செயற்கை நுண்ணறிவு கருவி மேம்பட்ட இதய செயலிழப்பை அதிக துல்லியத்துடன் கண்டறிகிறது

AI மூலம் மேம்பட்ட இதய செயலிழப்பு கண்டறிதலில் புரட்சி

மேம்பட்ட இதய செயலிழப்பு, உலகளவில் நூறாயிரக்கணக்கானோரை பாதிக்கும் ஒரு பலவீனமான நிலை, நீண்ட காலமாக ஒரு குறிப்பிடத்தக்க கண்டறியும் சவாலாக இருந்து வருகிறது. தற்போதைய மதிப்பீட்டு முறைகளின் சிக்கலான மற்றும் அதிக வளங்கள் தேவைப்படும் தன்மை காரணமாக நோயாளிகள் பெரும்பாலும் தாமதமான கண்டறிதலால் பாதிக்கப்படுகிறார்கள். இருப்பினும், Weill Cornell Medicine, Cornell Tech, Cornell Ann S. Bowers College of Computing and Information Science, Columbia University Vagelos College of Physicians and Surgeons, மற்றும் NewYork-Presbyterian ஆகிய நிறுவனங்களின் கூட்டுக்குழுவின் ஒரு முன்னோடி ஆய்வு இந்த நிலப்பரப்பை மாற்ற உள்ளது. ஆராய்ச்சியாளர்கள், வழக்கமான இதய அல்ட்ராசவுண்ட் தரவு மற்றும் மின்னணு சுகாதாரப் பதிவுகளை (EHRs) பயன்படுத்தி, மேம்பட்ட இதய செயலிழப்பு கொண்ட நோயாளிகளை அதிக துல்லியத்துடன் அடையாளம் காணக்கூடிய ஒரு செயற்கை நுண்ணறிவு (AI) அடிப்படையிலான கருவியை வெற்றிகரமாக உருவாக்கி சோதித்துள்ளனர். இந்த புதுமையான அணுகுமுறை கண்டறிதலை ஜனநாயகப்படுத்தி நோயாளி பராமரிப்பை கணிசமாக மேம்படுத்துவதாக உறுதியளிக்கிறது.

கண்டறியும் இடையூறு: AI ஏன் முக்கியமானது?

தற்போது, மேம்பட்ட இதய செயலிழப்பின் உறுதியான கண்டறிதல் கார்டியோபல்மோனரி உடற்பயிற்சி சோதனை (CPET) ஐ பெரிதும் சார்ந்துள்ளது. இது பயனுள்ளதாக இருந்தாலும், CPET என்பது விலையுயர்ந்த உபகரணங்கள் மற்றும் உயர் பயிற்சி பெற்ற பணியாளர்கள் தேவைப்படும் ஒரு சிறப்பு செயல்முறையாகும், இது பெரிய கல்வி மருத்துவ மையங்களில் மட்டுமே பெரும்பாலும் கிடைக்கிறது. இது ஒரு குறிப்பிடத்தக்க கண்டறியும் இடையூறை உருவாக்குகிறது, இதன் விளைவாக ஆண்டுதோறும் சுமார் 200,000 அமெரிக்கர்கள் மேம்பட்ட இதய செயலிழப்புடன் சேவை செய்யப்படாமல் அல்லது கண்டறியப்படாமல் உள்ளனர். CPET இன் பரவலான அணுகல் இல்லாமை, பல நோயாளிகள் சரியான நேரத்தில் தலையீடுகள் மற்றும் சிறப்பு சிகிச்சைகளுக்கான வாய்ப்பை இழக்கிறார்கள் என்பதைக் குறிக்கிறது.

