آمیلو‑دتکت: مدل یادگیری ماشین برای شناسایی بیماران در خطر آمیلوئیدوز قلبی از طریق پرونده الکترونیک سلامت

خلاصه سریع برای خواننده

• آمیلو‑دتکت یک مدل یادگیری ماشین است که از داده‌های ساختاری پرونده الکترونیک سلامت (EHR) برای پیش‌بینی احتمال نشانگان آمیلوئیدوز قلبی روی اسکن استخوان (Perugini درجه ≥۲) استفاده می‌کند.
• مطالعه شامل داده‌های تاریخی بیش از 13هزار بیمار از دو مرکز اروپایی بود و مدل در دو مجموعه داخلی و خارجی اعتبارسنجی شد (AUC حدود ۰.۹۱–۰.۹۳).
• آمیلو‑دتکت از ۵۰ پارامتر استاندارد EHR بهره می‌برد و در مقایسه با روند بالینی معمول و امتیازهای موجود عملکرد بهتری نشان داد.
• مدل توانست تعدادی از بیماران دارای اسکن مثبت را که در ارزیابی‌های بالینی اولیه شناسایی نشده بودند، پیشنهاد دهد؛ اما تأیید بالینی با اسکن و آزمایش پروتئین مونوکلونال هنوز ضروری است.
• اگرچه نتیجه امیدوارکننده است، این ابزار بر اساس داده‌های گذشته‌نگر و جمعیت ارجاع‌شده آموزش داده شده و نیاز به ارزیابی‌های آینده‌نگر و فراگیرتر دارد.

مقدمه

آمیلوئیدوز قلبی (cardiac amyloidosis) یک بیماری پیش‌رونده و در بسیاری موارد جدی است که به‌دلیل رسوب پروتئین‌های آمیلوئید در بافت قلبی می‌تواند باعث نارسایی قلبی و مرگ شود. در سال‌های اخیر درمان‌های موثر برای برخی زیرگروه‌ها (مثلاً ATTR) در دسترس قرار گرفته است، اما یک مانع بزرگ در بهبود نتایج بیماران، تشخیص دیرهنگام است. علائم ابتدایی اغلب غیراختصاصی‌اند و بسیاری از بیماران تا مراحل پیشرفته تشخیص داده نمی‌شوند.

اسکن استخوان با ردیاب‌های خاص (bone scintigraphy) از ابزارهای تاییدی سودمند برای تشخیص نوعی از آمیلوئیدوز قلبی به‌خصوص ATTR به شمار می‌رود. با این حال، پرسش کلیدی بالینی این است که چه کسانی باید برای ارزیابی بیشتر به مراکز تخصصی و برای انجام اسکن ارجاع شوند؛ در عمل تشخیص اینکه چه بیماران در معرض خطر بالاتر هستند، دشوار است.

مطالعه‌ای که در اینجا بررسی می‌کنیم، توسعه و اعتبارسنجی یک مدل یادگیری ماشین به نام Amylo‑Detect را گزارش می‌دهد که با استفاده از اطلاعات ساختاری موجود در پرونده الکترونیک سلامت تلاش می‌کند بیماران در معرض خطر را شناسایی کند تا برای اسکن تأییدی و بررسی پروتئین‌های مونوکلونال ارجاع شوند.

مشخصات مطالعه و روش‌ها

طراحی و جمعیت مطالعه

تحلیل بر پایه داده‌های گذشته‌نگر از بیماران ارجاع‌شده برای اسکن استخوان در دو بیمارستان اروپایی انجام شد. در بیمارستان عمومی وینا (Vienna General Hospital) تعداد ۱۱,۶۱۶ بیمار مراجعه‌کننده در بازه ۲۰۱۰–۲۰۲۳ وارد تحلیل شدند. بیماران ارجاع‌شده تا قبل از اوت ۲۰۲۰ برای توسعه مدل استفاده شدند و بیماران بعدی برای اعتبارسنجی داخلی جدا شدند. یک مجموعه داده جداگانه از دانشگاه بیمارستان اسن (University Hospital Essen) شامل ۱,۵۲۱ بیمار به‌عنوان اعتبارسنجی خارجی به کار رفت. در مجموع داده از حدود ۱۳,۱۳۷ بیمار برای آموزش و تست مدل استفاده شد.

