هوش مصنوعی می‌تواند تجویز دارو برای بیماری‌های قلبی را متحول کند

بیماری‌های قلبی‌عروقی (CVD) مهم‌ترین علت مرگ‌ومیر و ناتوانی در سراسر اتحادیه اروپا هستند و به‌گفته سازمان همکاری و توسعه اقتصادی (OECD) هر سال حدود ۱.۷ میلیون مرگ را رقم می‌زنند و ۶۲ میلیون نفر را تحت تاثیر قرار می‌دهند.

دانشمندان امپریال کالج لندن یک ابزار هوش مصنوعی (AI) توسعه داده‌اند تا مشخص کنند کدام ژن‌ها با بیماری مرتبط‌اند و با ترکیب اسکن‌های دقیق قلب با پایگاه‌های بزرگ داده‌های پزشکی، یافتن داروهای بیماری قلبی را سریع‌تر کنند.

این ابزار که CardioKG نام دارد با استفاده از داده‌های 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 می‌گویند با این کار می‌توان پیش‌بینی‌های دقیق‌تری 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 مزیت‌های گراف‌های دانشی این است که اطلاعات مربوط به ژن‌ها، داروها و بیماری‌ها را یکپارچه می‌کنند.»

پژوهشگران می‌گویند این رویکرد در نهایت می‌تواند به مراقبت‌های شخصی‌سازی‌شده منجر شود که در آن درمان‌ها با نحوه کارکرد قلب هر فرد هماهنگ‌تر است.

همین فناوری را می‌توان برای مطالعه دیگر وضعیت‌ها با استفاده از تصویربرداری پزشکی نیز به‌کار گرفت، از جمله اختلالات مغزی و چاقی.

اوریگان گفت: «این یعنی توان بیشتری برای کشف درمان‌های جدید دارید. دریافتیم که گنجاندن تصویربرداری قلب در گراف، نحوه و میزان شناسایی ژن‌ها و داروهای جدید را دگرگون کرد.»

در میان داروهای برجسته‌شده، نام متوترکسات که به‌طور گسترده برای درمان آرتریت روماتوئید استفاده می‌شود و گروهی از داروهای دیابت موسوم به گلیپتین‌ها به چشم می‌خورد.

مدل هوش مصنوعی پیشنهاد کرد متوترکسات می‌تواند به افراد مبتلا به نارسایی قلبی کمک کند و گلیپتین‌ها ممکن است برای مبتلایان به فیبریلاسیون دهلیزی سودمند باشد.

تحلیل همچنین به اثر محافظتی احتمالی کافئین در برخی بیماران مبتلا به فیبریلاسیون دهلیزی اشاره کرد، هرچند پژوهشگران تاکید کردند این به معنای آن نیست که مردم باید میزان مصرف کافئین 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 می‌کند.»

او افزود: «این کار امکان‌های تازه‌ای برای درمان شخصی‌سازی‌شده و پیش‌بینی زمان احتمالی بروز بیماری‌ها فراهم خواهد کرد».

منبع:‌ یورونیوز