புதிய AI-இயங்கும் முறை, மிகவும் அணுகக்கூடிய மற்றும் அளவிடக்கூடிய கண்டறியும் தீர்வை வழங்குவதன் மூலம் இந்த சிக்கலை நேரடியாக அணுகுகிறது. "இது, வழக்கமான பராமரிப்பில் ஏற்கனவே உட்பொதிக்கப்பட்டுள்ள தரவு மூலங்களைப் பயன்படுத்தி, மேம்பட்ட இதய செயலிழப்பு கொண்ட நோயாளிகளை மிகவும் திறமையாக மதிப்பீடு செய்வதற்கு ஒரு நம்பிக்கைக்குரிய வழியைத் திறக்கிறது," என்று Weill Cornell Medicine இல் AI மற்றும் தரவு அறிவியல் துறைக்கான இணை டீன் மற்றும் ஃபிரான்சஸ் மற்றும் ஜான் எல். லோப் மருத்துவ தகவல் அறிவியல் பேராசிரியரும், இந்த ஆய்வின் முதன்மை ஆசிரியருமான டாக்டர். ஃபெய் வாங் (Dr. Fei Wang) விளக்குகிறார். எளிதாகப் பெறக்கூடிய அல்ட்ராசவுண்ட் படங்கள் மற்றும் EHR தரவுகளிலிருந்து உச்ச ஆக்சிஜன் நுகர்வை (peak VO2)—மிக முக்கியமான CPET அளவை—கணிப்பதன் மூலம், AI மாதிரி பாரம்பரியக் கட்டுப்பாடுகளைத் தவிர்த்து, அதிகமான நோயாளிகள் அடையாளம் காணப்படுவதையும் பொருத்தமான சிகிச்சை பெறுவதையும் உறுதி செய்கிறது.

துல்லியமான இருதயவியலுக்கான ஒரு பல-முறை AI அணுகுமுறை

இந்த AI கருவியின் குறிப்பிடத்தக்க திறன், அதன் அதிநவீன பல-முறை, பல-உதாரண இயந்திர கற்றல் மாதிரியிலிருந்து உருவாகிறது. டாக்டர். வாங் குழுவால், முதன்மை ஆசிரியர்களான டாக்டர். ஸே ஹுவாங் (Dr. Zhe Huang) மற்றும் டாக்டர். வெய்ஷென் பான் (Dr. Weishen Pan) உட்பட, உருவாக்கப்பட்ட இந்த மாதிரி, பல்வேறு வகையான தரவுகளை ஒரே நேரத்தில் செயலாக்க முடியும், இது ஒரு நோயாளியின் இதய ஆரோக்கியத்தின் விரிவான பார்வையை வழங்குகிறது.

தரவு வகை	விளக்கம்	AI மாதிரியில் பங்கு
சாதாரண நகரும் அல்ட்ராசவுண்ட்	இதய அமைப்பு மற்றும் செயல்பாட்டைக் காட்டும் மாறும் படங்கள்	இதய சுருக்கம், அறைகளின் அளவு மற்றும் சுவர் இயக்கத்திற்கான காட்சி குறிப்புகள்
அலைவடிவ படங்கள்	இதய வால்வு இயக்கவியல் மற்றும் இரத்த ஓட்ட முறைகளின் வரைகலை சித்தரிப்புகள்	இரத்த ஓட்டக் குறைபாடுகள் மற்றும் வால்வு செயல்பாடு குறித்த நுண்ணறிவுகள்
மின்னணு சுகாதாரப் பதிவுகள்	நோயாளி மக்கள்தொகை, மருத்துவ வரலாறு, ஆய்வக முடிவுகள், மருந்துகள் போன்றவை.	ஒரு முழுமையான நோயாளி சுயவிவரத்திற்கான சூழல் தகவல்

பல்வேறு தரவு ஓட்டங்களை இணைத்து விளக்கக்கூடிய இந்த திறன், தனிப்பட்ட தரவு பகுப்பாய்வு மூலம் தவறவிடக்கூடிய மேம்பட்ட இதய செயலிழப்பின் சிக்கலான வடிவங்களை AI கற்றுக்கொள்ள அனுமதிக்கிறது. NewYork-Presbyterian/Columbia University Irving Medical Center இல் உள்ள 1,000 இதய செயலிழப்பு நோயாளிகளின் அடையாள நீக்கப்பட்ட தரவுகளைப் பயன்படுத்தி இந்த மாதிரி கடுமையாகப் பயிற்சி அளிக்கப்பட்டது. பயிற்சிக்குப் பிறகு, NewYork-Presbyterian இன் மூன்று பிற வளாகங்களில் இருந்து 127 இதய செயலிழப்பு நோயாளிகளைக் கொண்ட ஒரு புதிய குழுவில் அதன் செயல்திறன் சரிபார்க்கப்பட்டது. முடிவுகள் ஈர்க்கக்கூடியதாக இருந்தன, அதிக ஆபத்துள்ள நோயாளிகளை வேறுபடுத்துவதில் சுமார் 85% ஒட்டுமொத்த துல்லியத்தை வெளிப்படுத்தின. இந்த அதிக துல்லியம், உண்மையான உலக மருத்துவ அமைப்புகளில் அதன் சாத்தியமான பயன்பாட்டை பரிந்துரைக்கிறது, மேலும் மருத்துவ கண்டறிதலில் உற்பத்திக்கான AI முகவர்களை மதிப்பீடு செய்வதற்கு ஒரு புதிய அளவுகோலை வழங்குகிறது.

