بیماری قلبی زنان کمتر تشخیص داده شده است، اما مدل های جدید یادگیری ماشینی می توانند به حل این مشکل کمک کنند

وقتی صحبت از مسائل قلبی می شود، بیماری های قلبی عروقی در زنان در مقایسه با مردان کمتر تشخیص داده می شود. یک سیستم امتیازدهی محبوب که برای تخمین میزان احتمال ابتلای یک فرد به بیماری قلبی عروقی در 10 سال آینده استفاده می شود، امتیاز خطر فرامینگهام است. این بر اساس عواملی از جمله سن، جنس، سطح کلسترول و فشار خون است.

محققان در ایالات متحده و هلند اکنون از مجموعه داده های بزرگی برای ساختن مدل های خطر قلبی عروقی دقیق تر از امتیاز خطر فرامینگهام استفاده کرده اند. آنها همچنین تشخیص نادرست زنان را در مقایسه با مردان کمیت کردند. نتایج در منتشر شد مرزها در فیزیولوژی.

اسکایلر سنت پیر، محقق در آزمایشگاه ماده زنده دانشگاه استنفورد، می گوید: “ما دریافتیم که معیارهای جنسی خنثی نمی توانند زنان را به اندازه کافی تشخیص دهند. اگر معیارهای جنسیت خاص استفاده شود، این تشخیص کمتر از شدت کمتر خواهد بود.” ما همچنین دریافتیم که بهترین آزمایش برای بهبود تشخیص بیماری های قلبی عروقی در مردان و زنان، الکتروکاردیوگرام (EKG) است.

عدم تشخیص به دلیل اختلاف قلبی

از نظر تشریحی، قلب زنانه و مردانه متفاوت است. به عنوان مثال، قلب زنان کوچکتر است و دیواره های نازک تری دارد. با این حال، معیارهای تشخیصی برای برخی بیماری های قلبی برای زنان و مردان یکسان است، به این معنی که قلب زنان باید به طور نامتناسبی بیش از مردان افزایش یابد تا معیارهای خطر یکسان برآورده شود.

هنگامی که محققان میزان تشخیص نادرست زنان را در مقایسه با مردان کمیت کردند، دریافتند که استفاده از معیارهای جنسی خنثی منجر به عدم تشخیص شدید بیماران زن می شود.

سنت پیر گفت: «زنان برای بلوک درجه یک دهلیزی بطنی (AV)، اختلالی که بر ضربان قلب تأثیر می‌گذارد، و کاردیومیوپاتی متسع که یک بیماری عضله قلب است، به ترتیب دو برابر و 1.4 برابر بیشتر از مردان تشخیص داده نمی‌شوند. همچنین تشخیص نادرست زنان برای سایر اختلالات قلبی نیز مشاهده شد.

قدیمی در مقابل جدید

برای دستیابی به پیش‌بینی‌های دقیق‌تر برای هر دو جنس، دانشمندان از چهار معیار اضافی استفاده کردند که در امتیاز خطر فرامینگام در نظر گرفته نمی‌شوند: تصویربرداری تشدید مغناطیسی قلبی، آنالیز امواج پالس، EKG و سونوگرافی کاروتید. آنها از داده های بیش از 20000 فرد در Biobank بریتانیا استفاده کردند – یک پایگاه داده زیست پزشکی شامل اطلاعات تقریباً نیم میلیون فرد 40 ساله و بالاتر در بریتانیا – که این آزمایش ها را انجام داده بودند.

سنت پیر توضیح داد: «در حالی که استفاده از مدل‌های بالینی سنتی آسان است، ما اکنون می‌توانیم از یادگیری ماشینی برای بررسی هزاران عامل احتمالی دیگر برای یافتن ویژگی‌های جدید و معنادار استفاده کنیم که می‌تواند تشخیص زودهنگام بیماری را به میزان قابل توجهی بهبود بخشد». فقط 10 سال پیش، این روش ها در دسترس نبودند، به همین دلیل است که مقیاس های ارزیابی مانند امتیاز ریسک فرامینگهام برای نیم قرن استفاده می شود.

با استفاده از یادگیری ماشینی، محققان تشخیص دادند که از میان معیارهای آزمایش شده، EKG در بهبود تشخیص بیماری‌های قلبی عروقی در مردان و زنان مؤثرتر است. به گفته محققان، با این حال، این بدان معنا نیست که عوامل خطر سنتی ابزار مهمی برای ارزیابی ریسک نیستند.

ما پیشنهاد می کنیم که پزشکان ابتدا افراد را با استفاده از یک نظرسنجی ساده با عوامل خطر سنتی غربالگری کنند و سپس غربالگری مرحله دوم را با استفاده از EKG برای بیماران پرخطر انجام دهند.

هموار کردن راه برای طب سفارشی

مطالعه حاضر اولین گام را برای بازنگری عوامل خطر بیماری قلبی ارائه می دهد. استفاده از فناوری‌های جدید روشی امیدوارکننده برای بهبود پیش‌بینی ریسک است. به گفته محققان، با این حال، برخی محدودیت‌ها برای مطالعه وجود دارد که باید در آینده مورد توجه قرار گیرد.

یکی از این محدودیت ها این واقعیت است که در Biobank انگلستان جنسیت به عنوان یک متغیر باینری در نظر گرفته می شود. با این حال، جنسیت ذاتاً پیچیده است و به هورمون‌ها، کروموزوم‌ها و ویژگی‌های فیزیکی مربوط می‌شود، که همگی ممکن است در طیفی بین «معمولاً» مرد و «معمولاً» زن قرار بگیرند.

علاوه بر این، جمعیت مورد مطالعه افراد میانسال و مسن ساکن بریتانیا بودند، بنابراین نتایج ممکن است به افراد با پیشینه ها و سنین دیگر قابل انتقال نباشد. سنت پیر نتیجه گرفت: «در حالی که پزشکی خاص جنس یک گام در مسیر درست است، پزشکی خاص بیمار بهترین نتایج را برای همه فراهم می کند.