📘 ارزیابی شدت نارسایی میترال با سمع دیجیتال و هوش مصنوعی
💓 مقدمه
🔹 نارسایی میترال (MR) شایعترین اختلال دریچهای قلب است (شیوع حدود 2.5%).
🔹 اکوکاردیوگرافی روش استاندارد ارزیابی MR است، اما محدودیتهایی دارد؛ از جمله:
▫ وابستگی به اپراتور
▫ دسترسی محدود
▫ پیچیدگی دستگاههای داپلر رنگی
🔹 سمع دیجیتال همراه با هوش مصنوعی میتواند راهی سریع، کمهزینه و در دسترس برای ارزیابی شدت MR باشد.
🫀 انواع نارسایی میترال
🔸 نوع آلی: آسیب مستقیم دریچه
🔸 نوع عملکردی: در اثر کاردیومیوپاتی، نارسایی قلب یا فیبریلاسیون دهلیزی
🔹 اهمیت تشخیص زودهنگام: جلوگیری از پیشرفت نارسایی قلب و پیامدهای شدید عملکردی
📊 روشهای فعلی ارزیابی
🔹 شاخصهای شدت MR در اکو: EROA، RVol و RF
🔹 محدودیت برای پایش طولانیمدت بیماران → نیاز به گزینه جایگزین (سمع دیجیتال مبتنی بر AI)
🎧 سمع دیجیتال و تحلیل سیگنالهای قلبی (PCG)
🔸 مراحل تحلیل خودکار:
1️⃣ حذف نویز
2️⃣ قطعهبندی
3️⃣ استخراج ویژگی
4️⃣ طبقهبندی🔸 دو رویکرد تحلیل:استخراج ویژگیهای سنتی (MFCC، طیف زمان–فرکانس، موجک)یادگیری عمیق مستقیم از داده خام (CNN، RNN، Attention)
🤖 پیشرفتهای اخیر
🔹 ترکیب پردازش سیگنال و شبکههای عصبی عمیق رایجترین روش جدید است.
🔹 اغلب پژوهشها فقط بین حالت طبیعی و غیرطبیعی تمایز قائل میشوند.
🔹 پایگاههای داده جدید پنج نوع بیماری دریچهای را پوشش میدهند (Normal، AS، MR، MS، MVP).
🔹 باوجود این، هیچ پژوهشی شدت MR را کمیسازی نکرده است.
🎯 اهداف پژوهش حاضر
1️⃣ توسعه روش سمع قلبی مبتنی بر شبکه عصبی عمیق (DNN) برای ارزیابی شدت MR
2️⃣ اندازهگیری کمی عملکرد مدل از طریق کارآزمایی بالینی مجازی
💡 ویژگیهای طراحی و امتیازات مطالعه
✅ ایجاد طبقهبندیکننده خودکار شدت MR با کمک هوش مصنوعی
✅ ادغام با گوشی پزشکی الکترونیکی Smartho-D2
✅ ایجاد مجموعه داده اعتبارسنجی مستقل برای افزایش قابلیت اطمینان
✅ مطالعه غیرمداخلهای
⚠ دادههای ECG همزمان برای تقسیمبندی چرخه قلب استفاده نخواهد شد
📱 فناوری مورد استفاده
🔹 دستگاه Smartho-D2 (توسعهیافته توسط دانشگاه Zhejiang و Melodicare)
🔹 قابلیتها: ضبط، حذف نویز، نمایش و ارسال دادههای PCG
🔹 الگوریتم مبتنی بر توجه و بلوکهای کلیک برای بهبود دقت و تفسیرپذیری
🔬 چشمانداز آینده
🧩 ادغام الگوریتم با Smartho-D2 برای ارزیابی شدت MR مشابه سیستمهای eMurmur و Eko Murmur
🏥 اجرای کارآزمایی چندمرکزی بالینی برای اعتبارسنجی نهایی
📉 چالشها و محدودیتها (خلاصه)
⚙ بالینی: نویز، تنوع بیماران، همترازی دادهها
💻 فنی: کمبود داده، تفسیرپذیری
🔒 اخلاقی: حریم خصوصی، رضایت آگاهانه، مسئولیت خطا
📑 اجرایی: مجوز قانونی، امنیت انتقال داده، زیرساخت
✨ راهکارهای پیشنهادی (در پاسخ به چالشها)
📍 گسترش دادههای چندمرکزی و متنوع
📍 استفاده از یادگیری نیمهنظارتی و افزایش داده
📍 بهرهگیری از الگوریتمهای حذف نویز پیشرفته
📍 رمزگذاری و ناشناسسازی کامل دادهها
📍 آموزش کاربران و رعایت استانداردهای CE و FDA
منبع:
https://doi.org/10.1136/bmjopen-2023-074288
#کمیته_انتشارات_انجمن_امسا
@AMSA_RUMS
BMJ Open
Developing an AI-assisted digital auscultation tool for automatic assessment of the severity of mitral regurgitation: protocol…
Introduction Mitral regurgitation (MR) is the most common valvular heart disorder, with a morbidity rate of 2.5%. While echocardiography is commonly used in assessing MR, it has many limitations, especially for large-scale MR screening. Cardiac auscultation…
7December 22, 2025 507
