در بیمارانی که تحت ارزیابی اکوکاردیوگرافی عملکرد قلب قرار می‌گیرند، ارزیابی اولیه توسط هوش مصنوعی (AI) نسبت به ارزیابی اولیه سونوگرافیک برتر است.
ارزیابی دقیق LVEF برای تشخیص بیماری های قلبی عروقی و تصمیم گیری در مورد درمان ضروری است. ارزیابی انسانی اغلب بر اساس تعداد کمی از چرخه های قلبی است که می تواند منجر به تنوع بالای بین ناظران شود. EchoNet-Dynamic یک الگوریتم یادگیری عمیق است که بر روی ویدئوهای اکوکاردیوگرام برای ارزیابی عملکرد قلب آموزش داده شده است و قبلا نشان داده شده بود که LVEF را با میانگین خطای مطلق ۴.۱-۶.۰٪ ارزیابی می کند. این الگوریتم از اطلاعات در طول چرخه های قلبی متعدد برای به حداقل رساندن خطا و تولید نتایج ثابت استفاده می کند.
گردش کار استاندارد بالینی برای تعیین LVEF توسط اکوکاردیوگرافی این است که یک سونوگرافیک بیمار را اسکن می کند. سونوگرافیک ارزیابی اولیه LVEF را ارائه می دهد. سپس یک متخصص قلب ارزیابی را برای ارائه گزارش نهایی LVEF بررسی می کند. در این کارآزمایی بالینی، اسکن سونوگرافیست به طور تصادفی ۱:۱ به ارزیابی اولیه هوش مصنوعی یا ارزیابی اولیه سونوگرافی اختصاص داده شد، پس از آن متخصصان قلب ارزیابی را بررسی کردند و گزارش نهایی LVEF را ارائه کردند.
محققان میزان تغییر ارزیابی اولیه توسط هوش مصنوعی را با میزان تغییر ارزیابی اولیه توسط سونوگرافیک مقایسه کردند. نقطه پایانی اولیه، فرکانس بیش از ۵ درصد تغییر در LVEF بین ارزیابی اولیه و گزارش نهایی متخصص قلب بود.
این مطالعه شامل ۳۴۹۵ اکوکاردیوگرام از طریق قفسه سینه بود که برای هر نشانه بالینی بر روی بزرگسالان انجام شد. نسبت مطالعاتی که به طور قابل توجهی تغییر کرده است : ۱۶.۸٪ در گروه AI و ۲۷.۲٪ در گروه سونوگرافیست. نقطه پایان ایمنی تفاوت بین گزارش نهایی متخصص قلب و گزارش یک متخصص قلب تاریخی بود. میانگین تفاوت مطلق در گروه هوش مصنوعی ۶.۲۹ درصد و در گروه سونوگرافی ۷.۲۳ درصد بود .
دکتر اویانگ گفت: “ما از پیامدهای آزمایشی هیجان‌زده هستیم. معنای این کار برای آینده این است که الگوریتم‌های هوش مصنوعی خاص، در صورت توسعه و ادغام به روش صحیح، می‌توانند در بهبود کیفیت خروجی خواندن اکو بسیار موثر باشند. همچنین افزایش کارایی در زمان و تلاش سونوگرافیست ها و متخصصان قلب با ساده کردن کارهای خسته کننده اما مهم مفید است. تعبیه هوش مصنوعی در جریان کار بالینی به طور بالقوه می تواند ارزیابی های دقیق تر و منسجم تری ارائه دهد و در نتیجه تشخیص زودهنگام زوال بالینی یا پاسخ به درمان را امکان پذیر می کند.”
ارزیابی دقیق LVEF برای تشخیص بیماری های قلبی عروقی و تصمیم گیری در مورد درمان ضروری است. ارزیابی انسانی اغلب بر اساس تعداد کمی از چرخه های قلبی است که می تواند منجر به تنوع بالای بین ناظران شود. EchoNet-Dynamic یک الگوریتم یادگیری عمیق است که بر روی ویدئوهای اکوکاردیوگرام برای ارزیابی عملکرد قلب آموزش داده شده است و قبلا نشان داده شده بود که LVEF را با میانگین خطای مطلق ۴.۱-۶.۰٪ ارزیابی می کند. این الگوریتم از اطلاعات در طول چرخه های قلبی متعدد برای به حداقل رساندن خطا و تولید نتایج ثابت استفاده می کند.
گردش کار استاندارد بالینی برای تعیین LVEF توسط اکوکاردیوگرافی این است که یک سونوگرافیک بیمار را اسکن می کند. سونوگرافیک ارزیابی اولیه LVEF را ارائه می دهد. سپس یک متخصص قلب ارزیابی را برای ارائه گزارش نهایی LVEF بررسی می کند. در این کارآزمایی بالینی، اسکن سونوگرافیست به طور تصادفی ۱:۱ به ارزیابی اولیه هوش مصنوعی یا ارزیابی اولیه سونوگرافی اختصاص داده شد، پس از آن متخصصان قلب ارزیابی را بررسی کردند و گزارش نهایی LVEF را ارائه کردند.
محققان میزان تغییر ارزیابی اولیه توسط هوش مصنوعی را با میزان تغییر ارزیابی اولیه توسط سونوگرافیک مقایسه کردند. نقطه پایانی اولیه، فرکانس بیش از ۵ درصد تغییر در LVEF بین ارزیابی اولیه و گزارش نهایی متخصص قلب بود.
این مطالعه شامل ۳۴۹۵ اکوکاردیوگرام از طریق قفسه سینه بود که برای هر نشانه بالینی بر روی بزرگسالان انجام شد. نسبت مطالعاتی که به طور قابل توجهی تغییر کرده است : ۱۶.۸٪ در گروه AI و ۲۷.۲٪ در گروه سونوگرافیست. نقطه پایان ایمنی تفاوت بین گزارش نهایی متخصص قلب و گزارش یک متخصص قلب تاریخی بود. میانگین تفاوت مطلق در گروه هوش مصنوعی ۶.۲۹ درصد و در گروه سونوگرافی ۷.۲۳ درصد بود .
دکتر اویانگ گفت: “ما از پیامدهای آزمایشی هیجان‌زده هستیم. معنای این کار برای آینده این است که الگوریتم‌های هوش مصنوعی خاص، در صورت توسعه و ادغام به روش صحیح، می‌توانند در بهبود کیفیت خروجی خواندن اکو بسیار موثر باشند. همچنین افزایش کارایی در زمان و تلاش سونوگرافیست ها و متخصصان قلب با ساده کردن کارهای خسته کننده اما مهم مفید است. تعبیه هوش مصنوعی در جریان کار بالینی به طور بالقوه می تواند ارزیابی های دقیق تر و منسجم تری ارائه دهد و در نتیجه تشخیص زودهنگام زوال بالینی یا پاسخ به درمان را امکان پذیر می کند.”
کد خبر ۲۰۱۰۱۰۶۰۷.۰۴۷.۱
