Bu tədqiqatın məqsədi sol mədəcik və sol qulaqcıqda ürəkdöyüntüsü daxilində baş verən dinamik dəyişikliklərə əsaslanaraq struktur və funksional anomaliyaların aşkarlanması üçün süni intellekt (Sİ) texnologiyalarından istifadə etməklə atım fraksiyası qorunmuş ürək çatışmazlığı (HFpEF) üçün sürətli ilkin skrininq alətinin yaradılmasıdır.

Süni İntellektə Əsaslanan Exokardioqrafik Preskrininq: Ürək döyüntüsü Daxili Dinamikaya Əsaslanaraq Atım Fraksiyası Qorunmuş Ürək Çatışmazlığının Aşkarlanması

Xülasə

Məqsəd

Bu tədqiqatın məqsədi sol mədəcik və sol qulaqcıqda ürəkdöyüntüsü daxilində baş verən dinamik dəyişikliklərə əsaslanaraq struktur və funksional anomaliyaların aşkarlanması üçün süni intellekt (Sİ) texnologiyalarından istifadə etməklə atım fraksiyası qorunmuş ürək çatışmazlığı (HFpEF) üçün sürətli ilkin skrininq alətinin yaradılmasıdır.

Giriş

HFpEF üçün müəyyən edilmiş diaqnostik meyarlara baxmayaraq, exokardioqrafiya vasitəsilə bu patologiyanın sürətli və dəqiq qiymətləndirilməsi hələ də çətin olaraq qalır və klinik praktikada əhəmiyyətli ehtiyac var.

Metodlar

Tədqiqata ümumilikdə 1 041 HFpEF olan xəstə və 1 263 asimptomatik fərd daxil edilmişdir. İştirakçıların exokardioqrafik fayllarından dördkameralı proyeksiya görüntüləri çıxarılmış və məlumatlar təsadüfi şəkildə təlim, validasiya və daxili test qruplarına bölünmüşdür. Modelin ümumiləşmə qabiliyyətini qiymətləndirmək məqsədilə başqa bir tibb müəssisəsindən simptomatik xroniki obstruktiv ağciyər xəstəliyi (XOAX) olan 150 xəstə və HFpEF diaqnozu qoyulmuş 315 xəstəni əhatə edən xarici test qrupu istifadə edilmişdir. Süni intellekt modellərinin öyrədilməsi üçün ürəkdöyüntüsü daxilində geometrik ölçülərin dinamikası ardıcıl kadrlar üzrə çıxarılmışdır.

Nəticələr

HFpEF-in aşkarlanması üçün ən yaxşı Sİ modelinin dəqiqliyi 0,91, həssaslığı 0,96 və spesifikliyi 0,85 olmuşdur. Xarici test məlumat dəstində modelin performansı müvafiq olaraq 0,85 dəqiqlik, 0,79 həssaslıq və 0,89 spesifiklik göstərmişdir. Modelin diskriminativ qabiliyyəti qəbul-edici əməliyyat xarakteristikası əyrisi altında sahə (AUC) ilə qiymətləndirilmiş və daxili və xarici test dəstlərində maksimal AUC 0,95 təşkil etmişdir.

Nəticə

Bu tədqiqat çərçivəsində hazırlanmış və ürəkdöyüntüsü daxili dinamika anlayışını özündə birləşdirən süni intellekt sistemi HFpEF diaqnozunun asanlaşdırılması üçün sürətli, vaxta qənaət edən və yüksək dəqiqliyə malik ilkin skrininq üsuludur. Diaqnostik təsnifatla yanaşı, bu yanaşma klinisistlər üçün qərarvermə prosesini dəstəkləyən mühüm kəmiyyət göstəricilərinin avtomatik əldə edilməsinə imkan verir.

Mənbə : AI-Assisted Echocardiographic Prescreening of Heart Failure With Preserved Ejection Fraction on the Basis of Intrabeat Dynamics, Yu-An Chiou, Chung-Lieh Hung and Shien-Fong Lin, JACC: Cardiovascular ImagingVolume 14, Issue 11