نموذج تعلّم عميق لتخطيط القلب الكهربائي لتحديد وتوطين احتشاء عضلة القلب الناتج عن انسداد

لماذا هذا مهم في حالات النوبات القلبية

عندما يُصاب شخص بنوبة قلبية، يمكن لكل دقيقة بدون علاج أن تقتل نسيجاً من عضلة القلب. يعتمد الأطباء عادة على تخطيط سريع للقلب يُسمّى تخطيط كهربية القلب (ECG) وفحوصات دم لاتخاذ القرار بشأن من يحتاج إلى نقل عاجل إلى غرفة العمليات. لكن هذه الأدوات غالباً ما تفوّت انسدادات خطرة أو تشير إلى أشخاص لا يحتاجون فعلاً إلى إجراء طارئ. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي أن يقرأ تخطيط القلب ليرصد وحتى يحدّد مواقع الانسدادات الخطيرة بدقة أكبر، ما قد يساعد على توصيل المرضى المناسبين إلى العلاج المنقذ للحياة بشكل أسرع.

البحث عن «أنابيب» مسدودة في القلب

ليست كل النوبات القلبية متماثلة. بعضُها ناجم عن شريان تاجي مسدود تماماً أو شبه مسدود، وهو وضع يسميه المؤلفون احتشاء عضلة القلب الناجم عن الانسداد. هؤلاء هم المرضى الذين يحتاجون بشكل عاجل إلى إجراء لإعادة فتح الشريان. المشكلة أن الدليل القياسي يركّز على نمط يُدعى ارتفاع مقطع ST في تخطيط القلب، الذي يظهر في جزء فقط من هذه الحالات الخطرة وقد ينجم عن حالات أخرى أيضاً. نتيجة لذلك، يُفوت بعض المرضى بينما يخضع آخرون لإجراءات غازية غير ضرورية. سعى الباحثون لبناء نموذج حاسوبي يمكنه النظر إلى إشارة تخطيط القلب الخام والتعرّف على وجود انسداد حاد وأي شريان رئيسي في القلب متورّط.

تدريب نموذج على مئات الآلاف من تخطيطات القلب

استخدم الفريق بيانات من قاعدة بيانات أقسام الطوارئ السويدية، التي تربط بين زيارات الطوارئ، وتسجيلات تخطيط القلب، ونتائج مفصّلة من إجراءات قسطرة القلب. جمعوا أكثر من 540,000 تخطيط قلب لحوالي 226,000 مريض بالغ حضروا إلى أقسام الطوارئ في منطقة ستوكهولم بين 2005 و2016. لكل حالة نوبة قلبية، كان الأطباء الذين أجروا تصوير الأوعية قد حدّدوا بالفعل ما إذا كان هناك انسداد كامل حديث وأي وعاء رئيسي كان مسؤولاً. باستخدام هذه النتائج الإجرائية الموضوعية كأساس حقيقي، درّب الباحثون نموذج تعلّم عميق، وهو نوع من الشبكات العصبية القادرة على تمييز الأنماط المعقدة في الإشارات، لفرز تخطيطات القلب إلى فئات متعددة، بما في ذلك النوبات القلبية الناجمة عن انسداد مقابل غير المنجرفة والوعاء المسبب المحدد.

مدى كفاءة النموذج في رصد الخطر

في بيانات اختبار سويدية محجوزة، أظهر النموذج قدرة قوية جداً على التمييز بين الانسدادات الحادة والمرضى الآخرين. وصلت مقياس الأداء الخاص به (إحصائية C) إلى 0.95 على الأقل لاكتشاف احتشاءات القلب الناتجة عن الانسداد، ولا تقل عن 0.87 للنوبات القلبية غير الناجمة عن انسداد. عند معدل إنذار خاطئ منخفض بنسبة 5 في المئة، حدّد النموذج بنجاح نحو 87 في المئة من حالات الانسداد. كما قدّم أداءً جيداً في تحديد أي من الشرايين الثلاثة الرئيسية في القلب كان مسدوداً، رغم أن تمييز موقعين شريانيين معيّنين ظل تحدياً حتى بالنسبة للخبراء البشريين. عبر أعمار وجنس وأنواع أجهزة ECG وسنوات التقويم المختلفة، ظل الأداء متشابهاً إلى حد بعيد، مع دقة أفضل نسبياً في المرضى الأصغر سناً وأولئك الذين لا يعانون من مشكلات توصيل قلبي مزمنة معينة.

اختبار النموذج في دول أخرى

للاطّلاع على ما إذا كان الأداة ستصمد خارج السويد، اختبر المؤلفون النموذج على ثلاث مجموعات إضافية من تخطيطات القلب من أوروبا والبرازيل. في مجموعة طوارئ برازيلية تحمل تسميات مبنية على تصوير الأوعية، ظل النموذج يفرّق جيداً بين النوبات القلبية الناتجة عن الانسداد والمجموعة الضابطة، لا سيما للحالات التي أظهرت ارتفاع مقطع ST الكلاسيكي. في قاعدتي بيانات كبيرتين أخريين حيث كانت التسميات أوسع مثل نوبة قلبية مع ارتفاع ST ووجود اضطراب توصيل شائع، أدّى النموذج أيضاً أداءً قوياً. في الواقع، للتنبؤ بالنوبات القلبية ذات ارتفاع ST في إحدى هذه المجموعات، تفوّق النموذج السويدي على نموذج آخر تم تدريبه مباشرة على تلك التسميات المخصصة محلياً من قبل البشر، ما يشير إلى أن التدريب على نتائج قسطرة موضوعية يمكن أن يمنح النظام فهماً أعمق للمرض الأساسي.

ماذا قد يعني هذا للمرضى

تُظهر هذه الدراسة أن نموذجاً حاسوبياً يمكنه استخدام تخطيطات القلب العادية، إلى جانب معلومات أساسية مثل العمر والجنس، لرصد بسرعة المرضى المرجّح أن يكون لديهم شريان قلبي مسدود حديثاً ومكان هذا الانسداد. لأن الطريقة لا تعتمد على فحوصات دم أو على اتفاق الأطباء حول أنماط دقيقة في تخطيط القلب، فقد تُقصّر الوقت من الاتصال الطبي الأول إلى إعادة فتح الشريان وتقلّل الإجراءات الطارئة غير الضرورية. يؤكد المؤلفون أن أداتهم ما تزال بحاجة إلى اختبار في تجارب سريرية تتتبّع نتائج المرضى قبل استخدامها في الرعاية الروتينية، لكنها تشير إلى مستقبل حيث يساعد تحليل تخطيط القلب الذكي في ضمان وصول الأشخاص المناسبين إلى مختبر القسطرة في الوقت المناسب.

الاستشهاد: Gustafsson, S., Ribeiro, A.H., Gedon, D. et al. A deep learning ECG model for identification and localization of occlusion myocardial infarction. Nat Commun 17, 4336 (2026). https://doi.org/10.1038/s41467-026-73023-1

الكلمات المفتاحية: تخطيط القلب الكهربائي, التعلّم العميق, احتشاء عضلة القلب, انسداد تاجي, الذكاء الاصطناعي الطبي