یادگیری ماشین می‌تواند سالمندان مبتلا به نارسایی قلبی را که در معرض از دست دادن استقلال هستند شناسایی کند
برای سالمندان مبتلا به نارسایی قلبی، زنده ماندن پس از بستری شدن در بیمارستان لزوماً به معنای بازگشت به زندگی مستقل نیست. از دست دادن استقلال می‌تواند کیفیت زندگی را کاهش دهد، فشار بیشتری بر مراقبان وارد کند و نیاز به دریافت خدمات مراقبتی را افزایش دهد. با این حال، بیشتر روش‌های پیش‌بینی پیامدهای بیماری بر مرگ یا بستری مجدد تمرکز دارند و به همین دلیل، شناسایی بیمارانی که زنده می‌مانند اما استقلال خود را از دست می‌دهند، دشوار است.
برای پاسخ به این چالش، گروهی پژوهشی به سرپرستی کانجی یامادا، استادیار گروه فیزیوتراپی دانشکده علوم سلامت دانشگاه جونتندو در ژاپن، با مشارکت نوبویوکی کاگیاما، دانشیار، و تتسویا تاکاهاشی، استاد منصوب ویژه همین دانشگاه، اطلاعات ۶۳۸۲ بیمار ۶۵ ساله و بالاتر را بررسی کردند. همه این بیماران به دلیل نارسایی قلبی بستری شده بودند، فیزیوتراپی دریافت کرده بودند و پیش از بستری شدن در انجام فعالیت‌های روزمره مستقل بودند. پژوهشگران با استفاده از داده‌های آینده‌نگر ثبت بیماران نارسایی قلبی J-Proof، مدلی مبتنی بر الگوریتم تقویت گرادیان شدید (XGBoost) ساختند تا حفظ عملکرد جسمانی، افت عملکرد یا مرگ را در یک سال پس از ترخیص پیش‌بینی کنند. نتایج این پژوهش در ۲۰ اوت ۲۰۲۶ به‌صورت آنلاین در مجله Journal of Cardiac Failure منتشر شد.
تیم پژوهشی ۷۷ متغیر بالقوه پیش‌بینی‌کننده را بررسی کرد. این مدل، ارزیابی‌های فیزیوتراپیست‌ها در زمان ترخیص را نیز در بر می‌گرفت؛ از جمله حداکثر سرعت راه رفتن، آزمون کوتاه عملکرد جسمانی (SPPB)، قدرت گرفتن دست و شاخص بارتل (BI). همچنین، میزان ضعف و آسیب‌پذیری جسمانی بیمار پیش از بستری شدن با استفاده از چک‌لیست کیهون (KCL) سنجیده شد. پژوهشگران سپس یک مدل ساده‌تر مبتنی بر ۱۰ متغیر برتر را با استفاده از اعتبارسنجی تودرتوی مبتنی بر کنار گذاشتن هر مرکز به نوبت ارزیابی کردند و عملکرد آن را با امتیازهای مبتنی بر چک‌لیست کیهون مقایسه کردند.
یک سال پس از ترخیص، عملکرد جسمانی ۲۰۷۶ بیمار کاهش یافته بود، ۹۲۸ بیمار فوت کرده بودند و ۳۳۷۸ نفر استقلال عملکردی خود را حفظ کرده بودند. مدل XGBoost مبتنی بر ۱۰ متغیر برتر، عملکردی به‌مراتب بهتر از امتیاز اصلاح‌شده KCL و امتیاز کل این چک‌لیست داشت. سرعت راه رفتن، امتیاز KCL پیش از بستری، شاخص بارتل هنگام ترخیص و امتیاز SPPB از جمله مهم‌ترین عوامل پیش‌بینی‌کننده بودند و اهمیت پیش‌بینی‌کننده بیشتری از شاخص‌های قلبی، مانند کسر جهشی، داشتند.
برای بسیاری از بیماران، توانایی ادامه زندگی مستقل به‌اندازه طول عمر اهمیت دارد. یافته‌های ما نشان می‌دهد که ارزیابی عملکرد جسمانی هنگام ترخیص می‌تواند خطری را آشکار کند که ممکن است در مدل‌های متمرکز بر مرگ‌ومیر نادیده گرفته شود؛ یعنی احتمال زنده ماندن بیمار همراه با از دست دادن استقلال.
دکتر کانجی یامادا، استادیار گروه فیزیوتراپی دانشکده علوم سلامت دانشگاه جونتندو
این مدل با ترکیب خطر پیش‌بینی‌شده افت عملکرد جسمانی و خطر مرگ‌ومیر، چهار الگوی خطر را شناسایی کرد. یکی از مهم‌ترین یافته‌ها، شناسایی گروهی متشکل از ۱۷۳۲ بیمار بود که خطر مرگ‌ومیر در آن‌ها پایین، اما خطر افت عملکرد جسمانی بالا بود. با وجود احتمال ۸۹ درصدی زنده ماندن این بیماران تا یک سال پس از ترخیص، ۵۷ درصد آن‌ها دچار افت عملکرد جسمانی شدند. شناسایی این گروه می‌تواند به متخصصان سلامت کمک کند تا حمایت‌های پس از ترخیص را هدفمندتر ارائه دهند؛ از جمله با فراهم کردن توان‌بخشی سرپایی یا خانگی با شدت بیشتر.
دکتر یامادا می‌گوید: «به‌جای آنکه فقط بپرسیم آیا بیمار زنده می‌ماند یا نه، باید بپرسیم آیا او پس از ترخیص می‌تواند به زندگی‌ای که برایش ارزشمند است ادامه دهد یا خیر. برآوردی کاربردی از میزان خطر می‌تواند به پزشکان و بیماران کمک کند زودتر درباره نیازهای توان‌بخشی گفت‌وگو کنند و از منابع محدود به شکل مؤثرتری بهره ببرند.»
برای تسهیل استفاده بالینی از این روش، پژوهشگران نمونه اولیه یک نرم‌افزار تحت وب طراحی کردند که خطر فردی بیمار را هنگام ترخیص برآورد می‌کند و نشان می‌دهد تغییر در عملکرد جسمانی، مانند افزایش سرعت راه رفتن، چگونه می‌تواند بر خطر پیش‌بینی‌شده تأثیر بگذارد. این نرم‌افزار هنوز در مرحله نمونه اولیه است و برای مشخص شدن اینکه تصمیم‌گیری بر اساس خروجی مدل واقعاً پیامدهای درمانی بیماران را بهبود می‌دهد یا نه، به مطالعات اجرایی نیاز است.
در مجموع، این پژوهش نشان می‌دهد که یادگیری ماشین می‌تواند افت عملکرد جسمانی را در کنار خطر مرگ‌ومیر در سالمندان مبتلا به نارسایی قلبی آشکار کند. ترکیب اطلاعات بالینی با سنجش مستقیم توانایی‌های جسمانی می‌تواند به هدفمند کردن برنامه‌های توان‌بخشی و برنامه‌ریزی برای ترخیص با محوریت نیازهای بیمار کمک کند؛ با این هدف که استقلال و کیفیت زندگی بیماران حفظ شود.
منبع: دانشگاه جونتندو
ارجاع به مقاله پژوهشی: یامادا، ک. و همکاران (۲۰۲۶). «یادگیری ماشین، افت عملکرد و الگوهای خطر را در سالمندان مبتلا به نارسایی قلبی پیش‌بینی می‌کند». Journal of Cardiac Failure. شناسه دیجیتال: https://doi.org/10.1016/j.cardfail.2026.08.005. متن کامل مقاله: https://onlinejcf.com/article/S1071-9164(26)00496-3/fulltext.