نهج جديد من التعلم الآلي يساعد في اكتشاف الرجفان الأذيني

الرجفان الأذيني هوزيادة في معدل ضربات القلب الغير منتظم وسريع والذي يحدث عندما تتعرض الغرفتان العلويتان للقلب لإشارات كهربائية عشوائية غير منتظمة. والنتيجة هي سرعة في ضربات القلب وعدم انتظامها. قد يتراوح معدل ضربات القلب في الرجفان الأذيني من 100 إلى 175 نبضة في الدقيقة. يحاول الأطباء دائماً توظيف التكنولوجيا للمساعدة في الكشف عن مسببات الأمراض، كما الحال مع الرجفان الأذيني.

النهج الجديد قائم على التعلم الآلي قد يساعد في اكتشاف محركات الرجفان الأذيني.

صمم باحثون من Skoltech وزملاؤهم في الولايات المتحدة نهجًا جديدًا قائمًا على التعلم الآلي لاكتشاف محركات/مسببات الرجفان الأذيني. المقصود بالمحركات بقع صغيرة من عضلة القلب يُفترض أنها تسبب هذا النوع الأكثر شيوعًا من عدم انتظام ضربات القلب. قد يؤدي هذا النهج إلى تدخلات طبية هادفة أكثر كفاءة لعلاج الحالة التي يقدر أنها تؤثر على أكثر من 33 مليون شخص في جميع أنحاء العالم، وفقًا لجمعية القلب الأمريكية.

الرجفان الأذيني

الآلية الكامنة وراء الرجفان الأذيني (AF)، وهو نوع من نظم القلب غير الطبيعي المرتبط بزيادة خطر الإصابة بفشل القلب والسكتة الدماغية، الغير واضحة حتى الآن. تشير الأبحاث إلى أنه قد يكون سببها والمحافظة عليها من خلال ما يسمى بمحركات الرجفان الأذيني العائدة. هذه المحركات هي مصادر محلية للغاية للنشاط الدوراني المتكرر الذي يؤدي إلى عدم انتظام ضربات القلب. يمكن حرق هذه المحركات من خلال إجراء جراحي، والذي يمكن أن يخفف من الحالة أو حتى استعادة الأداء الطبيعي للقلب. لتحديد موقع محركات الرجفان الأذيني هذه العائدة للتدمير اللاحق، يستخدم الأطباء خرائط متعددة الأقطاب. هذه التقنية تسمح لهم بتسجيل العديد من الإلكترونات داخل القلب (يتم ذلك باستخدام قسطرة) وبناء خريطة للنشاط الكهربائي داخل الأذينين. ومع ذلك، غالبًا ما تنتج التطبيقات السريرية لهذه التقنية الكثير من السلبيات الزائفة. فعندما لا يتم العثور على محرك للرجفان الأذيني، و وجود إيجابيات كاذبة، و عندما يتم اكتشاف محرك حيث لا يوجد أي شيء بالفعل.

التعلم الآلي والخوارزميات

في الآونة الأخيرة، استخدم الباحثون خوارزميات التعلم الآلي لمهمة تفسير مخطط كهربية القلب للبحث عن الرجفان الأذيني. ومع ذلك، تتطلب هذه الخوارزميات بيانات مصنفة مع الموقع الحقيقي للمحرك، ودقة رسم الخرائط متعددة الأقطاب غير كافية.

“يعتمد NIOM على إشارات ضوئية للأشعة تحت الحمراء لها القدرة على الاختراق. بالتالي يمكنه تسجيل النشاط الكهربائي من داخل عضلة القلب. بينما يمكن للأقطاب الإكلينيكية التقليدية قياس الإشارات على السطح فقط. أضف إلى هذه السمة الدقة البصرية الممتازة، ويصبح التعيين البصري طريقة لا تحتاج إلى تفكير إذا كنت ترغب في تصور وفهم انتشار الإشارة الكهربائية عبر أنسجة القلب.” كما قال الدكتور ديمتري.

تفاصيل البحث

اختبر الفريق نهجهم على أحد عشر قلبًا بشريًا مزروعًا، تم التبرع بها جميعًا بعد وفاته لأغراض بحثية. أجرى الباحثون رسم الخرائط البصرية ومتعددة الأقطاب في وقت واحد من حلقات AF التي تحدث في القلوب. يمكن لنموذج التعلم الآلي (ML) أن يفسر بكفاءة الرسوم البيانية من رسم الخرائط متعددة الأقطاب لتحديد محركات AF، بدقة تصل إلى 81٪. وهم يعتقدون أن مجموعات البيانات التدريبية الأكبر، التي تم التحقق من صحتها من قبل NIOM، يمكن أن تحسن الخوارزميات القائمة على التعلم الآلي بما يكفي لتصبح أدوات تكميلية في الممارسة السريرية.

“مجموعة البيانات الخاصة بالتسجيل من 11 قلبًا بشريًا لا تقدر بثمن وصغيرة جدًا. لقد أدركنا أن الترجمة السريرية تتطلب حجم عينة أكبر بكثير لأخذ العينات التمثيلية. ومع ذلك كان علينا التأكد من أننا استخرجنا كل جزء من المعلومات المتاحة من الصور الثابتة- ينبض بقلوب بشرية مستكشفة. يجب الاعتراف هنا بتفاني وتدقيق اثنين من طلاب الدكتوراه لدينا: قضت ساشا زولوتاريف عدة أشهر في رحلة التنقل الأكاديمي إلى مختبر فيدوروف لفهم تفاصيل سير عمل التصوير وتقديم الدراسة التجريبية في مؤتمر HRS – أكبر اجتماع حول عدم انتظام ضربات القلب في العالم، وشاركت كاتيا إيفانوفا في تحليل التردد والتصور من داخل جدران Skoltech. لقد قام هذان الباحثان الشابان باستخراج كل ما يمكن للمرء أن يقوم به، لتدريب نموذج التعلم الآلي باستخدام القياسات البصرية، “.