توفیق محققان در ارتقای روش های تشخیص ناهنجاری های قلبی
هوش مصنوعی و بهبود تشخیص بیماری های قلبی از روی صدا
به گزارش پروژه آسان، محققان ایرانی موفق به طراحی روشی جدید برای بهبود تشخیص ناهنجاری های قلبی شده اند. این شیوه از صدای قلب و خصوصیت های جدید استخراج شده از آن برای تشخیص دقیق تر بیماری های قلبی استفاده می نماید.
به گزارش پروژه آسان به نقل از ایسنا، بیماری های قلبی-عروقی بعنوان یکی از مهم ترین عوامل مرگ ومیر در جهان شناخته می شوند. سالانه تعداد خیلی از افراد، جان خویش را بر اثر این بیماری ها از دست می دهند و این آمار رو به افزایش است. صدای قلب یکی از منابع مهم اطلاعاتی برای شناسایی ناهنجاری های قلبی است و می تواند در تشخیص زودهنگام این بیماری ها مؤثر باشد. استماع صدای قلب، به علت غیرتهاجمی بودن و احتیاج به تجهیزات کمتر، یک روش مؤثر و کاربردی در مراکز بهداشتی کوچک و کلینیک های مراقبت های اولیه است.
با این حال، یکی از چالش های اصلی در تشخیص ناهنجاری های قلبی از راه صدای قلب، وابستگی این شیوه به تجربه پزشکان است. دقت تشخیص با این شیوه توسط پزشکان متخصص قلب حدود ۸۰ درصد و توسط پزشکان عمومی حدود ۲۰ تا ۴۰ درصد است. به همین دلیل، تلاشهای بسیاری برای بهبود این شیوه از راه استفاده از یادگیری ماشین و هوش مصنوعی صورت گرفته است. این فناوری های پیشرفته می توانند دقت تشخیص و مراقبت از بیماران را بهبود بخشند.
در این راستا، پژوهشگران ایرانی به سرپرستی مهدی تقی زاده از دانشگاه آزاد اسلامی واحد کازرون و با همکاری دانشگاه علوم پزشکی اصفهان، پژوهشی را انجام داده اند تا با استفاده از الگوریتم های یادگیری ماشین، خصوصیت های جدیدی از سیگنال صدای قلب استخراج کنند. این خصوصیت ها می توانند به تشخیص دقیق تر ناهنجاری های قلبی کمک کنند و دقت تشخیص را نسبت به روش های سنتی بالا برند.
این مطالعه که به شکل توصیفی و تحلیلی انجام شده، از داده های یک پژوهش به نام «چالش ۲۰۱۶ فیزیونت» بهره برده است. محققان بعد از پیش پردازش داده ها و حذف نویزهای موجود، ۴۱ خصوصیت مختلف از سیگنال های صدای قلب استخراج کردند. این خصوصیت ها شامل ۶ خصوصیت جدید بودند که عبارتند از: آشفتگی متوسط نسبی، ضریب اغتشاش دوره پنج نقطه ای، شیمر محلی برحسب دسی بل، ضریب اغتشاش دامنه سه نقطه ای، ضریب اغتشاش دامنه پنج نقطه ای، و همبستگی مرکز جرم زمانی و فرکانسی. سپس این خصوصیت ها به چهار طبقه بند مختلف شامل جنگل تصادفی، ماشین بردار پشتیبان، K نزدیک ترین همسایه و تحلیل و بررسی افتراق خطی اعمال شدند.
نتایج به دست آمده نشان دادند که بیشترین میزان صحت و حساسیت با استفاده از طبقه بند تحلیل و بررسی افتراق خطی به دست آمده است. همچنین، بیشترین میزان اختصاصیت هم در طبقه بند جنگل تصادفی مشاهده شد. این یافته ها نشان می دهند که با افزودن خصوصیت های جدید، دقت تشخیص ناهنجاری های قلبی بهبود یافته و این خصوصیت ها تاثیر مثبتی بر روی شاخصهای مختلف ارزیابی داشته اند.
از سوی دیگر، مقایسه نتایج این پژوهش با مطالعات پیشین که از خصوصیت های کمتری بهره برده بودند، نشان داد که استخراج خصوصیت های جدید نه تنها دقت تشخیص را افزایش داده، بلکه سبب بهبود میزان اختصاصیت در طبقه بند جنگل تصادفی هم شده است.
این یافته ها اهمیت بالایی در بهبود روش های تشخیص ناهنجاری های قلبی دارند و می توانند بعنوان مبنایی برای توسعه سیستم های تشخیصی پیشرفته تر مورد استفاده قرار گیرند.
این پژوهش همینطور نشان داده است که استفاده از خصوصیت های در رابطه با تغییرات دامنه سیگنال (شیمر) نسبت به خصوصیت های در رابطه با فرکانس (ییتر) در تشخیص ناهنجاری های قلبی مؤثرتر است. به عبارت دیگر، تغییرات دامنه سیگنال صدای قلب اطلاعات بیشتری در مورد وضعیت قلب عرضه می دهد که می تواند به تشخیص دقیق تر ناهنجاری ها کمک نماید.
شایان ذکر است، این نتایج جالب و پرارزش در نشریه «ارمغان دانش» وابسته به معاونت تحقیقات و فناوری دانشگاه علوم پزشکی یاسوج انتشار یافته اند. نتایج این پژوهش می توانند گامی مهم در بهبود سیستم های تشخیصی مبتنی بر صدا و ارتقای سطح مراقبت های بهداشتی در سطح جهان باشند.
منبع: ezproject.ir
این مطلب پروژه آسان را پسندیدید؟
(1)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب