به گزارش پایگاه اطلاع رسانی بنیان، آریتمی قلبی یک عامل خطر اصلی برای مرگ ناگهانی قلبی است که 15 تا 20 درصد از کل مرگ و میرها در سراسر جهان را تشکیل می‌دهد. علل آریتمی متنوع است و شامل عوامل ژنتیکی، وضعیت جسمی و روانی بیماران و داروهای خاص است. شروع و شدت وقایع آریتمی در بیماران به‌ویژه در افراد جوان و بدون سابقه بیماری قلبی غیرقابل پیش‌بینی است. برای پرداختن به این مشکل، محققانی از موسسه زیست‌شناسی مولکولی و سلولی، سنگاپور، فناوری سلول‌های بنیادی را با یادگیری ماشینی ترکیب کردند، که آن‌ها را قادر ساخت تا آریتمی‌ها را با دقت بالایی در آزمایشگاه پیش‌بینی کنند. نتایج این تحقیق اخیرا در مجله Stem Cell Reports منتشر شده است.
مدل‌سازی دقیق الکتروفیزیولوژی قلب برای پیش‌بینی حساسیت به آریتمی همچنان یک چالش است. تحلیل‌های الکتروفیزیولوژیکی کنونی مدل‌های مبتنی بر فرضیه هستند که از تغییرات در یک زیرمجموعه کوچک از پارامترهای الکتروفیزیولوژیکی نتیجه‌گیری می‌کنند. بنابراین، چارچوبی را برای آموزش طبقه‌بندی‌کننده‌های یادگیری ماشین ایجاد کردند تا با استفاده از ویژگی‌های چرخه کلسیم، کاردیومیوسیت‌های سالم و آریتمی را تشخیص دهند. با آموزش طبقه‌بندی‌کننده‌های یادگیری ماشینی بر روی مجموعه داده‌های تولید شده حاوی 3003 کاردیومیوسیت سالم مشتق شده و حالت‌های مختلف آریتمی آن‌ها، مدل‌های چند کلاسه به دقت بیش از 90 درصد در پیش‌بینی وجود و نوع آریتمی ارزیابی شد.

یافته‌های این مطالعه همچنین نشان داد که یک طبقه‌بندی‌کننده باینری آموزش‌دیده برای تشخیص آریتمی قلبی از الکتروفیزیولوژی سالم می‌تواند تغییرات بیولوژیکی کلیدی مرتبط با آن آریتمی خاص را تعیین کند. بنابراین، الگوریتم‌های یادگیری ماشین را می‌توان برای توصیف الگوهای آریتمی زیربنایی در نمونه‌ها به منظور بهبود مدل‌های بالینی آزمایشگاهی و تکمیل سیستم‌های in vivo مورد استفاده قرار داد.
این تیم در تحقیقات خود از سلول‌های ماهیچه قلب انسان، به اصطلاح کاردیومیوسیت، استفاده کردند که از سلول‌های بنیادی پرتوان در آزمایشگاه ساخته شده بودند. کشت‌های مختلف کاردیومیوسیت مورد استفاده در این مطالعه تمایلات متفاوتی به آریتمی‌های ناشی از جهش‌های ژنتیکی یا درمان دارویی داشتند. محققان با استفاده از داده‌های ویدئویی از بیش از 3000 کاردیومیوسیت «سالم» و مستعد آریتمی، یک برنامه یادگیری ماشینی را در مورد رفتار ضربان خاص کشت‌ها آموزش دادند. با استفاده از یک شاخص قابل مشاهده از تغییرات غلظت کلسیم در سلول‌ها، به عنوان معیاری برای سنجش عملکرد قلب استفاده شد. با استفاده از این سیستم، الگوریتم‌های کامپیوتری بیش از 90 درصد دقت را در پیش‌بینی وقوع آریتمی‌های ناشی از دارو یا ژنتیک به دست آوردند و الگوهای متمایز پیش‌بینی‌کننده آریتمی‌ها را شناسایی کردند.
این تحقیق پایه‌ای را برای بررسی پروفایل مرتبط با خطر بیماری قلبی مبتنی بر یادگیری ماشینی و آزمایش سمیت دارو در کاردیومیوسیت‌های مشتق شده از بیمار ایجاد می‌کند که می‌تواند به تولید داروهای ایمن‌تر و موثرتر کمک کند.
پایان مطلب/