پژوهشگران با کمک هوش مصنوعی روشی توسعه داده‌اند که می‌تواند با بررسی سیگنال‌های الکتریکی قلب هنگام خواب، خطر ابتلا به برخی بیماری‌های قلبی را در سال‌های آینده تخمین بزند. این روش به نوار قلبی متکی است که در جریان آزمایش استاندارد خواب ثبت می‌شود؛ آزمایشی که معمولاً برای بررسی اختلالاتی مانند آپنه خواب انجام می‌گیرد. نتایج این تحقیق ۹ اکتبر ۲۰۲۶ در مجله علمی Sleep منتشر شده است.
در این پژوهش، محققان از یک مدل یادگیری عمیق استفاده کردند که سیگنال نوار قلب تک‌لید را همراه با اطلاعات مربوط به مراحل خواب تحلیل می‌کند. مدل ابتدا با داده‌های ۱۵ هزار و ۸۰۹ بیمار در بیمارستان عمومی ماساچوست آموزش داده شد و سپس عملکرد آن با اطلاعات دو گروه مستقل شامل ۹ هزار و ۸۱۰ بیمار از بیمارستان دانشگاه اموری و ۱۲ هزار و ۵۷۶ بیمار از مرکز پزشکی بث اسرائیل دیکونِس بررسی شد.
نتایج نشان داد امتیاز تولیدشده توسط هوش مصنوعی با خطر بلندمدت چند پیامد مهم سلامت ارتباط دارد؛ از جمله فیبریلاسیون دهلیزی یا ضربان نامنظم قلب، نارسایی قلبی و مرگ به هر علت. این ارتباط حتی پس از در نظر گرفتن عوامل شناخته‌شده‌ای مانند سن، جنسیت، شاخص توده بدنی، سیگارکشیدن، فشار خون بالا، دیابت و برخی شاخص‌های کیفیت خواب نیز مشاهده شد.
در مورد نارسایی قلبی، افرادی که امتیاز خطر بالاتری داشتند، در دو گروه اعتبارسنجی‌شده با خطر بیشتری روبه‌رو بودند. ارتباط مدل با فیبریلاسیون دهلیزی و مرگ به هر علت نیز قابل توجه بود. با این حال، نتایج برای همه بیماری‌ها به یک اندازه قوی نبود: پیش‌بینی سکته مغزی و حمله قلبی به بررسی و بهینه‌سازی بیشتری نیاز دارد و در یکی از گروه‌ها، ارتباط مدل با خطر حمله قلبی از نظر آماری معنادار نبود.
اهمیت این روش در آن است که نوار قلب تک‌لید از قبل بخشی از بسیاری از آزمایش‌های خواب است، اما معمولاً از آن برای چنین ارزیابی گسترده‌ای از خطر قلبی استفاده نمی‌شود. در نتیجه، اگر این روش در مطالعات بیشتر تأیید شود، ممکن است پزشکان بتوانند بدون انجام آزمایش جداگانه در همان مراجعه، اطلاعات بیشتری درباره وضعیت قلب بیمار به دست آورند و در صورت نیاز بررسی‌های تکمیلی را زودتر انجام دهند.
این فناوری به معنای آن نیست که هوش مصنوعی صرفاً از روی مدت خواب یا اطلاعات ساعت هوشمند می‌تواند آینده قلب هر فرد را مشخص کند. پژوهش حاضر بر نوار قلب ثبت‌شده در آزمایش خواب و اطلاعات دقیق مراحل خواب تکیه دارد.
همچنین مدل، خطر را تخمین می‌زند و بیماری قطعی را تشخیص نمی‌دهد. برای تبدیل آن به ابزار بالینی، لازم است دقت آن در جمعیت‌های متنوع‌تر بررسی شود و مشخص شود استفاده از امتیاز خطر واقعاً به تشخیص زودتر و درمان بهتر منجر می‌شود یا نه.
ارزش اصلی این دستاورد می‌تواند در شناسایی افرادی باشد که هنوز علامت مشخصی ندارند، اما بهتر است از نظر قلبی دقیق‌تر بررسی شوند.
بااین‌حال، نتیجه یک مدل آماری نباید باعث نگرانی بی‌مورد یا اطمینان کاذب شود. تا زمانی که این روش به‌طور گسترده اعتبارسنجی و وارد دستورالعمل‌های پزشکی نشده است، جایگزین ارزیابی پزشک، نوار قلب تشخیصی و سایر آزمایش‌های لازم نخواهد بود.
