هوش مصنوعی

پیش بینی سکته قلبی با هوش مصنوعی

پیش بینی سکته قلبی با هوش مصنوعی آرامیس از چالش های امروزه پزشکی می باشد

با کمبود زمان ارزشمند پزشک و بیمارستان های شلوغ فشار بسیاری بر روی پزشک و کادر درمان ایجاد می شود

8

بخش اورژانس با آرامش

پیش بینی سکته قلبی زمانی که بیمار با درد سینه آتپیک وارد‌بخش اورژانس می شود بلافاصله تست ecg گرفته می شود و بر اساس گاید لاین نیاز به اکوکاردیوگرافی یا شرایط پاتولوژیک آنژیوگرافی توصیه می شود ،

در این بین اگر بیمار شرایط حاد ریسکی داشته و دچار انفارکت دوباره یا رپرفیوژن یا آریتمی شود ،تمرکز و تخصص هزینه ارزشمندی را می طلبد.

ما در زمان کوتاه اولیه با تست هوش مصنوعی می‌توانیم ریسک سکته بیمار را پیش بینی کنیم.

بر اساس مقایسه ای دانشگاه کلیولند آمریکا و دیتابیس ۲۰ ساله از فالوآپ بیش از ۲۰۰ هزار بیمار کرونری انجام داده ،ربات هوش مصنوعی بالافاصله مقایسه ای از شرح حال بیمار به علاوه تست های پاتولوژیک و به خصوص ECG بیمار در کمتر ۱دقیقه با تمام ۲۰۰هزار پرونده انجام می‌دهد و طبقه بندی اولیه را انجام داده و ریسک سکته را پیش بینی می کند.

تشخیص بالینی با هوش مصنوعی

سیستم هوشمند مصنوعی آرامیس در کنار پزشک و بیمار می تواند کلیه شرایط بیمار در منزل را چک اپ کرده و هر نوع آریتمی ،افزایش فشار خون ،گرفتگی عروق کرونر، تغییرات STEMI و حتی درصد خطر گرفتگی را به اطلاع پزشک برساند و بلافاصه مراحل درمان‌را پزشک شروع نماد

چگونه بهترین مراقبت را در ICU داشته باشیم؟

در بخش ICU سیستم هوش مصنوعی با آنالیز بیماران و تشخیص ریسک های تغییرات علائم حیاتی و مقایسه با ۲۰۰ هزار کیس ،سریع ارجاع به متخصص داده و دقت تشخیص و زمان ریسک‌را به صفر کاهش دهد

مونیتورینگ بیماران در هر جا

پیش بینی سکته قلبی برای پزشکان متخصص به راحتی و با نصب یک‌سیستم سرور و کامپیوتر که می‌توانند برای تمام بیماران سیستم مونیتورینگ شرایط حساس نصب کنند انجام شدنی است و در صورت تشخیص ریسک سکته یا گرفتگی عروق یا علائم بیماری ،سریع مراحل درمان را شروع نمایید.

هر ثانیه از ریسک سکته ارزشمند است

مزایای استفاده از روش های ML/DM برای تشخیص CAD را می توان به صورت زیر خلاصه کرد:ممکن است منجر به تشخیص زودهنگام شود که منجر به کاهش میزان مرگ و میر می شود.

ML/DM می تواند احتمال پیشینی بیماری را فراهم کند و از این احتمال برای هدف قرار دادن انتخابی بیماران برای آنژیوگرافی استفاده کند.

این می تواند در هزینه و زمان برای سایر بیماران صرفه جویی کند. عوارض آنژیوگرافی نیز برای آنها برطرف می شود.استفاده از ML/DM می تواند الگوهای پنهان در داده های جمع آوری شده را استخراج کند.

این پیش بینی سکته قلبی ممکن است منجر به یافتن روش های جدیدی برای تشخیص زودهنگام در بسیاری از بیماری ها مانند CAD شود

.The advantages of using ML/DM

methods for CAD diagnosis can be summarized as follow3:It may result in early detection that leads to a decrease in mortality rate.ML/DM can provide a priori probability of disease and use this probability to selectively target patients for angiography. This can save in cost and time for other patients.

The side effects of angiography are also eliminated for them.Using ML/DM can extract hidden patterns in the collected data. This may lead to finding new methods for early detection in many diseases like CAD.

پیش بینی سکته قلبی چگونه؟

پیش بینی سکته قلبی با ارزیابی انسداد (تنگی) در عروق کرونر در حال حاضر توسط ارزیابی بصری پزشک از توالی های ویدئویی آنژیوگرافی کرونری انجام می شود. این کار پر زحمت است و می تواند مستعد تغییرات بین ناظر باشد.

محققان قبلی برای پیش بینی سکته قلبی و اتوماتیک کردن این فرآیند تلاش کرده‌اند، اما تعداد کمی از الگوریتم‌های یکپارچه برای آنالیز انتها به انتها آنژیوگرام‌ها را نشان داده‌اند.

ما یک خط لوله تجزیه و تحلیل خودکار مبتنی بر یادگیری عمیق را برای ارزیابی سریع و عینی آنژیوگرافی عروق کرونر، برجسته کردن عروق کرونری مورد علاقه، و کمی کردن تنگی بالقوه گزارش می‌کنیم.

ما یک روش تجزیه و تحلیل خودکار 3 مرحله‌ای را پیشنهاد می‌کنیم که شامل استخراج قاب کلید، تقسیم‌بندی عروق و اندازه‌گیری تنگی است.

ما رویکردهای یادگیری عمیق قدرتمند مانند ResNet و U-Net را با پردازش تصویر سنتی و تجزیه و تحلیل هندسی ترکیب کردیم.

ما الگوریتم‌های خود را روی نمای مایل قدامی چپ (LAO) شریان کرونری راست (RCA) با استفاده از آنژیوگرافی‌های ناشناس به‌دست‌آمده از یک موسسه قلب سوم آموزش و آزمایش کردیم، سپس تعمیم‌پذیری تکنیک خود را به نمای مایل قدامی راست (RAO) آزمایش کردیم. ما بهبود کلی را نسبت به کارهای قبلی نشان دادیم،

با دقت بالای 5 استخراج فریم کلید 98.4٪، بخش بندی عروق F1-Score 0.891 و اندازه گیری تنگی 20.7٪ نرخ خطای نوع I.

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد.

در حال بارگذاری