நம்பிக்கைக்குரிய முடிவுகள் மற்றும் கூட்டு கண்டுபிடிப்பு

இந்த AI கருவியின் வெற்றி, பலதுறை ஒத்துழைப்பின் சக்தியை எடுத்துக்காட்டுகிறது, இது Cornell, Columbia, மற்றும் NewYork-Presbyterian இன் பரந்த முயற்சியான இருதய AI முன்முயற்சியின் ஒரு முக்கிய அம்சமாகும். NewYork-Presbyterian இல் மேம்பட்ட இதய செயலிழப்பு மற்றும் இருதய மாற்று அறுவை சிகிச்சை இயக்குநரான டாக்டர். நிர் யூரியல் (Dr. Nir Uriel), திட்டத்தைத் தொடங்குவதில் ஒரு முக்கிய பங்கை வகித்தார். "ஆரம்பத்தில் நாங்கள் 40 க்கும் மேற்பட்ட இதய செயலிழப்பு நிபுணர்களைக் கொண்ட ஒரு குழுவை ஒன்றிணைத்து, AI எங்கு சிறப்பாகப் பயன்படுத்தப்படலாம் என்று கேட்டோம்," என்று அவர் நினைவு கூர்ந்தார். இந்த மருத்துவர் தலைமையிலான அணுகுமுறை, AI தீர்வு ஒரு முக்கியமான மருத்துவத் தேவையை நேரடியாக நிவர்த்தி செய்வதை உறுதிசெய்தது.

Cornell Tech இல் தாக்கத்திற்கான இணை டீன் ஆன டாக்டர். டெபோரா எஸ்ட்ரின் (Dr. Deborah Estrin), கூட்டுறவு உறவை வலியுறுத்தினார்: "இந்த திட்டத்தில் மருத்துவர்கள் மற்றும் AI ஆராய்ச்சியாளர்களுக்கு இடையேயான நெருங்கிய தொடர்பு, வேறுவிதமாக ஆராயப்படாத புதிய AI நுட்பங்களின் வளர்ச்சிக்கு வழிவகுத்தது. எனவே, இது மருத்துவம் AI இன் எதிர்காலத்தை வடிவமைக்கும் ஒரு நிகழ்வாக இருந்தது – AI மருத்துவத்தின் எதிர்காலத்தை வடிவமைப்பது மட்டுமல்ல." மருத்துவ நிபுணத்துவத்தை அதிநவீன AI ஆராய்ச்சியுடன் இணைக்கும் இந்த கூட்டுறவு மனப்பான்மை, ஒரு வலுவான மற்றும் மருத்துவ ரீதியாக பொருத்தமான கருவியை உருவாக்குவதற்கு முக்கியமானது. சுகாதாரப் பராமரிப்பு போன்ற உணர்திறன் மிக்க டொமைன்களில் AI பயன்பாடுகளை மேம்படுத்துவதற்கு இத்தகைய கூட்டாண்மைகள் அத்தியாவசியமானவை, அங்கு தரவு தனியுரிமை மற்றும் நெறிமுறை கருத்தாய்வுகள் மிக முக்கியமானவை. மருத்துவத் தரவுகளைக் கையாளும் நிறுவன தனியுரிமை தொடர்பான முயற்சிகள் தொடர்ந்து வளர்ந்து வருகின்றன.

மருத்துவ ஒருங்கிணைப்பு மற்றும் எதிர்கால தாக்கத்திற்கான வழிவகுத்தல்

இந்த ஆய்வின் நம்பிக்கைக்குரிய முடிவுகள், AI ஐ வழக்கமான இருதய பராமரிப்பில் ஒருங்கிணைப்பதற்கான ஒரு குறிப்பிடத்தக்க படியைக் குறிக்கிறது. அமெரிக்க உணவு மற்றும் மருந்து நிர்வாகத்தின் (FDA) ஒப்புதல் மற்றும் அதன்பின்னர் பரவலான மருத்துவ தத்தெடுப்பிற்கு ஒரு அத்தியாவசியமான கட்டமான மருத்துவ ஆய்வுகளை ஆராய்ச்சி குழு ஏற்கனவே திட்டமிட்டுள்ளது. டாக்டர். யூரியல் (Dr. Uriel) மாற்றத்தக்க திறனை வலியுறுத்தினார்: "இந்த அணுகுமுறையைப் பயன்படுத்தி, வேறுவிதமாக அடையாளம் காணப்படாத பல மேம்பட்ட இதய செயலிழப்பு நோயாளிகளை நம்மால் அடையாளம் காண முடிந்தால், இது நமது மருத்துவ நடைமுறையை மாற்றி, நோயாளி விளைவுகளையும் வாழ்க்கைத் தரத்தையும் கணிசமாக மேம்படுத்தும்."

