بر اساس نتایج یک پژوهش جدید، یک ابزار تازه هوش مصنوعی می تواند روند یافتن درمان های بیماری قلبی را سرعت ببخشد.

بیماری های قلبی عروقی (CVD) مهم ترین علت مرگ ومیر و ناتوانی در سراسر اتحادیه اروپا هستند و به گفته سازمان همکاری و توسعه اقتصادی (OECD) هر سال حدود 1.7 میلیون مرگ را رقم می زنند و 62 میلیون نفر را تحت تاثیر قرار می دهند.

دانشمندان امپریال کالج لندن یک ابزار هوش مصنوعی (AI) توسعه داده اند تا مشخص کنند کدام ژن ها با بیماری مرتبط اند و با ترکیب اسکن های دقیق قلب با پایگاه های بزرگ داده های پزشکی، یافتن داروهای بیماری قلبی را سریع تر کنند.

این ابزار که CardioKG نام دارد با استفاده از داده های تصویربرداری قلب هزاران نفر در بیوبانک بریتانیا ساخته شده است. این مجموعه شامل بیماران مبتلا به شرایطی مانند فیبریلاسیون دهلیزی، نارسایی قلبی و سکته قلبی و همچنین داوطلبان سالم بود.

پژوهشگران می گویند با این کار می توان پیش بینی های دقیق تری درباره اینکه کدام داروها ممکن است به افراد با شرایط مشخص قلبی کمک کند انجام داد.

دکلن اوریگان، سرپرست گروه تصویربرداری محاسباتی قلب در آزمایشگاه علوم پزشکی MRC در امپریال کالج لندن گفت: یکی از مزیت های گراف های دانشی این است که اطلاعات مربوط به ژن ها، داروها و بیماری ها را یکپارچه می کنند.

پژوهشگران می گویند این رویکرد در نهایت می تواند به مراقبت های شخصی سازی شده منجر شود که در آن درمان ها با نحوه کارکرد قلب هر فرد هماهنگ تر است.

همین فناوری را می توان برای مطالعه دیگر وضعیت ها با استفاده از تصویربرداری پزشکی نیز به کار گرفت، از جمله اختلالات مغزی و چاقی.

اوریگان گفت: این یعنی توان بیشتری برای کشف درمان های جدید دارید. دریافتیم که گنجاندن تصویربرداری قلب در گراف، نحوه و میزان شناسایی ژن ها و داروهای جدید را دگرگون کرد.

در میان داروهای برجسته شده، نام متوترکسات که به طور گسترده برای درمان آرتریت روماتویید استفاده می شود و گروهی از داروهای دیابت موسوم به گلیپتین ها به چشم می خورد.

مدل هوش مصنوعی پیشنهاد کرد متوترکسات می تواند به افراد مبتلا به نارسایی قلبی کمک کند و گلیپتین ها ممکن است برای مبتلایان به فیبریلاسیون دهلیزی سودمند باشد.

تحلیل همچنین به اثر محافظتی احتمالی کافیین در برخی بیماران مبتلا به فیبریلاسیون دهلیزی اشاره کرد، هرچند پژوهشگران تاکید کردند این به معنای آن نیست که مردم باید میزان مصرف کافیین خود را تغییر دهند.

خالد رجوب، نویسنده اول این مطالعه و پژوهشگر علم داده در امپریال کالج لندن گفت: با تکیه بر این کار، گراف دانش را به یک چارچوب پویا و بیمارمحور گسترش خواهیم داد که مسیرهای واقعی بیماری را ثبت می کند.

او افزود: این کار امکان های تازه ای برای درمان شخصی سازی شده و پیش بینی زمان احتمالی بروز بیماری ها فراهم خواهد کرد .