آیا «سن قلبی» برآوردشده با هوش مصنوعی می‌تواند خطر مرگ قلبی یا مرتبط با دمانس را نشان دهد؟

تیتر

آیا «سن قلبی» برآوردشده با هوش مصنوعی می‌تواند خطر مرگ قلبی یا مرتبط با دمانس را نشان دهد؟

مقدمه

اخیراً تحقیقاتی در حاشیه گردهمایی ESC Digital & AI Summit 2026 ارائه شد که نشان می‌دهد تحلیل تصاویر اکوکاردیوگرافی (سونوگرافی قلب) با کمک الگوریتم‌های هوش مصنوعی می‌تواند «سن قلبی» فرد را تخمین بزند و اینکه تفاوت بین این سن و سن تقویمی شخص ممکن است با پیامدهای بلندمدت سلامت از جمله مرگ مرتبط با بیماری‌های قلبی یا مرگ‌های مرتبط با دمانس مرتبط باشد. خبرگزاری پزشکی Medical Xpress این یافته‌ها را منعکس کرد و توجه جامعه پزشکی و پژوهشی را جلب کرده است.

خلاصه سریع برای خواننده

• هوش مصنوعی می‌تواند از تصاویر اکوکاردیوگرافی یک «سن قلبی» تخمین بزند.
• وقتی سن قلبی بیشتر از سن واقعی باشد، در این مطالعه با افزایش احتمال مرگ قلبی یا مرگ مرتبط با دمانس در بلندمدت ارتباط داشت.
• این ارتباط، قاطعیت رابطه علّی را نشان نمی‌دهد؛ بیشتر به عنوان یک شاخص پیش‌بینی مطرح است تا عامل علت‌کننده.
• نتایج امیدوارکننده‌اند اما نیاز به اعتبارسنجی بیشتر و مطالعات آینده‌نگر دارند.
• این اطلاعات ممکن است در آینده به شناسایی افراد در معرض ریسک کمک کند اما فعلاً نباید جایگزین ارزیابی بالینی یا تصمیمات درمانی شود.

شرح کامل خبر و یافته‌ها

در گزارش منتشرشده از جلسه علمی سال ۲۰۲۶، پژوهشگران از مدل‌های یادگیری ماشین برای تحلیل مجموعه بزرگی از تصاویر اکوکاردیوگرافی استفاده کردند تا برای هر فرد یک مقدار تحت عنوان «سن قلبی» تولید کنند. منظور از «سن قلبی» تخمینی است از ویژگی‌های ساختاری و عملکردی قلب که در جمعیت‌های سالم با سن تقویمی مشخص مشاهده می‌شود؛ به عبارت دیگر الگوریتم سعی می‌کند بداند قلب یک فرد از نظر تصویری بیشتر شبیه قلبِ افرادِ چند سال بزرگتر یا کوچکتر است.

یافته اصلی گزارش شده این بود که افراد دارای سن قلبی بالاتر نسبت به سن تقویمی، در طول زمان احتمال بیشتری برای مرگ به دلایل قلبی یا مرگ‌هایی که با دمانس ارتباط دارند داشتند. پژوهشگران این ارتباط را پس از کنترل برخی عوامل شناخته‌شده خطر از جمله سن تقویمی، جنس، و دیگر متغیرهای زمینه‌ای بررسی کردند؛ اما گزارش تأکید داشت که این نتیجه بیشتر یک ارتباط پیش‌بینی‌کننده است تا اثبات علت و معلول.

چرا این موضوع مهم است؟

اکوکاردیوگرافی یکی از معمول‌ترین آزمون‌های تصویربرداری قلب است که اطلاعات ساختاری و عملکردی قلب را بدون پرتودهی فراهم می‌کند. اگر الگوریتم‌های هوش مصنوعی بتوانند از این تصاویر اطلاعات جدیدی استخراج کنند—مثلاً شناسایی الگوهایی که با کاهش عملکرد قلب یا ریسک بیماری‌های نورودژنراتیو هم‌پوشانی دارند—این پتانسیل را دارد که در غربالگری و اولویت‌بندی بیماران برای پیگیری کمک کند. با این حال، اهمیت واقعی چنین ابزارهایی بستگی به اعتبارسنجی مستقل، قابلیت تعمیم به جمعیت‌های مختلف و اثبات اینکه اضافه‌شدن این معیار به روش‌های متداول، تصمیم‌گیری بالینی را بهبود می‌بخشد، دارد.