இந்த AI கருவி வெறும் தொழில்நுட்ப முன்னேற்றத்தை விட அதிகம்; மேம்பட்ட இதய செயலிழப்பை எவ்வாறு கண்டறியலாம் என்பதில் இது ஒரு முன்மாதிரி மாற்றமாகும், இது துல்லியமான மருத்துவத்தை மேலும் அணுகக்கூடியதாக ஆக்குகிறது. தற்போதுள்ள உள்கட்டமைப்பு (அல்ட்ராசவுண்ட் இயந்திரங்கள்) மற்றும் பரவலாக கிடைக்கக்கூடிய தரவுகளை (EHRs) மேம்படுத்துவதன் மூலம், இந்த மாதிரி ஆரம்ப கண்டறிதலுக்கான தடைகளைக் குறைக்கிறது, மேலும் அதிகமான நோயாளிகள் சரியான நேரத்தில், உயிர்காக்கும் சிகிச்சைகளைப் பெறுவதை உறுதி செய்கிறது. இந்த முயற்சியின் வெற்றி, பல்வேறு மருத்துவ சிறப்புத் துறைகளில் AI இன் பங்கை மேலும் ஆராய தூண்டும் என்பதில் சந்தேகமில்லை, இறுதியில் கண்டறியும் துல்லியம் மற்றும் அனைத்து நோயாளி பராமரிப்பையும் மேம்படுத்தும்.

அசல் மூலம்

https://news.weill.cornell.edu/news/2026/03/ai-tool-shows-promise-in-diagnosing-advanced-heart-failure

அடிக்கடி கேட்கப்படும் கேள்விகள்

What is advanced heart failure and why is its diagnosis challenging?

Advanced heart failure is a severe, chronic condition where the heart struggles to pump enough blood to meet the body's needs, significantly impacting quality of life and prognosis. Diagnosing this condition accurately is critically challenging due to its complex nature and the limitations of current standard diagnostic procedures. The gold standard, cardiopulmonary exercise testing (CPET), requires specialized equipment and highly trained personnel, making it accessible only in large, tertiary medical centers. This bottleneck means that a vast number of patients who could benefit from advanced therapies are often overlooked or diagnosed late, delaying crucial interventions and worsening outcomes. The difficulty in early and widespread detection underscores the urgent need for more accessible and efficient diagnostic methods, which this new AI tool aims to provide by simplifying the diagnostic pathway and democratizing access to timely identification of the condition.

How does the new AI tool specifically improve upon existing diagnostic methods like CPET?

The AI tool developed by Weill Cornell Medicine and its partners represents a significant leap forward by overcoming the inherent limitations of CPET. Unlike CPET, which demands specialized facilities and staff, the AI model utilizes readily available cardiac ultrasound images and electronic health records (EHRs)—data sources routinely collected in most clinical settings. By processing these common data types, the AI can predict peak oxygen consumption (peak VO2), the most crucial measure derived from CPET, with high accuracy. This dramatically reduces the need for expensive, time-consuming, and resource-intensive CPETs. The improvement lies in its scalability and accessibility; it transforms a complex diagnostic process into one that can be integrated into routine clinical care, potentially identifying tens of thousands more patients who would otherwise go undiagnosed due to geographical or resource constraints.

What types of data does the AI model leverage for its predictions?

The innovative AI model is a multi-modal, multi-instance machine learning system, designed to synthesize information from diverse clinical data sources for a comprehensive assessment. It specifically processes three distinct categories of data. Firstly, it analyzes ordinary moving ultrasound images of the heart, capturing critical visual information about cardiac structure and function. Secondly, it incorporates related waveform imagery, which displays intricate details of heart valve dynamics and blood flow patterns. Lastly, the model integrates various items found in the patient’s electronic health records (EHRs), including demographic information, medical history, lab results, and other clinical parameters. The ability to combine and interpret these disparate data types allows the AI to develop a holistic understanding of a patient's cardiac health, leading to more accurate predictions.

