Dynamical Predictive Modelling of Cardiovascular Disease Progression Post-Myocardial Infarction via ECG-Trained Artificial Intelligence Model

ملخص تقني: النمذجة التنبؤية الديناميكية لتطور أمراض القلب والأوعية الدموية بعد احتشاء عضلة القلب عبر نموذج ذكاء اصطناب مدرب مسبقاً على تخطيط كهربائية القلب (ECG)

بيان المشكلة
لا يزال احتشاء عضلة القلب (MI) سبباً رئيسياً للوفيات والمراضة طويلة الأمد. وبينما يعد تخطيط كهربائية القلب (ECG) أداة قياسية غير جراحية للتصنيف الأولي لحالات احتشاء عضلة القلب، إلا أنه لا يلعب حالياً أي دور في إدارة مرضى ما بعد الاحتشاء. حدد المؤلفون فجوة حرجة: حيث تعاني نماذج التعلم العميق (DL) المعتمدة على تخطيط كهربائية القلب للتنبؤ بالنتائج السريرية من ضعف الأداء في البيئات السريرية لأنها تعتمد على مجموعات بيانات ضخمة وموسومة، وهي موارد نادرة في الطب. وفي ظل أنظمة البيانات المحدودة، غالباً ما تفشل استراتيجيات التعلم العميق القياسية في استخراج المعلومات ذات الصلة سريرياً، وتعتمد بدلاً من ذلك على "طرق مختصرة" تؤدي إلى ضعف التعميم. علاوة على ذلك، فإن النماذج التأسيسية الحالية التي تستخدم التعلم الخاضع للإشراف الذاتي تفشل في دمج السياق الزمني على مستوى المريض، وهو أمر ضروري لالتقاط تطور المرض.

المنهجية
الحل المقترح هو نموذج ذكاء اصطناعي مدرب مسبقاً يتعلم تمثيلات خاصة بالمريض وواعية بالديناميكيات، وذلك عبر الجمع بين التعلم التبايني (Contrastive Learning) وأهداف المهام المتعددة الخاضعة للإشراف.

• مصادر البيانات: تم تدريب النموذج مسبقاً على 800,035 تسجيلاً لتخطيط كهربائية القلب مكون من 12 مسرى (12-lead) من 161,352 مريضاً فريداً مستخرجة من قاعدة بيانات MIMIC-IV. ولغرض التقييم اللاحق، تم استخدام مجموعتين محددتين لما بعد احتشاء عضلة القلب: مجموعة الوفيات (8,499 مريضاً، 3,097 حالة وفاة) ومجموعة فشل القلب (852 مريضاً، 552 حدثاً).
• استراتيجية التدريب المسبق:
  • التعلم التبايني: جوهر التدريب المسبق هو نهج تعلم ذاتي الإشراف حيث تُعامل أزواج إشارات تخطيط كهربائية القلب من نفس المريض، والمسجلة ضمن نافذة زمنية قدرها 60 يوماً ($T_w$)، كأزواج إيجابية. أما الإشارات من مرضى مختلفين أو خارج هذه النافذة، فتُعامل كأزواج سلبية. وهذا يجبر النموذج على تعلم تمثيلات حساسة للتغيرات المرتبطة بالمرض بمرور الوقت مع البقاء ثابتاً تجاه ضوضاء عملية الاستحواذ.
  • التعزيز (Augmentation): يتم تطبيق تعزيزات بيانات عشوائية (ضوضاء غاوسية، تغيير السعة، إزاحة زمنية، سقوط المساري، إلخ) لإنشاء نسخ مشوهة من نفس الإشارة، مما يمنع تعلم الطرق المختصرة.
  • البنية الهيكلية: يقوم مشفر تلافيفي أحادي الأبعاد (ResNet1D) بمعالجة الإشارات المعززة، يليه رأس إسقاط (Projection Head). يقوم النموذج بتحسين دالة خسارة "التقاطع المتدرج الحرارة الموحد" (NT-Xent) لزيادة التشابه بين الأزواج الإيجابية.
  • الإشراف متعدد المهام: لضمان الصلة السريرية، يتم تدريب المشفر في وقت واحد مع رؤوس مهام خطية لتصنيف نظم القلب (الرجفان الأذيني، ارتفاع قطعة ST) وانحدار الموجات (موجات P، وQRS، وT، وفترات RR). تعمل هذه المهام الخاضعة للإشراف كمنظمات (Regularizers)، ويتم وزنها بناءً على عدم اليقين المتجانس المتعلم للتعامل مع مقاييس المهام المختلفة.
• الضبط الدقيق (Fine-tuning): يتم نقل مشفر ResNet1D المدرب مسبقاً إلى المهام اللاحقة. يتم تجميد أوزان المشفر أو ضبطها بدقة، ويتم تدريب شبكة طبقة كثيفة جديدة لتصنيف الوفيات وفشل القلب باستخدام حالات فردية من تخطيط كهربائية القلب بعد احتشاء عضلة القلب.