هدف و معیار خروجی

خروجی مورد پیش‌بینی مدل، حضور نشانگان سازگار با آمیلوئیدوز قلبی در اسکن استخوان تعریف شد که بر اساس درجه‌بندی Perugini، درجه ≥۲ به‌عنوان مثبت (high‑grade uptake) در نظر گرفته شد. این معیار نشان‌دهنده جذب‌پذیری رادیواکتیو در ساختارهای قلبی است که نیاز به بررسی و تشخیص تاییدی دارد.

ویژگی‌ها و معماری مدل

Amylo‑Detect با استفاده از حدود ۵۰ پارامتر معمول موجود در EHR آموزش داده شد؛ این پارامترها شامل مشخصات جمعیت‌شناختی، نشانه‌ها و تشخیص‌های بالینی، نتایج آزمایش‌های روتین و اطلاعات دارویی بوده‌اند. مدل به‌صورت چندمرکزی توسعه یافت و آزمایش‌های مقایسه‌ای با نمره‌های خطر شناخته‌شده و عملکرد کلینیکی معمول انجام شد.

ارزیابی عملکرد

عملکرد مدل با معیارهای استاندارد شناسایی ریسک شامل سطح واگذاری کیفی (AUC) و مقایسه با روش‌های مرسوم و امتیازهای قبلی بررسی شد. همچنین تحلیل‌های زیرگروهی و حسّاسیت برای بررسی اثر وجود یا عدم وجود متغیرهای کلیدی و بررسی پیامدهای بالینی مانند مرگ و بستری قلبی‑عروقی انجام گردید.

نتایج اصلی

در کل، ۳۸۸ بیمار (حدوداً ۳.۰% از جمعیت مورد بررسی) جذب درجه بالا در اسکن نشان دادند (Perugini ≥۲). عملکرد Amylo‑Detect بسیار مطلوب گزارش شد: در مجموعه توسعه AUC برابر با ۰.۹۳ و در اعتبارسنجی داخلی و خارجی هر دو AUC حدود ۰.۹۱ بود. این یعنی مدل توانایی بسیار خوبی در افتراق بیمارانی که اسکن مثبت خواهند داشت از دیگران دارد.

در مقایسه با روال بالینی معمول و امتیازهای خطر موجود، Amylo‑Detect عملکرد بهتر یا مساوی نشان داد. جالب اینکه از میان بیمارانی که در روند بالینی اولیه تشخیص داده نشدند (۴۲ نفر از ۳۸۸)، مدل توانست ۱۲ نفر (حدود ۲۹% از آن گروه) را تشخیص دهد که می‌تواند نشان‌دهنده پتانسیل تکمیلی ابزار در ارجاع بیماران باشد.

علاوه بر پیش‌بینی اسکن مثبت، خروجی مدل با پیامدهای کلینیکی مهم نیز همبستگی داشت؛ به عبارت دیگر، ریسک‌های گزارش‌شده توسط مدل با خطر مرگ و بستری ناشی از نارسایی قلبی مرتبط بودند، هرچند این همبستگی‌های مشاهده‌شده از ماهیت همبستگی/پیش‌بینی برخوردارند و نشان‌دهنده علیت نیستند.