چگونه هوش مصنوعی «سن قلبی» را برآورد می‌کند؟

مدل‌های یادگیری عمیق معمولاً با استفاده از مجموعه‌های بزرگ تصاویر آموزش داده می‌شوند و ویژگی‌های تصویری را بدون نیاز به استخراج دستی شناسایی می‌کنند. در این چارچوب، الگوریتم با تصاویر اکوکاردیوگرافی افراد با سن‌های مختلف آموزش می‌بیند و یاد می‌گیرد کدام الگوها با سن بالاتر یا پایین‌تر مرتبط‌اند. سپس برای یک تصویر جدید، الگوریتم یک مقدار سن تخمینی تولید می‌کند. این مقدار سپس با سن تقویمی مقایسه شده و تفاوت (مثلاً «قلب ۵ سال مسن‌تر از سن شماست») به‌عنوان شاخصی از سلامت قلبی-عروقی مطرح می‌شود.

نکته فنی مهم

در مطالعات مشابه، الگوریتم‌ها ممکن است به ویژگی‌های ظریف دیواره‌های قلب، اندازه حفرات، حرکت دریچه‌ها، و الگوهای جریان خون حساس باشند—مواردی که به‌تنهایی در گزارش‌های روتین ممکن است کامل ثبت یا تحلیل نشوند. با این حال، مدل‌ها گاهی به «الگوهای ناخواسته» یا پیش‌داوری‌هایی که از داده آموزش گرفته‌اند حساس می‌شوند (مثلاً تفاوت در کیفیت تصویربرداری بین مراکز)، که می‌تواند دقت و تعمیم‌پذیری آنها را محدود کند.

این یافته برای بیمار چه معنایی دارد؟

برای افراد عادی، نتیجه این مطالعه را می‌توان این‌گونه تفسیر کرد:

• اگر الگوریتم‌ها نشان دهند سن قلبی» شما بالاتر از سن تقویمی‌تان است، این ممکن است نشانه‌ای از وجود تغییرات پنهان در ساختار یا عملکرد قلب باشد که نیاز به بررسی بیشتر دارد.
• اما این یافته به‌تنهایی نشان‌دهنده الزام به درمان جدید یا تغییر آنی در برنامه مراقبتی نیست؛ این یک علامت هشداردهنده و نه دستور درمانی است.
• نتایج چنین تحلیلی می‌تواند پزشک را راهنمایی کند تا در مورد عوامل خطر (فشار خون، چربی خون، دیابت، سیگار، سبک زندگی) حساس‌تر باشد و در صورت لزوم بررسی‌های تکمیلی را توصیه کند.
• در آینده، اگر این روش‌ها به‌خوبی تایید شوند، ممکن است به شناسایی زودهنگام افرادی کمک کند که لازم است تحت غربالگری یا مداخلات پیشگیرانه قرار بگیرند؛ اما هنوز زمان زیادی تا جایگزینی روش‌های سنتی باقی است.

محدودیت‌ها و نکاتی که باید با احتیاط خواند

• طبیعت رابطه: یافته‌ها ارتباطی را نشان می‌دهند، نه رابطه علت و معلولی. این یعنی داشتن سن قلبی بالاتر ممکن است با مرگ زودتر همراه باشد اما معلوم نیست که خودِ سن قلبی مستقیماً سبب مرگ می‌شود.
• نوع مطالعه: گزارشی که در جلسه ESC ارائه شد گزارش یک تحلیل همبستگی/پیش‌بینی است و برای اثبات کارایی بالینی نیاز به مطالعات تصادفی و آینده‌نگر و نیز ارزیابی در جمعیت‌های متفاوت است.
• قابلیت تعمیم‌پذیری: مدل‌های هوش مصنوعی اغلب بر اساس داده‌های مراکز خاصی آموزش داده می‌شوند؛ بنابراین ممکن است در جمعیت‌های دیگر یا در دستگاه‌های تصویربرداری با کیفیت متفاوت عملکرد یکسانی نداشته باشند.
• شفافیت مدل: بسیاری از شبکه‌های عصبی «جعبه‌سیاه» هستند و روشن نیست چه ویژگی‌هایی دقیقاً منجر به تخمین بالاتر سن شده‌اند؛ این موضوع می‌تواند مانع پذیرش بالینی شود مگر اینکه شواهد بیشتری از قابلیت توضیح‌پذیری فراهم شود.
• ممکن است عوامل مخدوش‌کننده وجود داشته باشد: سلامت عمومی، بیماری‌های زمینه‌ای، و حتی کیفیت تصویر می‌تواند بر نتیجه تأثیر بگذارد. اگر این عوامل به طور کامل کنترل نشده باشند، خطای نتیجه‌گیری افزایش می‌یابد.
• نیاز به اعتبارسنجی‌های عملیاتی: پیش از به‌کارگیری در بالین، باید مشخص شود که آیا افزودن «سن قلبی» تخمینی به روش‌های فعلی، نتیجه‌ای عملی (مثلاً کاهش مرگ‌ومیر یا بهبود کیفیت زندگی) به همراه دارد یا خیر.