What was the accuracy of the AI model in predicting peak VO2, and what does this mean clinically?

The AI model achieved a remarkable overall accuracy of roughly 85% in predicting peak VO2, which is a significant indicator for distinguishing high-risk patients with advanced heart failure. This figure was measured using a metric that assesses the probability of a randomly chosen high-risk patient having a higher predicted risk than a randomly chosen lower-risk patient. Clinically, an 85% accuracy suggests that the tool is highly effective and reliable in identifying individuals who require advanced heart failure care. This level of precision means that the AI can act as a powerful screening or supplementary diagnostic tool, helping clinicians more confidently and quickly identify patients who would benefit most from further evaluation or specialized treatments. This promising result paves the way for potential FDA approval and widespread adoption in healthcare.

Which institutions and key individuals collaborated on the development of this AI tool?

This groundbreaking study was the result of a highly collaborative effort involving several leading institutions and prominent experts. Key collaborating entities included Weill Cornell Medicine, Cornell Tech, Cornell Ann S. Bowers College of Computing and Information Science, Columbia University Vagelos College of Physicians and Surgeons, and NewYork-Presbyterian. The study was senior-authored by Dr. Fei Wang, Associate Dean for AI and Data Science at Weill Cornell Medicine. Other pivotal contributors included Dr. Deborah Estrin, Associate Dean for Impact at Cornell Tech, and Dr. Nir Uriel, Director of Advanced Heart Failure and Cardiac Transplantation at NewYork-Presbyterian. The AI team, under Dr. Wang, also included lead authors Dr. Zhe Huang and Dr. Weishen Pan, along with students and faculty from Cornell Bowers, highlighting a robust interdisciplinary approach to medical innovation.

What are the next steps for bringing this AI diagnostic tool into routine clinical practice?

The research team is actively planning the crucial next steps required to transition this promising AI diagnostic tool from a research finding to routine clinical practice. The immediate focus will be on conducting extensive clinical studies. These studies are essential to further validate the model's performance in diverse patient populations and real-world clinical settings, gathering the robust evidence necessary for regulatory approvals. Achieving U.S. Food and Drug Administration (FDA) approval is a critical milestone for widespread adoption. Following approval, efforts will concentrate on integrating the AI tool seamlessly into existing healthcare workflows and electronic health record systems. The ultimate goal is to enable clinicians to easily leverage this technology, ensuring more patients with advanced heart failure are identified and receive appropriate care in a timely manner, transforming current diagnostic paradigms.

How does this research embody the intersection of medicine and AI innovation?

This research project serves as a prime example of how the synergy between medicine and AI innovation can drive transformative advancements in healthcare. It began with clinicians, specifically heart failure specialists, identifying a critical unmet need—the diagnostic bottleneck for advanced heart failure. This clinical challenge then inspired AI experts to develop novel machine learning techniques, demonstrating a unique 'medicine shaping AI' dynamic. The multi-modal AI model, capable of interpreting complex medical images and electronic health records, showcases AI's potential to extract subtle, actionable insights that might elude human analysis or standard tests. This interdisciplinary approach not only addresses a significant clinical problem but also pushes the boundaries of AI research, developing models specifically tailored for the intricacies of medical data and clinical decision-making. It highlights the power of collaborative innovation in solving real-world healthcare issues.

What are the broader implications of this AI tool for patient care and healthcare systems?

The broader implications of this AI diagnostic tool for patient care and healthcare systems are profound. Firstly, it promises to significantly improve patient outcomes and quality of life by enabling earlier and more accurate identification of advanced heart failure. This means patients can receive timely interventions, advanced therapies, or even transplantation referrals, preventing disease progression and reducing mortality. Secondly, it addresses health disparities by making advanced diagnostic capabilities accessible beyond specialized centers, potentially reaching underserved populations. For healthcare systems, the tool could lead to more efficient resource allocation, reducing the burden on CPET facilities and streamlining diagnostic pathways. It also sets a precedent for how AI can be integrated into routine care to augment clinical decision-making, offering a scalable solution to complex medical challenges and enhancing the overall precision and accessibility of cardiovascular medicine.

புதுப்பிப்புகளைப் பெறுங்கள்

சமீபத்திய AI செய்திகளை மின்னஞ்சலில் பெறுங்கள்.

பகிர்