Ερευνητές του Οργανισμού Υγείας Geisinger στο Ντάνβιλ της Πενσυλβάνια, ανέπτυξαν έναν αλγόριθμο που μπορεί να εξετάσει ηλεκτροκαρδιογραφήματα και να εντοπίσει τους ασθενείς που κινδυνεύουν με πρόωρο θάνατο μέσα στο επόμενο έτος, κάνοντας προβλέψεις καλύτερα και από καρδιολόγους.
«Διαπιστώσαμε ότι η μηχανική μάθηση μπορεί να αξιοποιήσει μη δομημένα σύνολα δεδομένων, όπως ιατρικές εικόνες και βίντεο για να βελτιωθεί με ένα ευρύ φάσμα μοντέλων κλινικών προβλέψεων», δήλωσε ο Κρις Χάγκερτι συν-συγγραφέας και επίκουρος καθηγητής στο Τμήμα Μεταφραστικής Επιστήμης Δεδομένων και Πληροφορικής στο Geisinger.
Αυτό είναι πολύ σημαντικό καθώς ένα μόνο υπερηχογράφημα της καρδιάς αποδίδει περίπου 3.000 εικόνες, ένας όγκος που οι καρδιολόγοι έχουν περιορισμένο χρόνο να επεξεργαστούν μαζί με πολλά άλλα διαγνωστικά δεδομένα.
Για τη μελέτη της, η ερευνητική ομάδα χρησιμοποίησε εξειδικευμένο υπολογιστικό υλικό για να εκπαιδεύσει το μοντέλο μηχανικής μάθησης με 812.278 βίντεο ηχοκαρδιογραφημάτων που συλλέχθηκαν από 34.362 ασθενείς του Geisinger τα τελευταία δέκα χρόνια.
Η μελέτη συνέκρινε τα αποτελέσματα του μοντέλου με τις προβλέψεις των καρδιολόγων βάσει πολλαπλών ερευνών. Μια επακόλουθη έρευνα έδειξε ότι με τη βοήθεια του αλγόριθμου, οι καρδιολόγοι έκαναν πιο ακριβείς διαγνώσεις κατά 13%. Έχοντας αξιοποιήσει σχεδόν 50 εκατομμύρια εικόνες, η συγκεκριμένη μελέτη περιλαμβάνει τα μεγαλύτερα σύνολα δεδομένων ιατρικής εικόνας που δημοσιεύθηκαν ποτέ.
«Στόχος μας είναι να αναπτύξουμε αλγόριθμους υπολογιστών για να βελτιωθεί η φροντίδα των ασθενών», δήλωσε ο Αλβάρο Σέρνα, επιστήμονας δεδομένων στο Geisinger και συγγραφέας της μελέτης, τα αποτελέσματα της οποίας δημοσιεύθηκαν στο «Nature Biomedical Engineering».
ΠΗΓΗ: Sciencedaily, ert.gr