تحلیل و تفسیر نتایج

عملکرد بالای آماری مدل (AUC حدود ۰.۹) نشان می‌دهد که داده‌های ساختاری معمول در پرونده‌های الکترونیک می‌توانند الگوهایی را حمل کنند که با حضور جذب بالای قلب در اسکن استخوان مرتبط‌اند. این یافته از لحاظ تئوریک می‌تواند به کاهش تأخیر تشخیصی کمک کند، زیرا ابزارهای خودکار می‌توانند بیماران پرخطر را برای ارزیابی تخصصی بیشتر شناسایی کنند.

با این حال چند نکته مهم وجود دارد:

• خروجی مدل به شکل مستقیم تشخیص آمیلوئیدوز قلبی را جایگزین نمی‌کند. مدل فقط ریسک وجود جذب بالای اسکن را پیش‌بینی می‌کند؛ تشخیص قطعی معمولاً به اسکن تأییدی، تست‌های بیوشیمیایی شامل آزمون‌های مونوکلونال پروتئین، و در صورت نیاز بیوپسی بستگی دارد.
• مدل در جمعیت‌هایی کارآمد نشان داد، اما این جمعیت‌ها بیمارانی بودند که اساساً برای اسکن ارجاع شده‌اند؛ بنابراین کاربرد مدل در سطح جامعه یا کلینیک‌های اولیه نیاز به ارزیابی جداگانه دارد.
• افزایش شناسایی مواردی که در روند بالینی اولیه از قلم افتاده‌اند نشان می‌دهد ابزار می‌تواند نقش تکمیلی برای پزشکان ایفا کند، اما درصد موارد اضافه‌شناسایی‌شده محدود بود و مدل هم خطاهای خودش را دارد.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• ماهیت گذشته‌نگر و ارجاعی: مطالعه داده‌های بیماران ارجاع‌شده برای اسکن را تحلیل کرد؛ بنابراین جمعیت مورد بررسی احتمالاً نماینده همه بیماران بالقوه در جمعیت عمومی نیست و «سوگیری ارجاع» می‌تواند نتایج را تحت تأثیر قرار دهد.
• عمومی‌سازی جغرافیایی و جمعیتی: اعتبارسنجی خارجی در یک مرکز اروپایی انجام شد، اما مشخص نیست عملکرد مدل در جمعیت‌های با ویژگی‌های متفاوت (ترکیب قومی، نظام‌های ثبت متفاوت، یا کشوری با الگوهای بالینی متفاوت) چگونه خواهد بود.
• تعریف خروجی: مدل، جذب بالا در اسکن (Perugini ≥۲) را پیش‌بینی می‌کند؛ این معیار حساس و مفید است، اما خودِ اسکن نیز بخشی از فرایند تشخیصی است و تعاریف زیربنایی بیماری (مثلاً تفکیک بین ATTR و AL) نیازمند آزمایش‌های تکمیلی است.
• داده‌های EHR محدود: فقط ویژگی‌های ساختاری و معمول EHR در مدل استفاده شد؛ داده‌های متنی آزاد (نوت‌های بالینی) یا تصاویر اکوکاردیوگرافی ممکن است اطلاعات اضافی ارزشمندی داشته باشند که در این مدل وارد نشده‌اند.
• نیاز به ارزیابی آینده‌نگر: برای سنجش تأثیر واقعی بالینی مدل بر روند تشخیص، زمان تشخیص، درمان و پیامدها (مثلاً مرگ‌ومیر یا بستری) نیاز به مطالعات آینده‌نگر و تصادفی‌سازی‌شده یا حداقل پیگیری طولی است.
• خطاهای نوع اول و دوم: هر مدل پیش‌بینی خطا دارد؛ پذیرش نتیجه مثبت مدل بدون تایید می‌تواند به ارجاعات غیرضروری منجر شود و رد کردن بیمار بر اساس مدل می‌تواند موارد واقعی را از دست بدهد. بنابراین تصمیم بالینی نهایی همچنان ضروری است.

