האם בינה מלאכותית היא העתיד של הערכת סיכון, אבחון וטיפול מותאמים אישית ליתר לחץ דם?

במחקר שפורסם לאחרונה ב מחקר יתר לחץ דם, חוקרים סקרו את ההתקדמות האחרונה ביישומי בינה מלאכותית (AI) לטיפול ביתר לחץ דם (HTN) ומחלות נלוות שלו.

לימוד: התפתחויות אחרונות בשיטות מידול למידת מכונה לטיפול ביתר לחץ דם. קרדיט תמונה: chayanuphol/Shutterstock.com

רקע כללי

הם מסכמים יותר מ-35 מחקרים וחושפים שההתקדמות האחרונה בניטור לחץ הדם הביתי (BP) והשילוב המוגבר של מקורות נתונים מגוונים עשויים לגרום לפיתוח פתרונות למידה מותאמים אישית של מכונה להערכות, אבחון וטיפול בסיכון HTN.

הם עוד בוחנים את האתגרים הנוכחיים העומדים בפניהם בתחום ומציעים יישום מוגבר של שיתופי פעולה בין-תחומיים בין מומחי בינה מלאכותית, ספקי שירותי בריאות ורופאים כדרך קדימה ליישום המוגבר של בינה מלאכותית בטיפול ב-HTN.

למה אנחנו צריכים AI לטיפול ב-HTN?

יתר לחץ דם (HTN) הוא מצב שכיח המאופיין בלחץ דם גבוה (מעל 140/90 מ"מ כספית). לב המטופלים חייב לעבוד קשה יותר מהרגיל במהלך המצב כדי להבטיח זרימת דם נאותה למאפיינים סומטיים שונים.

למרות שלעתים רחוקות הוא מסכן חיים בפני עצמו, HTN, במיוחד אם אינו מטופל, קשור לשורה של מחלות קרדיווסקולריות, כולל מחלות לב ושבץ מוחי.

למרבה הצער, HTN היא בדרך כלל מחלה שקטה כמעט ללא תסמינים נראים חיצוניים. למרות כמעט 50% מהמבוגרים החיים עם המחלה, 30% או יותר נותרו לא מודעים למחלה, מה שמציב אתגרים חמורים באבחון ובניהולה.

בשנים האחרונות, ההתקדמות בכוח החישוב והזרימה של בינה מלאכותית (AI) למחקר רפואי הובילו לצמיחה משמעותית בתחום, כאשר תומכי הבינה המלאכותית מציעים שמודלים של למידת מכונה (ML) יכולים להפחית את העומס על הזמינות המוגבלת של קרדיווסקולריים. מומחים על ידי לקיחת ההובלה בהערכת סיכונים ואבחנות של HTN.

מספר התקדמות מכרעת סללו את הדרך לזרימה של מודלים של ML במחקר HTN, בעיקר השילוב הנרחב של מקורות נתונים שונים עד כה – רשומות בריאות אלקטרוניות, נתונים סביבתיים ורשומות בריאות מותאמות אישית, שנותחו באופן מסורתי בנפרד, סיפקו למודלים של ML עם חומרי הגלם הדרושים כדי לחשוף דפוסים ספציפיים לאוכלוסייה ולפרט בפתולוגיה של HTN.

ראויה לציון הריבוי המוגבר של שעונים חכמים ורוגרי נתונים לבישים אחרים, שאמנם אינם מדויקים כמו כלים קליניים, אך מספקים נתונים בצפיפות גבוהה וקבועים על פרמטרים חיוניים לכל החיים ופרמטרים חיוניים אחרים, כולל דופק, רמות פעילות גופנית ולחץ דם ( BP).

לבסוף, מודלים של למידה עמוקה, צעד משמעותי קדימה עבור מודלים מסורתיים של AI, אפשרו לחוקרים להשיג דיוק חסר תקדים באבחוני HTN ו-BP על ידי לכידת דפוסים מורכבים בנתונים בין-תחומיים.

זה הביא להגברת ההתאמה האישית של גישות אלה, ועשויה להועיל למטופלים על ידי התאמת התערבויות קליניות לצרכיהם הספציפיים במקום הגישה 'יחידה מתאימה לכולם'.

לגבי המחקר

במחקר הנוכחי, חוקרים סיכמו יותר מ-35 פרסומים עדכניים על יישומי AI בהערכת סיכונים של HTN, אבחון וטיפול. המחקר מתמקד בשיטות מידול תוך שימוש בנתוני לחץ דם ביתיים בצפיפות גבוהה ובמחקר המתעדף יכולת הסבר לטיפול מותאם אישית.

"לחץ דם ביתי קשור מאוד להתפתחות מחלות לב וכלי דם והוא המדד החשוב ביותר לניהול HTN"

ביג דאטה – התקדמות במדידות BP ותפקידן בפיתוח AI

באופן קונבנציונלי, חולי HTN רשמו שתי קריאות לחץ דם או יותר (בדרך כלל בבוקר ובערב), אשר צוינו ב"יומן לחץ דם" לצורך הערכה מאוחרת יותר על ידי רופא.

הפחתת הגודל של מכשירי מדידת BP והפופולריות הגוברת של מכשירים לבישים (למשל, שעונים חכמים) עם מדידת BP משולבת הביאו להופעתה של דיגיטליזציה של נתונים ולהופעת ביג דאטה.

מחקרים רבים עדכניים הדגישו את היתרונות של מכשירים לבישים ויישומי סמארטפון בסיוע לטיפול ב-BP.