نظر تحریریه پزشک سایت

پژوهش‌هایی که از ترکیب تصویربرداری بالینی با هوش مصنوعی برای استخراج شاخص‌های جدید استفاده می‌کنند، چشم‌انداز جذابی به‌وجود می‌آورند. گزارش اخیر نشان می‌دهد که اکوگرافی قلب می‌تواند فراتر از تشخیص‌های روتین عمل کند و اطلاعاتی درباره وضعیت بیولوژیک قلب در قالب «سن قلبی» فراهم آورد. با این حال، همان‌طور که یافته‌های اولیه همیشه نیاز به تکرار و اعتبارسنجی دارند، توصیه می‌کنیم خوانندگان و متخصصان بالینی این نتایج را به‌عنوان یک گام پژوهشی نوآورانه تلقی کنند، نه یک ابزار آماده برای اعمال در تصمیم‌گیری‌های بالینی روزمره.

در عمل بالینی امروز، تصمیم‌گیری‌ها باید بر مبنای ترکیبی از تاریخچه بالینی، معاینه، آزمایشات استاندارد و ارزیابی‌های ریسک معتبر انجام شوند. در صورت محقق شدن اعتبار و کارایی این روش‌ها در مطالعات بعدی، می‌تواند مکمل مفیدی برای شناسایی بیماران در معرض ریسک باشد، به‌خصوص در مواردی که یافته‌های روتین ناقص یا مبهم‌اند.

چه زمانی باید با پزشک مشورت کرد؟

اگر نتایج اکوکاردیوگرافی یا هر تحلیل هوش مصنوعی نشان‌دهنده سن قلبی بالاتر از انتظار شما بود، یا اگر شما دارای یکی از شرایط زیر هستید، بهتر است با پزشک خود مشورت کنید:

• وجود علائم جدید مانند تنگی نفس، درد قفسه سینه، خستگی غیرمعمول یا سرگیجه.
• سابقه بیماری‌های قلبی در خانواده، مخصوصاً مرگ زودرس یا سکته در سنین پایین.
• وجود عوامل خطر اصلاح‌پذیر مثل فشار خون بالا، چربی خون بالا، دیابت یا سیگارکشیدن.
• اگر نتایج تصویربرداری ناقص است یا پزشک شما متوجه یافته‌های غیرمعمول شده و نیاز به بررسی‌های تکمیلی (مثل MRI قلب، تست ورزش، یا بررسی‌های عصب‌شناختی برای دمانس) باشد.

در موارد مرتبط با دارو، سرطان، بارداری، کودکان، بیماری‌های قلبی پیشرفته، عفونت فعال، یا نیاز به تصمیمات جراحی، تماس سریع با پزشک یا مراجعه به مراکز تخصصی لازم است. یافته‌های هوش مصنوعی نباید جایگزین ارزیابی تخصصی و تصمیم بالینی شوند.

پرسش‌های رایج

آیا سن قلبی یعنی قلب من مریض است؟

خیر. «سن قلبی» یک شاخص تصویری است که ممکن است نشان‌دهنده تغییرات ساختاری یا عملکردی باشد؛ اما به‌تنهایی نشان‌دهنده بیماری قطعی نیست. برای تفسیر درست باید نتیجه همراه با سابقه و معاینات بررسی شود.

