ερευνητές βρήκαν διαφορές μεταξύ των υποτύπων στον κίνδυνο θανάτου των ασθενών το έτος μετά τη διάγνωση. Οι κίνδυνοι θνησιμότητας από όλες τις αιτίες σε ένα έτος ήταν: πρώιμη έναρξη (20%), όψιμη έναρξη (46%), σχετιζόμενη με κολπική μαρμαρυγή (61%), μεταβολικός (11%) και καρδιομεταβολικός (37%). Η ερευνητική ομάδα ανέπτυξε επίσης μια εφαρμογή που οι κλινικοί γιατροί θα μπορούσαν ενδεχομένως να χρησιμοποιήσουν για να προσδιορίσουν τον υποτύπο ενός ατόμου με καρδιακή ανεπάρκεια, κάτι που μπορεί ενδεχομένως να βελτιώσει τις προβλέψεις του μελλοντικού κινδύνου και να ενημερώσει τις συζητήσεις με τους ασθενείς. Η επικεφαλής συγγραφέας Καθηγήτρια Amitava Banerjee (UCL Institute of Health Informatics) είπε: “Προσπαθήσαμε να βελτιώσουμε τον τρόπο ταξινόμησης της καρδιακής ανεπάρκειας, με στόχο να κατανοήσουμε καλύτερα την πιθανή πορεία της νόσου και να την κοινοποιήσουμε στους ασθενείς. Επί του παρόντος, το πώς εξελίσσεται η νόσος είναι δύσκολο για να προβλέψουμε για μεμονωμένους ασθενείς. Μερικοί άνθρωποι θα είναι σταθεροί για πολλά χρόνια, ενώ άλλοι χειροτερεύουν γρήγορα». «Οι καλύτερες διακρίσεις μεταξύ των τύπων καρδιακής ανεπάρκειας μπορεί επίσης να οδηγήσουν σε πιο στοχευμένες θεραπείες και μπορεί να μας βοηθήσουν να σκεφτούμε με διαφορετικό τρόπο τις πιθανές θεραπείες». «Σε αυτή τη νέα μελέτη, εντοπίσαμε πέντε ισχυρούς υποτύπους χρησιμοποιώντας πολλαπλές μεθόδους μηχανικής μάθησης και πολλαπλά σύνολα δεδομένων». “Το επόμενο βήμα είναι να δούμε εάν αυτός ο τρόπος ταξινόμησης της καρδιακής ανεπάρκειας μπορεί να κάνει πρακτική διαφορά στους ασθενείς – εάν βελτιώνει τις προβλέψεις κινδύνου και την ποιότητα των πληροφοριών που παρέχουν οι κλινικοί γιατροί και αν αλλάζει τη θεραπεία των ασθενών.

Πρέπει επίσης να γνωρίζουμε εάν θα ήταν οικονομικά αποδοτικό. Η εφαρμογή που έχουμε σχεδιάσει πρέπει να αξιολογηθεί σε κλινική δοκιμή ή περαιτέρω έρευνα, αλλά θα μπορούσε να βοηθήσει στην τακτική φροντίδα.” Για να αποφευχθεί η μεροληψία από μια ενιαία μέθοδο μηχανικής μάθησης, οι ερευνητές χρησιμοποίησαν τέσσερις ξεχωριστές μεθόδους για να ομαδοποιήσουν περιπτώσεις καρδιακής ανεπάρκειας. Εφάρμοσαν αυτές τις μεθόδους σε δεδομένα από δύο μεγάλα σύνολα δεδομένων πρωτοβάθμιας φροντίδας του Ηνωμένου Βασιλείου, τα οποία ήταν αντιπροσωπευτικά του πληθυσμού του Ηνωμένου Βασιλείου στο σύνολό του και συνδέονταν επίσης με εισαγωγές στο νοσοκομείο και αρχεία θανάτων. (Τα σύνολα δεδομένων ήταν Clinical Practice Research Datalink (CPRD) και The Health Improvement Network (THIN), που κάλυπταν τα έτη 1998 έως 2018.) Η ερευνητική ομάδα εκπαίδευσε τα εργαλεία μηχανικής μάθησης σε τμήματα των δεδομένων και, αφού είχαν επιλέξει τους πιο ισχυρούς υποτύπους, επικύρωσαν αυτές τις ομαδοποιήσεις χρησιμοποιώντας ένα ξεχωριστό σύνολο δεδομένων. Οι υποτύποι καθορίστηκαν με βάση 87 (από τους 635 πιθανούς) παράγοντες, όπως η ηλικία, τα συμπτώματα, η παρουσία άλλων καταστάσεων, τα φάρμακα που έπαιρνε ο ασθενής και τα αποτελέσματα των εξετάσεων (π.χ. αρτηριακής πίεσης) και των αξιολογήσεων (π. , της νεφρικής λειτουργίας). Η ομάδα εξέτασε επίσης γενετικά δεδομένα από 9.573 άτομα με καρδιακή ανεπάρκεια από τη μελέτη UK Biobank. Βρήκαν μια σύνδεση μεταξύ συγκεκριμένων υποτύπων καρδιακής ανεπάρκειας και υψηλότερων βαθμολογιών πολυγονιδιακού κινδύνου (βαθμολογίες συνολικού κινδύνου λόγω των γονιδίων στο σύνολό τους) για καταστάσεις όπως η υπέρταση και η κολπική μαρμαρυγή.