עם זאת, גישות אלו עומדות בפני אתגר משמעותי אחד – אימות דיוק. למרות מחקר של Fleischhauer et al. ותן ואח'. פיתוח מתודולוגיות מדידה חדשות, כולל photoplethysmography (PPG) ולמידה עמוקה, כדי לשפר את הדיוק הלביש (שיעורי שגיאה ממוצעים <7 מ"מ כספית), מתודולוגיות אלו נותרו חדשניות וחסרות אימות קליני.

האגודה האירופית ליתר לחץ דם (ESH) הרחיקה לכת כדי לאמת מוניטורים ללא חפתים בנפרד מעמיתיהם הרגילים של השרוול.

"נכון להיום, מוניטורים נטולי שרוול אינם מיועדים להחליף את מוניטורי לחץ דם מסורתיים באמצעות שרוול. נדרש אימות נוסף של ביצועי המכשיר כמכשיר מדידה ויעילותו ויעילותו הקלינית כדי להבהיר את מיקומו הקליני".

למרות האתגר הזה, צגי BP ללא חפתים סיפקו מערך נתונים דיגיטלי נרחב להדרכה ושיפור מודלים של AI. שילובים של נתוני לחץ דם שנרשמו ברציפות עם ערכי בדיקות בית חולים זמינים, רשומות בריאות ונתונים דמוגרפיים הביאו לפיתוח של ניתוחי 'סדרות זמן' המסוגלים לחזות את הסיכון ל-HTN חודשים או אפילו שנים לפני הופעת המחלה.

"אם AIs יכולים לחזות ערכי BP עתידיים בהתבסס על מגמות BP בעבר, הרופאים יידעו מתי רמות ה-BP חורגות מקריטריוני HTN בשלב מוקדם. Li וחב' פיתחו AI שחוזה ברצף ערכי BP ממוצעים בכל חודש במשך שלושה חודשים באמצעות BP, BMI, מין, גיל, קו רוחב וקווי אורך"

טיפול HTN מותאם אישית – יתרון הבינה המלאכותית

אחד הטיעונים החזקים ביותר נגד שימוש בבינה מלאכותית במחקר רפואי היה חוסר הדיוק וההסבר של הבינה המלאכותית.

הפרסומים של LIME (2016) ו-SHAP (2017) התגברו על טיעונים אלה על ידי הצגת המושג "הסבר מקומי", ובכך הסירו את ההכללה כדרישה להסבר.

הרעיון הזה, באופן מעודד, בלי כוונה הוביל את עידן הטיפול במטופלים מותאם אישית, מונחה בינה מלאכותית, שבו נעשה שימוש בנתונים אישיים כדי ליידע התערבויות קליניות במקום הגישות הרפואיות "המתאימה לכולם" בעבר.

"בפרט, עבור רפואה מותאמת אישית שמטרתה מניעת מחלות מונעות, חיוני לעודד שינויים באורח החיים בתגובה לסימני מחלה מוקדמים. בהתאם לכך, צפוי שיוטמעו שיטות XAI אחרות ומערכות מקיפות המשתמשות במודלים של למידת מכונה בנוסף טכנולוגיות כגון SHAP."

הסברים קונטרה-עובדתיים וציפיות מותנות אינדיבידואליות (ICE) הם שני מושגים חדשים המניעים שירותי בריאות חזויים מותאם אישית. כאשר מדדי הגוף הנוכחיים של מטופל מרמזים על הסיכון העתידי של HTN או מחלה דומה, מושגים אלה מאפשרים AI לדמות את הגורמים ושינויי ההתנהגות הנדרשים כדי להפחית או להקל על הסיכון האמור.

האתגר הנוכחי בגישות אלה הוא היתכנות השינוי. רק בגלל שסדרה של שינויים יכולה להפחית את הסיכון ל-HTN לא אומר שהמטופל יכול להשיג בקלות את אותם שינויים 'אופטימליים' באורח החיים (לא סביר שמטופל המשתמש בכיסא גלגלים יוכל לבצע ריצה יומית של 10 ק"מ כדי לשפר את הערכת הסיכון שלו ל-HTN).

השילוב העתידי של טכנולוגיות SHAP עם ICEs וטכניקות בינה מלאכותיות אחרות עשוי לאפשר פיתוח התערבויות בינה מלאכותית מונחות המספקות המלצות המבוססות על רישומי הבריאות והשגרה היומיומית של המטופל, המאפשרות שינויים מצטברים קטנים עם השפעות סינרגטיות כנגד HTN.

מסקנות

המחקר הנוכחי מסכם את ההתקדמות, האתגרים והכיוונים העתידיים של היישום של AI בהערכת סיכונים של HTN, טיפול מותאם אישית ואבחון.

ל-AI יש את הפוטנציאל לסייע או אפילו להחליף רופאים אנושיים בחלק מהתחומים הללו, אך עומדת בפני מגבלה בולטת בחידושה ובחוסר אימות קליני.

עם זאת, מודלים של למידה עמוקה מפותחים יותר ויותר כדי לשפר את רווחת המטופל, הניזונים מהפלטים הדיגיטליים ההולכים וגדלים של מכשירים חכמים וציוד לביש המתעדים את נתוני המטופלים בזמן אמת בצורה שטרם נראתה.

עם מחקרים ממוקדים שמטרתם להתגבר על המגבלות הנוכחיות בדיוק המדידה, עתיד שבו השעונים החכמים והסמארטפונים שלנו מציעים שינויים באורח החיים שמטרתם לשפר את הבריאות הכללית שלנו קרוב יותר מאי פעם.