عنوان طرح: بررسی عوامل خطر مرتبط با ابتلا به نارسایی قلبی در بیماران مبتلا به انفارکتوس حاد میوکارد بستری شده در بیمارستان قلب فرشچیان با استفاده از روش‌های یادگیری ماشین

مجری(ان): رویا نجفی وثوق، حسین محجوب

همکار(ان): سید کیانوش حسینی، صمد مصلحی، علیرضا عبدی، محمدرضا زمانی

تاریخ انتشار: 1405

نوع طرح: کاربردی

پیام کلیدی:

• دقت بالای یادگیری ماشین در پیش‌بینی: روش «انباشت تصادفی» با دقت ۸۸ درصد توانست ابتلا به نارسایی قلبی را در بیماران پس از سکته قلبی پیش‌بینی کند که نسبت به دو روش دیگر (ماشین بردار پشتیبان و بیز ساده) عملکرد بهتری داشت.
• شش عامل خطر اصلی شناسایی شد: مهم‌ترین عواملی که به ترتیب اولویت در پیش‌بینی نارسایی قلبی نقش دارند عبارتند از: کسر جهشی قلب، تری‌گلیسیرید، فشارخون سیستولیک، HDL، قندخون ناشتا و کلسترول.
• شیوع قابل توجه نارسایی قلبی پس از انفارکتوس حاد میوکارد: از میان ۴۹۷ بیمار، حدود ۱۲ درصد (۵۹ نفر) پس از انفارکتوس حاد میوکارد به نارسایی قلبی مبتلا شدند که لزوم توجه جدی به پیشگیری را نشان می‌دهد.
• غلبه عوامل خطر متابولیک و فشارخون: سابقه پرفشاری خون (۴۴ درصد) و دیابت (۵/۲۲ درصد) در میان بیماران شیوع بالایی داشت که بر ضرورت کنترل این بیماری‌ها در پیشگیری از عوارض قلبی تأکید می‌کند.
• قابلیت استفاده عملی در مدیریت بیماران: استفاده از روش‌های یادگیری ماشین می‌تواند به پزشکان کمک کند تا با شناسایی زودهنگام بیماران پرخطر، اقدامات پیشگیرانه و درمانی مؤثرتری را پس از انفارکتوس حاد میوکارد به کار گیرند.

متن پیام پژوهشی:  

انفارکتوس حاد میوکارد شایع‌ترین علت اولیه نارسایی قلبی است. با توجه به افزایش بروز انفارکتوس حاد میوکارد و عوارض ناشی از آن، پیش‌بینی به موقع نارسایی قلبی می‌تواند از مرگ و میر، بستری‌های مکرر و هزینه‌های سنگین درمانی جلوگیری کند.

در این پژوهش با بررسی 497 بیمار مبتلا به انفارکتوس حادمیوکارد، مشخص شد حدود ۱۲ درصد آن‌ها پس از انفارکتوس حادمیوکارد به نارسایی قلبی مبتلا شدند. با استفاده از روش‌ «انباشت تصادفی» که یک روش یادگیری ماشین است، توانستیم با دقت ۸۸ درصد پیش‌بینی کنیم کدام بیماران در معرض خطر نارسایی قلبی هستند. مهم‌ترین عوامل خطر شامل: کسرجهشی قلب، چربی خون (تری‌گلیسیرید و کلسترول)، فشارخون بالا و قند خون.

نتایج این طرح در بخش‌های مراقبت قلبی، اورژانس و آی‌سی‌یو بیمارستان‌ها قابل استفاده است. پزشکان می‌توانند با استفاده از شش عامل خطر شناسایی‌شده، بیماران را پس از ابتلا به انفارکتوس حادمیوکارد سطح‌بندی خطر کنند. همچنین روش پیشنهادی (انباشت تصادفی) می‌تواند در قالب یک نرم‌افزار کمکی یا سیستم هشداردهنده در بیمارستان قلب فرشچیان و سایر مراکز مشابه پیاده‌سازی شود تا به تصمیم‌گیری بالینی در شروع زودهنگام اقدامات پیشگیرانه کمک کند.

تاثیرات و کاربردهای پژوهش:

1. کاهش مرگ و میر قلبی: پیش‌بینی زودهنگام نارسایی قلبی پس از انفارکتوس حاد میوکارد می‌تواند مرگ و میر ناشی از این عارضه را به طور قابل توجهی کاهش دهد.
2. بهبود کیفیت زندگی بیماران: شناسایی بیماران پرخطر امکان مداخلات پیشگیرانه را فراهم می‌کند که از ناتوانی و کاهش کیفیت زندگی ناشی از نارسایی قلبی جلوگیری می‌نماید.
3. کاهش هزینه‌های نظام سلامت: پیشگیری از نارسایی قلبی منجر به کاهش بستری‌های مکرر، هزینه‌های تشخیصی و درمانی می‌شود.
4. تغییر رویکرد پزشکی از درمان به پیشگیری: استفاده از یادگیری ماشین، پزشکی را از رویکرد واکنشی به سمت رویکرد پیش‌بینی‌محور سوق می‌دهد.
5. ارتقای سطح دانش علمی: نشان دادن برتری روش انباشت تصادفی (با دقت ۸۸ درصد) نسبت به سایر روش‌ها، مسیر تحقیقات آینده را مشخص می‌کند.

محدودیتهای شواهد چه بودند؟

مهمترین محدودیت مطالعه حاضر ناقص بودن پرونده‌ برخی بیماران بود.

آیا این خبر می تواند از نظر اجتماعی، سیاسی، فرهنگی، بهداشتی، ارزش های دینی و قوانین سازمان غذا و دارو، تبعاتی داشته باشد؟

خیر

در صورتی که این طرح منتج به مقاله شده است لینک مقاله درج شود:

ایمیل ارتباطی و تلفن مجری اصلی طرح:

roya.najafivosough@gmail.com

منابع و مراجع:

1. Li X, Shang C, Xu C, Wang Y, Xu J, Zhou Q. Development and comparison of machine learning-based models for predicting heart failure after acute myocardial infarction. BMC Medical Informatics and Decision Making. 2023;23(1):165.
2. Guo C, Gao B, Han X, Zhang T, Tao T, Xia J, et al. Interpretable artificial intelligence model for predicting heart failure severity after acute myocardial infarction. BMC Cardiovascular Disorders. 2025;25(1):362.
3. Li Y, Hu Y, Jiang F, Chen H, Xue Y, Yu Y. Combining WGCNA and machine learning to identify mechanisms and biomarkers of ischemic heart failure development after acute myocardial infarction. Heliyon. 2024;10(5).

1. Souza VS, Lima DA. Identifying risk factors for heart failure: a case study employing data mining algorithms. Journal of Data Science and Intelligent Systems. 2024;2(3):161-73.

گروه مخاطب

پیام پژوهش

متخصصان قلب و عروق

اطلاع از عوامل خطر مرتبط با ابتلا به نارسایی قلبی در بیماران مبتلا به انفارکتوس حاد میوکارد و انجام اقدامات لازم جهت پیشگیری از ابتلا به نارسایی قلبی و کاهش شدت بیماری

بیماران و خانواده آن‌ها

آگاهی از عوامل مؤثر بر ابتلا به نارسایی قلبی در بیماران مبتلا به انفارکتوس حاد میوکارد

محل بکارگیری نتایج تحقیق( صنعت، جامعه)

پیشنهاد نحوه کاربست

مراکز بهداشتی درمانی

برنامه‌ریزی و تدوین برنامه جهت پیشگیری از ابتلا به نارسایی قلبی در بیماران مبتلا به انفارکتوس حاد میوکارد