Консалтинговая группа "Текарт" - центр компетенции "Робототехника".

Подробнее...
Основное меню
Категории новостей
Логотип

ИИ идентифицирует 5 видов сердечной недостаточности для прогнозирования риска и лечения

Сердечная недостаточность поражает миллионы людей во всем мире. Болезнь может быть вызвана множеством факторов, требующих различных методов лечения. Теперь исследователи обучили несколько моделей машинного обучения, используя большой набор данных, чтобы определить 5 подтипов сердечной недостаточности.

Традиционно различные типы сердечной недостаточности классифицируются в зависимости от фракции выброса левого желудочка (LVEF) - количества крови, которое левый желудочек сердца выталкивает при каждом сокращении. Однако шведское исследование 2018 года с применением машинного обучения показало, что LVEF не позволяет предсказать выживаемость при сердечной недостаточности.

Исследователи из University College London использовали четыре модели машинного обучения для разработки системы определения подтипов сердечной недостаточности. Они изучили анонимные данные электронных медицинских карт более чем 300 000 пациентов, у которых в течение 20 лет была диагностирована сердечная недостаточность.

"Мы стремились улучшить классификацию сердечной недостаточности, чтобы лучше понять вероятное течение болезни и донести это до пациентов, - говорит Амитава Банерджи, ведущий автор исследования. - В настоящее время трудно предсказать, как будет развиваться болезнь у отдельных пациентов. У некоторых людей состояние стабильно в течение многих лет, в то время как у других оно быстро ухудшается".

Чтобы избежать предвзятости, которая может возникнуть при использовании одной модели машинного обучения, исследователи использовали четыре модели для разделения случаев сердечной недостаточности на группы. После обучения на сегментах данных модели выделили пять подтипов на основе 87 из 635 возможных факторов, включая возраст, симптомы, наличие других заболеваний, лекарства, которые принимал пациент, параметры здоровья, такие как кровяное давление, и результаты анализов. Подтипы были проверены на отдельном наборе данных.

Пять подтипов были сгруппированы в соответствии со специфическими характеристиками. К "раннему началу" относились молодые люди с низким уровнем факторов риска. К "позднему началу" относились люди старшего возраста, принимавшие мало лекарств и страдавшие сердечно-сосудистыми заболеваниями. Подтип "связанный с фибрилляцией предсердий" включал людей с нерегулярным сердечным ритмом или с заболеванием клапанов сердца. Подтип "метаболический" включал людей с избыточным весом, со средним уровнем факторов риска, но с низким уровнем сердечно-сосудистых заболеваний. К подтипу "кардиометаболический" относились люди с избыточным весом, принимающие большое количество назначенных лекарств, с высоким уровнем факторов риска и сердечно-сосудистыми заболеваниями.

Исследователи обнаружили, что риск смерти в течение года после постановки диагноза различался между подтипами. Через год риск смертности от всех причин был самым высоким в подгруппе, связанной с фибрилляцией предсердий (61%), далее следуют подгруппы с поздним началом (46%), кардиометаболическим (37%), ранним началом (20%) и метаболическим (11%). По словам исследователей, результаты исследования могут быть использованы для улучшения лечения сердечной недостаточности.

"Более четкое различие между типами сердечной недостаточности может привести к более целенаправленному лечению и поможет нам по-другому взглянуть на потенциальные методы лечения", - сказал Банерджи.

Исследователи разработали приложение, основанное на подходе машинного обучения, которое врачи могут использовать для определения того, к какому подтипу относится человек.

"Следующий шаг - посмотреть, может ли этот способ классификации сердечной недостаточности принести практическую пользу пациентам: улучшит ли он прогнозирование риска и качество информации, предоставляемой врачами, и изменит ли лечение пациентов, - говорит Банерджи. - Нам также необходимо знать, будет ли это экономически эффективным. Разработанное нами приложение необходимо оценить в клинических испытаниях или дальнейших исследованиях, но оно может помочь в рутинном лечении".

Исследование было опубликовано в журнале The Lancet Digital Health.

Фото: Unsplash/jesse orrico

Теги: ИИ

Комментарии

(0) Добавить комментарий

Ищите команду разработчиков? Не можете найти робота для своих нужд? Пишите нам!

Для обратной связи укажите ваш E-mail, он будет доступен только администратору. Так вы сможете оперативно узнать, когда ответ на ваш вопрос будет опубликован



Новые комментарии

Магнитные гусеничные роботы для очистки корпуса судна от продуктов биообрастания
Гость Николай Николаевич
29.12.2023
10:23:08
Очень нравится. Как возможно задействовать в наших водах Азов и Черное море