کاربرد بالینی و پیامدها

نهادهای بالینی می‌توانند از چنین ابزارهایی بهره ببرند تا:

• بیماران پرخطر را جهت ارجاع به مراکز تخصصی برای اسکن و آزمایش‌های تکمیلی شناسایی کنند و بدین ترتیب احتمالاً تشخیص زودتر را افزایش دهند.
• در فرایندهای بالینی روزمره، با ترکیب نظر بالینی و خروجی مدل، تصمیم‌گیری دقیق‌تری درباره اولویت‌بندی ارجاعات اتخاذ شود.
• مدل می‌تواند به‌عنوان یک ابزار کمکی برای پژوهشگران و مدیران سلامت برای شناسایی خوشه‌های بیماران و برنامه‌ریزی مسیرهای تشخیصی استفاده شود.

با این حال، پیاده‌سازی واقعی در محیط بالینی باید با درنظر گرفتن ظرفیت مراکز تصویربرداری، هزینه‌ها، و پیامدهای روانی و اقتصادی ارجاعات اضافی همراه باشد.

نظر تحریریه پزشک سایت

تحلیل ارائه‌شده در این مطالعه نشان‌دهنده یک گام مهم در کاربرد داده‌های ساختاری EHR برای شناسایی بیماران در خطر آمیلوئیدوز قلبی است. عملکرد بالای آماری مدل در هر دو مجموعه داخلی و خارجی امیدوارکننده است و این ابزار می‌تواند به عنوان یک کمک تصمیم بالینی مفید ظاهر شود. با این حال، باید تأکید کرد که این یافته‌ها هنوز جایگزین بررسی‌ها و تاییدات بالینی قطعی نیستند. پیش از پذیرش گسترده، لازم است که مدل در مسیرهای بالینی مختلف و در مطالعات آینده‌نگر بررسی شود تا اثر واقعی آن بر زمان تشخیص، درمان و نتایج بیمار سنجیده شود.

این یافته برای بیمار چه معنایی دارد؟

برای افراد عادی یا بیماران:

• ابزارهایی مثل Amylo‑Detect قصد دارند پزشکان را در شناسایی بیمارانی که ممکن است نیاز به بررسی بیشتر برای آمیلوئیدوز قلبی داشته باشند، یاری دهند. اگر مدل به شما یا بیمارانی که تحت مراقبت هستید، ریسک بالایی نشان دهد، این بدان معنا نیست که شما قطعا مبتلا هستید؛ بلکه ممکن است نیاز به ارجاع برای اسکن و آزمایش‌های تکمیلی وجود داشته باشد.
• از آنجا که درمان‌های مؤثر برای برخی انواع آمیلوئیدوز موجود است، شناسایی زودهنگام در مواردی که واقعا بیمار هستند می‌تواند فرصت درمان بهتر را فراهم کند؛ اما همچنان تشخیص قطعی و تصمیم درمان توسط تیم پزشکی گرفته می‌شود.

چه زمانی باید با پزشک مشورت کرد؟

• در صورت داشتن علائمی مانند تنگی نفس پیش‌رونده، خستگی شدید بدون علت، تورم اندام تحتانی یا نوسانات غیرمنتظره فشارخون، به ویژه اگر سن بالا یا سابقه بیماری‌های قلبی دارید، بهتر است با پزشک تماس بگیرید.
• اگر پزشک الگوریتم یا خروجی مدل (مثل Amylo‑Detect) را به عنوان علت ارجاع مطرح کند، لازم است درباره گام‌های بعدی برای بررسی بیشتر (اسکن، آزمایش‌های خونی برای پروتئین‌های مونوکلونال، ارجاع به متخصص) گفتگو کنید.
• در موارد مرتبط با داروهای خاص، بارداری، بیماری‌های بدخیم، یا اگر کودک یا نوزاد در میان بیماران باشد، حتماً پیش از هر تصمیم‌گیری بیشتر با پزشک متخصص مشورت نمایید.

