ارائه مدل هوش مصنوعی با تصویربرداری PET/CT برای پیش‌بینی خطر حملات قلبی

بر اساس تحقیقات منتشر شده در شماره ژانویه مجله پزشکی هسته‌ای، پزشکان می‌توانند با ترکیب اطلاعات دو تکنیک تصویربرداری پیشرفته با داده‌های بالینی، پیش‌بینی حملات قلبی را بهبود بخشند. به هنگام ارزیابی توامان جذب F-18-NaF در شریان‌های قلب در تصویربرداری PET و خصوصیات کمّی تجمع پلاک در شریان های قلب در سی‌تی آنژیوگرافی، به کمک یک مدل هوش مصنوعی مشخص شد که این دو روش می‌توانند مکمل یکدیگر باشند. ترکیب این دو روش می‌تواند در پیش‌بینی خطر حمله قلبی در بیماران مبتلا به عروق کرونر بسیار موثر واقع شود و در پیشبینی خطر نسبت به داده‌های بدست آمده تنها از بررسی‌های بالینی، عملکرد بسیار بهتری دارد.

در طب بالینی معمول، پیش‌بینی حمله قلبی چالش برانگیز است و پیش‌بینی احتمال بروز حمله قلبی عموماً با امتیازدهی براساس عوامل خطر بیماری‌های قلبی و عروقی انجام می‌شود. با این حال، در بیمارانی که ابتلای آنان به بیماری عروق کرونر تایید شده است، امتیازدهی‌های مربوط به عوامل خطر قلبی و عروقی لزوماً همیشه تصویر کاملی را ارائه نمی‌دهد.

اخیراً تکنیک‌های تصویربرداری پیشرفته در پیش‌بینی خطر حمله قلبی در بیماران مبتلا به بیماری عروق کرونر بسیار نوید بخش ظاهر شده‌اند. به گفته پیوتر جی اسلومکا، مدیر نوآوری در تصویربرداری در مرکز پزشکی سدار-سینا در لس آنجلس، کالیفرنیا: «این تکنیک ترکیبی است از تصویربرداری PET با سدیم فلوراید F-18 (F-18-NaF) که فعالیت بیماری را در شریان‌های کرونر ارزیابی می‌کند و سی‌تی آنژیوگرافی، که آنالیز کمی پلاک‌ها را ارائه می‌دهد». وی افزود: «هدف ما در این مطالعه بررسی این موضوع بود که آیا اطلاعات ارائه شده توسط F-18-NaF PET و سی‌تی آنژیوگرافی می‌توانند مکمل باشند و پیش‌بینی حملات قلبی را با استفاده از تکنیک‌های هوش مصنوعی بهبود بخشند یا خیر».

نزدیک به 300 بیمار مبتلا به آترواسکلروز (تجمع پلاک در دیواره شریان‌ها (رگ‌هایی که خون را از قلب به اعضای بدن می‌رسانند)، باعث بیماری آترواسکلروز (سخت‌ شدن دیواره شریان‌ها یا تصلب شرایین) می‌شود.) عروق کرونر در این مطالعه شرکت کردند. همه بیماران جهت بررسی عوامل خطر بیماریهای قلبی عروقی تحت یک ارزیابی بالینی پایه قرار گرفتند. تصویربرداری ترکیبی F-18-NaF PET و سی‌تی آنژیوگرافی شریان‌های قلب برای تمام شرکت کنندگان در این کارآزمایی انجام شد. جهت پیش‌بینی خطر حمله قلبی از یادگیری ماشین – نوعی روش هوش مصنوعی – برای محاسبه امتیازات مشترک بدست آمده از ترکیب متغیرهای کلیدی حاصل از ارزیابی بالینی، یافته‌های F-18-NaF PET و متغیرهای کمّی CT استفاده شد.

این مدل یادگیری ماشین بهبود قابل توجهی را در پیش‌بینی حمله قلبی در مقایسه با داده‌های حاصل شده تنها از بررسی بالینی، نشان داد. به‌علاوه این رویکرد نشان از آن داشت که F-18-NaF PET و سی‌تی آنژیوگرافی می‌توانند مکمل یکدیگر باشند و ترکیبی از این دو، قوی‌ترین پیش‌بینی را ارائه می‌دهد. اسلومکا خاطرنشان کرد: «PET 18F-NaF همراه با تصویربرداری کالبد شناختی حاصل از سی‌تی آنژیوگرافی، این پتانسیل را دارد که با هدایت مداخلات درمانی پیشرفته، نمونه‌ای از پزشکی دقیق را به نمایش بگذارد». وی افزود: «این مطالعه سودمندی استفاده از روش‌های هوش مصنوعی برای ادغام داده‌های حاصل از تصویربرداری‌های چندگانه و بررسی‌های بالینی به منظور پیش‌بینی موثر حملات قلبی را به خوبی نشان می‌دهد».