یادگیری ماشین، خطر پنهان از دست دادن استقلال عملکردی پس از نارسایی قلبی را شناسایی می‌کند
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، بار مراقبتی خانواده و مراقبان را افزایش دهد و نیاز به دریافت خدمات حمایتی را بیشتر کند. بااین‌حال، 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 جنتندو در ژاپن، با همکاری نوبویوکی کاگیاما، دانشیار، و تتسویا تاکاهاشی، استاد منصوب ویژه، هر دو از همین دانشگاه، اطلاعات ۶۳۸۲ بیمار ۶۵ ساله و مسن‌تر را بررسی کردند. 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 افراطی (XGBoost) ساختند تا وضعیت عملکردی بیماران را یک سال پس از ترخیص پیش‌بینی کنند؛ وضعیتی که در یکی از سه گروه حفظ عملکرد، افت عملکرد یا مرگ قرار می‌گرفت. نتایج این پژوهش در ۲۰ اوت ۲۰۲۶ به‌صورت آنلاین در مجله نارسایی قلبی منتشر شد.
این گروه پژوهشی ۷۷ متغیر پیش‌بینی‌کننده احتمالی را بررسی کرد. مدل از ارزیابی‌هایی استفاده می‌کرد که فیزیوتراپیست‌ها هنگام ترخیص انجام داده بودند؛ از جمله حداکثر سرعت راه رفتن، آزمون کوتاه عملکرد جسمانی (SPPB)، قدرت گرفتن دست و شاخص بارتل (BI). همچنین، میزان شکنندگی بیمار پیش از بستری با استفاده از چک‌لیست کیهون (KCL) در مدل لحاظ شد. پژوهشگران نسخه ساده‌تری از مدل را که بر ۱۰ متغیر برتر متکی بود، با روش اعتبارسنجی تودرتوی کنارگذاری یک مرکز در هر مرحله ارزیابی کردند و نتایج آن را با امتیازهای مبتنی بر KCL مقایسه کردند.
یک سال پس از ترخیص، عملکرد 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 به‌طور معنادار 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 متغیرهای اثرگذار در پیش‌بینی بودند و اهمیت پیش‌بینی بیشتری از شاخص‌های قلبی، مانند کسر جهشی قلب، داشتند.
یامادا می‌گوید: «برای بسیاری از بیماران، توانایی زندگی مستقل به‌اندازه طول عمر اهمیت دارد. یافته‌های ما نشان می‌دهد که ارزیابی عملکرد جسمانی هنگام ترخیص می‌تواند خطری را آشکار کند که مدل‌های متمرکز بر مرگ‌ومیر ممکن است از آن غافل بمانند؛ یعنی خطر زنده ماندن بیمار و در عین حال از دست دادن استقلال او.»
این مدل با ترکیب خطر پیش‌بینی‌شده افت عملکرد 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 بالا بود. با وجود احتمال ۸۹ درصدی زنده ماندن این بیماران تا یک سال، ۵۷ درصد آن‌ها دچار افت عملکرد شدند. شناسایی این گروه می‌تواند به کادر درمان کمک کند تا حمایت‌های پس از ترخیص را در اولویت قرار دهند؛ از جمله با ارائه برنامه‌های توان‌بخشی سرپایی یا خانگی فشرده‌تر.
یامادا می‌گوید: «به‌جای اینکه فقط بپرسیم آیا بیمار زنده می‌ماند یا نه، باید بپرسیم آیا پس از ترخیص می‌تواند زندگی‌ای را که برایش ارزشمند است حفظ کند؟ برآوردی کاربردی از میزان خطر می‌تواند به پزشکان و بیماران کمک کند تا زودتر درباره نیازهای توان‌بخشی گفت‌وگو کنند و از منابع محدود به شکل بهتری بهره ببرند.»
برای فراهم کردن زمینه استفاده بالینی از این روش، پژوهشگران نمونه اولیه یک برنامه تحت وب ساختند که خطر فردی بیمار را هنگام ترخیص برآورد می‌کند و شبیه‌سازی می‌کند که تغییرات عملکرد جسمانی، مانند افزایش سرعت راه رفتن، چگونه ممکن است بر خطر پیش‌بینی‌شده تأثیر بگذارند. این برنامه هنوز در مرحله نمونه اولیه است و برای مشخص شدن اینکه تصمیم‌گیری مبتنی بر 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 در کنار خطر مرگ‌ومیر، افت عملکرد را نیز در سالمندان مبتلا به نارسایی قلبی آشکار کند. این روش با ترکیب اطلاعات بالینی و سنجش مستقیم توانایی جسمانی می‌تواند به هدفمندتر شدن برنامه‌های توان‌بخشی و برنامه‌ریزی ترخیص با محوریت نیازهای بیمار کمک کند؛ با این هدف که استقلال و کیفیت زندگی بیماران حفظ شود.
مشخصات انتشار پژوهش
کانجی یامادا و همکاران، «یادگیری ماشین، افت عملکرد و الگوهای خطر را در سالمندان مبتلا به نارسایی قلبی پیش‌بینی می‌کند»، مجله نارسایی قلبی، ۲۰۲۶. شناسه دیجیتال مقاله (DOI): 10.1016/j.cardfail.2026.08.005
اطلاعات مجله: مجله نارسایی قلبی؛ وب‌سایت مجله
ارائه‌شده از سوی دانشگاه جنتندو.