المساهمات الرئيسية

1. التعلم التبايني الديناميكي: يعيد البحث صياغة التعلم التبايني كمسألة نمذجة ديناميكية عبر تعريف الأزواج الإيجابية بناءً على هوية المريض ونافذة زمنية ذات معنى سريري (60 يوماً)، بدلاً من مجرد النسخ المعززة من مثيل واحد.
2. هدف التدريب الهجين: يضمن دمج التعلم التبايدي ذاتي الإشراف مع رؤوس المهام المتعددة الخاضعة للإشراف (النظم والشكل الموجي) أن التمثيلات المتعلمة تلتقط الديناميكيات الزمنية الخاصة بالمريض والسمات المهيكلة سريرياً.
3. الأداء في أنظمة البيانات المنخفضة: تظهر الدراسة أن استراتيجية التدريب المسبق هذه تحسن بشكل كبير من أداء التنبؤ بالنتائج في مجموعات بيانات ما بعد احتشاء عضلة القلب الصغيرة والموسومة مقارنة بالتدريب من الصفر.

النتائج
قيمت الدراسة النموذج المدرب مسبقاً مقابل نموذج مرجعي (Baseline) من نوع ResNet1D تم تدريبه من الصفر على نفس المهام اللاحقة. تم قياس الأداء باستخدام المساحة تحت منحنى خصائص تشغيل المستقبِل (AUC):

• التنبؤ بالوفيات: حقق النموذج المدرب مسبقاً مساحة (AUC) قدرها 0.794، مقارنة بـ 0.608 للنموذج المدرب من الصفر (تحسن بنسبة 19%).
• التنبؤ بفشل القلب: حقق النموذج المدرب مسبقاً مساحة (AUC) قدرها 0.781، مقارنة بـ 0.602 للنموذج المرجعي (تحسن بنسبة 18%).

الأهمية والادعاءات
يزعم المؤلفون أن هذا العمل يعد بمثابة إثبات مفهوم لاستخدام نماذج الذكاء الاصطناعي المدربة مسبقاً و"الذكية سريرياً" في أنظمة البيانات المنخفضة الشائعة في التنبؤ بنتائج أمراض القلب والأوعية الدموية. ويؤكدون أنه من خلال هيكلة نمذجة تخطيط كهربائية القلب لتأخذ في الاعتبار السياق الزمني على مستوى المريض وتطور المرض، يتعلم النموذج تمثيلات أكثر قوة وذات معنى سريري مقارنة بتلك المستمدة من الصفر. تشير النتائج إلى أن استراتيجيات تعلم التمثيل هذه يمكن أن تحسن بفعالية التنبؤ بالنتائج طويلة الأمد لمرضى ما بعد احتشاء عضلة القلب، مما قد يسمح باستخدام تخطيط كهربائية القلب للإدارة المستمرة للمرضى حيث تقتصر قدراتها حالياً.