Aviso: Esta página é uma tradução automática da página original em inglês. Por favor note uma vez que as traduções são geradas por máquinas, não tradução tudo será perfeita. Este site e suas páginas da Web destinam-se a ler em inglês. Qualquer tradução deste site e suas páginas da Web pode ser imprecisas e imprecisos no todo ou em parte. Esta tradução é fornecida como uma conveniência.

O AI novo prevê o lugar “de caminhos acessórios” no coração

O Dr. NISHIMORI Makoto do hospital da universidade de Kobe e o professor adjunto KIUCHI Kunihiko do projecto e outros (da divisão da medicina cardiovascular, do departamento da medicina interna) desenvolveram um AI que usasse tipos múltiplos de dados de teste para prever o lugar dos caminhos em excesso no coração chamado “os caminhos acessórios”, que fazem com que o coração bata irregular.

Neste estudo, os pesquisadores podiam melhorar a precisão do diagnóstico tendo o AI aprendem de dois tipos completamente diferentes de dados da electrocardiografia dos resultados (ECG) de teste e de imagens do raio X. Espera-se que esta metodologia pode ser aplicada a outras desordens baseadas nos resultados bem sucedidos desta pesquisa.

Estes resultados de pesquisa foram publicados em linha “em relatórios científicos” o 13 de abril de 2021.

Fundo da pesquisa

Wolff-Parkinson-White (WPW) é uma desordem arrítmica. Os pacientes com síndrome de WPW são nascidos com caminhos em excesso dentro de seus corações chamados “os caminhos acessórios”, que podem causar os episódios do tachycardia onde o pulso acelera. A ablação do cateter envolve usar um cateter para cauterizar selectivamente caminhos acessórios e pode completamente curar esta desordem. Contudo, a taxa de êxito de ablação do cateter varia segundo o lugar dos caminhos acessórios.

Convencionalmente, 12 um chumbo ECG (isto é uma electrocardiografia regular) foi usado para prever o lugar acessório do caminho antes do tratamento. Contudo, este método actual que confia unicamente em ECG é insuficiente exacto, que faz difícil dar a pacientes uma explicação completa que inclua a taxa de êxito de tratamento. Este estudo da pesquisa tentou usar o AI para resolver este problema.

Os pesquisadores usaram uma metodologia ensinando a aprendizagem profunda chamada AI. Profundamente aprender envolve incorporar os dados para cada paciente e as respostas correspondentes em um programa. Repetindo esta aprendizagem, o programa torna-se automaticamente mais esperto. Usando esta metodologia, o grupo de investigação podia apresentar uma solução a um problema previamente não resolvido, assim mais promovendo a aplicação do AI à medicina moderna.

Metodologia da pesquisa

Em primeiro lugar, a equipe do Dr. Nishimori desenvolveu o AI usando somente dados de ECG e comparou seu desempenho aos métodos precedentes. Conduziram repetido aprendendo onde deram dados do ECG A AI cada dos pacientes e o lugar acessório do caminho (isto é a resposta) em cada caso ao mesmo tempo, criando com sucesso um AI com uma taxa de precisão mais alta do que métodos precedentes.

Contudo, o AI era incapaz de executar todas as vezes previsões correctas dos dados de ECG apenas. A causa desta edição era provavelmente que os dados de ECG estão afectados pelas diferenças em tamanho e pela posição de cada coração, conseqüentemente os dados de ECG não combinaram mesmo quando o lugar do caminho acessório era o mesmo. Este problema foi resolvido tendo o AI aprende dados, tais como a informação no tamanho de cada coração, das imagens do raio X de caixa ao mesmo tempo.

Simultaneamente aprendendo os dados do pré-tratamento ECG e de imagem do raio X, o AI podia obter a informação faltante e sua precisão diagnóstica foi melhorada significativamente comparada a quando somente os dados de ECG foram usados.

Revelações mais adicionais

O avanço da tecnologia do AI tem tornado nos últimos anos possível para que o AI faça os diagnósticos altamente exactos baseados em vários tipos de dados de teste no campo da medicina. Contudo, há os casos onde os dados de um único teste são insuficientes para que o AI execute um diagnóstico exacto.

Este estudo da pesquisa aumentou com sucesso a precisão tendo o AI aprende não somente dos resultados de ECG mas igualmente das imagens do raio X de caixa, que são um tipo completamente diferente de dados. os diagnósticos exactos AI-negociados permitirão doutores de dar a pacientes do pré-tratamento uma explicação mais exacta de sua condição, que ponha esperançosamente pacientes na facilidade. Além, esta pesquisa podia ser aplicada às várias desordens e conduzirá esperançosamente à aplicação do software do diagnóstico do AI.

Source:
Journal reference:

Nishimori, M., et al. (2021) Accessory pathway analysis using a multimodal deep learning model. Scientific Reports. doi.org/10.1038/s41598-021-87631-y.