اگر «سن قلبی» بالاتر از سنم باشد، چه کاری باید انجام دهم؟

ابتدا با پزشک خود درباره یافته‌ها صحبت کنید. ایشان ممکن است عوامل خطر قلبی را بررسی و در صورت نیاز آزمایشات یا بررسی‌های تکمیلی را توصیه کند. همچنین اصلاح سبک زندگی و کنترل عوامل خطر معمولا بخش پایه‌ای هر برنامه پیشگیری است.

آیا باید تصویربرداری خاص دیگری انجام دهم؟

تصمیم برای آزمایش‌های تکمیلی باید مبتنی بر تفسیر پزشک، علائم بالینی و ریسک فردی باشد. در برخی موارد، MRI قلب یا تست‌های عملکردی ممکن است اطلاعات بیشتری ارائه دهند.

آیا هوش مصنوعی قابل‌اعتماد است؟

هوش مصنوعی در کاربردهای مشخص و پس از اعتبارسنجی دقیق می‌تواند مفید باشد، اما مدل‌ها محدودیت و ریسک خطا دارند. عملکرد آنها به کیفیت داده آموزش، تنوع جمعیت آموزش‌دهی و نحوه پیاده‌سازی بالینی بستگی دارد.

آیا این روش برای همه افراد مناسب است؟

فعلاً نمی‌توان گفت. نیاز به مطالعه در جمعیت‌های متنوع‌تر، با دستگاه‌ها و پروتکل‌های مختلف، و بررسی‌های عملیاتی بیشتر است تا مطمئن شویم این روش در محیط بالینی عمومی قابل استفاده و مفید است.

چه سوالات پژوهشی بعدی لازم است پاسخ داده شود؟

• آیا افزودن «سن قلبی» به ابزارهای ریسک موجود، دقت پیش‌بینی رخدادهای قلبی را بهبود می‌بخشد؟
• آیا این شاخص در جمعیت‌های با سن‌ها، قومیت‌ها و پروفایل‌های بالینی مختلف عملکرد مشابهی دارد؟
• کدام ویژگی‌های تصویری دقیقاً منجر به تخمین سن بالاتر می‌شوند و آیا می‌توان آن‌ها را توضیح‌پذیر کرد؟
• آیا مداخلات بالینی مبتنی بر این یافته‌ها می‌تواند نتایج بیمار را بهبود بخشد (مثلاً کاهش مرگ و میر یا کند کردن پیشرفت دمانس)؟

جمع‌بندی کاربردی

یافته‌های ارائه‌شده در ESC Digital & AI Summit ۲۰۲۶ نشان می‌دهد که تحلیل هوش مصنوعی تصاویر اکوکاردیوگرافی ممکن است بتواند «سن قلبی» را تخمین بزند و اینکه این شاخص در این مجموعه داده با افزایش ریسک مرگ قلبی یا مرگ مرتبط با دمانس در طول زمان ارتباط داشته است. با این وجود، این نتیجه در مرحلهٔ پژوهشی است و به اعتبارسنجی‌های مستقل، بررسی در جمعیت‌های متنوع و ارزیابی بالینی برای تعیین نقش عملی آن نیاز دارد.

برای بیماران: اگر گزارشی از اکو یا هر تحلیل دیگری نشان‌دهنده نگرانی شد، بهترین اقدام مشورت با پزشک و بررسی عوامل خطر شناخته‌شده است. فعلاً نباید بر اساس یک شاخص هوش مصنوعی، تصمیمات درمانی قطعی گرفت.

نکته نهایی

تکنولوژی‌های دیجیتال و هوش مصنوعی پتانسیل افزایش قدرت تشخیص و پیش‌بینی در پزشکی را دارند، اما پذیرش بالینی آن‌ها مستلزم شواهد قوی، شفافیت مدل و توجه ویژه به ایمنی و عدالت مراقبت سلامت است.

منبع

گزارش اولیه: Medical Xpress، «AI analysis of heart ultrasounds may help flag long-term cardiovascular or dementia-related death risk»، ESC Digital & AI Summit ۲۰۲۶. لینک: https://medicalxpress.com/news/2026-11-ai-analysis-heart-ultrasounds-flag.html

تذکر: این مطلب گزارش و تحلیل تحریریه‌ای بر اساس منبع ذکرشده است و به‌معنای تایید یا اجرای مطالعه توسط پزشک سایت نیست. این نوشته جایگزین مشاوره پزشکی فردی نیست.

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.