صادق سلیمانی

بیماری‌های قلبی-عروقی یکی از اصلی‌ترین علل مرگ و میر در جهان هستند و تشخیص به موقع و دقیق آنها می‌تواند نقش حیاتی در کاهش عوارض و بهبود کیفیت زندگی بیماران داشته باشد. در سال‌های اخیر، پیشرفت‌های چشمگیر در حوزه محاسباتی و یادگیری ماشین، افق‌های جدیدی را در زمینه تشخیص بیماری‌های قلبی گشوده است. روش‌های محاسباتی پیشرفته، با توانایی پردازش حجم عظیمی از داده‌ها و شناسایی الگوهای پیچیده، امکان تشخیص سریع‌تر و دقیق‌تر را فراهم کرده‌اند. در این میان، استفاده از سیگنال‌های الکتروکاردیوگرام (ECG) در کنار داده‌های دموگرافیک، به عنوان یک رویکرد جامع، توجه بسیاری از محققان را به خود جلب کرده است. این پژوهش در راستای بهره‌گیری از این پتانسیل و ارائه روشی نوین برای بهبود دقت و کارایی تشخیص بیماری‌های قلبی انجام شده است. این پژوهش با هدف ارائه روشی نوین برای تشخیص بیماری‌های قلبی با استفاده از گراف‌های پدیداری و شبکه‌های عصبی گرافی انجام شده است. در این مطالعه، از مجموعه داده PTB-XL شامل اطلاعات دموگرافیک و سیگنال‌های الکتروکاردیوگرام (ECG) 12 کاناله استفاده شد. روش پیشنهادی شامل مراحل پیش‌پردازش داده‌ها، تبدیل سیگنال‌های ECG به گراف‌های پدیداری افقی، ترکیب گراف‌ها، استخراج ویژگی با استفاده از شبکه‌های عصبی گرافی (GNN)، و ادغام ویژگی‌های استخراج شده با داده‌های دموگرافیک هست. سه روش مختلف برای استخراج ویژگی مورد بررسی قرار گرفت: استفاده از اطلاعات سیگنال، استفاده از اطلاعات ساختاری گراف، و استفاده همزمان از اطلاعات سیگنال و ساختاری. در مرحله نهایی، از الگوریتم‌های یادگیری ماشین پیشرفته مانند Bagging Classifier و Hist Gradient Boosting برای طبقه‌بندی استفاده شد. نتایج نشان داد که هر سه روش عملکرد قابل توجهی داشتند، با دقت‌هایی بالاتر از 99.8% و مقادیر AUC نزدیک به 1.0. روش ترکیبی که از هر دو نوع اطلاعات سیگنال و ساختاری استفاده می‌کرد، بهترین عملکرد را نشان داد. این امر نشان می‌دهد که ترکیب این دو نوع اطلاعات می‌تواند به استخراج ویژگی‌های غنی‌تر و در نتیجه تشخیص دقیق‌تر بیماری‌های قلبی منجر شود. استفاده از گراف‌های پدیداری افقی برای نمایش سیگنال‌های ECG نقش مهمی در موفقیت این رویکرد داشت، زیرا این گراف‌ها توانستند الگوهای پیچیده موجود در سیگنال‌های ECG را به شکلی قابل پردازش برای شبکه‌های عصبی گرافی درآورند. با وجود نتایج امیدوارکننده، این پژوهش با چالش‌هایی نظیر پیچیدگی محاسباتی، نیاز به منابع قوی، و محدودیت در تفسیرپذیری مدل مواجه بود. با این حال، این مطالعه گامی مهم در جهت بهبود تشخیص بیماری‌های قلبی با استفاده از تکنیک‌های پیشرفته محاسباتی و یادگیری ماشین و یادگیری عمیق برداشته است. انتظار می‌رود که با رفع محدودیت‌های موجود و انجام مطالعات گسترده‌تر، این روش بتواند به عنوان ابزاری مؤثر در کنار متخصصان قلب برای تشخیص دقیق‌تر و سریع‌تر بیماری‌های قلبی مورد استفاده قرار گیرد.