پرسش‌های رایج

۱. آیا این مدل تشخیص آمیلوئیدوز را قطعی می‌کند؟

خیر. مدل احتمال وجود جذب بالا در اسکن (Perugini ≥۲) را پیش‌بینی می‌کند. تشخیص قطعی نیازمند اسکن تأییدی، آزمایش‌های پروتئینی و در موارد خاص بیوپسی است.

۲. آیا همه کسانی که مدل ریسک بالا نشان دهد باید بلافاصله اسکن شوند؟

تصمیم برای ارجاع و انجام اسکن باید توسط پزشک گرفته شود و به زمینه بالینی، منابع مرکز و اولویت‌بندی‌ها بستگی دارد. خروجی مدل یک فاکتور کمکی است، نه تصمیم نهایی.

۳. آیا این مدل برای استفاده در کلینیک‌های مراقبت اولیه مناسب است؟

مطالعه روی بیماران ارجاع‌شده برای اسکن انجام شده است؛ بنابراین عملکرد مدل در سطوح اولیه مراقبت به‌طور کامل ارزیابی نشده و نیاز به آزمون‌های جداگانه و آینده‌نگر دارد.

۴. آیا این ابزار می‌تواند به جای پزشک عمل کند؟

خیر. ابزارهای مبتنی بر یادگیری ماشین برای پشتیبانی تصمیم بالینی طراحی شده‌اند. تشخیص و تصمیم‌گیری درمانی باید توسط تیم پزشکی انجام شود.

۵. آیا مدل برای همه انواع آمیلوئیدوز کار می‌کند؟

مدل پیش‌بینی‌کننده جذب در اسکن است که بیشتر برای تشخیص نوعی از آمیلوئیدوز قلبی مانند ATTR مفید است، اما تفکیک بین زیرگروه‌ها (مثلاً ATTR در برابر AL) مستلزم آزمایش‌های تکمیلی است.

ملاحظات فنی و اخلاقی

هرگونه پیاده‌سازی ابزارهای مبتنی بر داده‌های الکترونیک سلامت باید با رعایت حریم خصوصی بیماران، استانداردهای امنیت داده و شفافیت الگوریتمی همراه باشد. علاوه بر این، پیامدهای روانی ناشی از علامت‌دهی ریسک بالا و هزینه‌های ارجاع‌های اضافی باید در ارزیابی کلی در نظر گرفته شود.

جمع‌بندی کاربردی

مطالعه توسعه و اعتبارسنجی Amylo‑Detect نشان می‌دهد که الگوریتم‌های یادگیری ماشین می‌توانند از داده‌های ساختاری EHR برای شناسایی بیمارانی که احتمالاً جذب بالایی در اسکن استخوان دارند، استفاده کنند. عملکرد بالای مدل در مجموعه‌های داخلی و خارجی نویدبخش است و امکان دارد به کاهش تأخیر در تشخیص آمیلوئیدوز قلبی کمک کند. با این وجود، نتایج فعلی محدود به داده‌های گذشته‌نگر از جمعیت ارجاع‌شده است و پیش از کاربرد گسترده در بالین نیاز به مطالعات آینده‌نگر، ارزیابی در جمعیت‌های متنوع‌تر و بررسی تأثیر واقعی بالینی وجود دارد. در حال حاضر، خروجی چنین مدلی باید به‌عنوان یک ابزار کمکی در کنار قضاوت بالینی و بررسی‌های تاییدی مورد استفاده قرار گیرد.

منبع

Screening for patients at risk for cardiac amyloidosis via electronic health records: A multicenter machine learning development and validation study. PLOS Digital Health, 2026. DOI: https://doi.org/10.1371/journal.pdig.0001637

مطالب این مقاله فقط برای افزایش آگاهی عمومی است و جایگزین تشخیص یا درمان پزشکی نیست. برای اطلاعات بیشتر، صفحه سیاست پزشکی و سلب مسئولیت پزشک سایت را بخوانید.