پیش‌بینی پیامدهای پیوند بای‌پس عروق کرونر مبتنی بر تصاویر آنژیوگرافی و داده‌های بالینی با استفاده از الگوریتم‌های هوش مصنوعی

رضایی جو, سید مسعود; رشادتیان, مرضیه; افتخار, علیرضا; جواهر فروش زاده, فاطمه

doi:10.22118/jsmj.2026.568326.4122

پیش‌بینی پیامدهای پیوند بای‌پس عروق کرونر مبتنی بر تصاویر آنژیوگرافی و داده‌های بالینی با استفاده از الگوریتم‌های هوش مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

سید مسعود رضایی جو ¹

مرضیه رشادتیان ²

علیرضا افتخار ²

فاطمه جواهر فروش زاده ³

¹ گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی جندی شاپور اهواز ، اهواز، ایران

² اهواز- دانشکده پزشکی-گروه فیزیک پزشکی

³ گروه بیهوشی، مرکز تحقیقات بیهوشی و درد اهواز، دانشگاه علوم پزشکی جندی‌شاپور اهواز، اهواز، ایران

10.22118/jsmj.2026.568326.4122

چکیده

بیماری عروق کرونر (CAD) یکی از علل اصلی مرگ‌ومیر در جهان است و پیوند بای‌پس عروق کرونر (CABG) به‌عنوان درمان استاندارد بیماران مبتلا به درگیری چندرگی شناخته می‌شود. پیش‌بینی پیامدهای پس از عمل در این بیماران اهمیت بالینی ویژه‌ای دارد. در این مطالعه، ما با بهره‌گیری از یک چارچوب نوین یادگیری ماشین و یادگیری عمیق، ادغام داده‌های چندوجهی شامل تصاویر آنژیوگرافی کرونری، نتایج آزمایش خون دو مرحله‌ای و متغیرهای بالینی را برای پیش‌بینی بقای پس از عمل و پیامدهای بیوشیمیایی کلیدی(BUN، SGOT و SGPT ) بررسی کردیم. مجموعه داده شامل ۱۵۲ بیمار تحت عمل CABG در دو مرکز تخصصی قلب در اهواز طی چهار سال بود. ویژگی‌های عمیق از تصاویر آنژیوگرافی با استفاده از ResNet-18 استخراج و همراه با نشانگرهای زیستی و داده‌های بالینی در خطوط لوله یادگیری ماشین ترکیب شدند. برای کاهش ابعاد و افزایش تعمیم‌پذیری، تکنیک‌های انتخاب ویژگی (SelectKBest، SelectFromModel با RF ، Lasso و ExtraTrees ) و مجموعه‌ای از طبقه‌بندی‌کننده‌ها شامل رگرسیون لجستیک، SVC، KNN، XGBoost، LightGBM، و روش‌های گروهی به کار گرفته شد. ارزیابی مدل‌ها با استفاده از اعتبارسنجی متقابل ۵ مرحله‌ای، مجموعه آزمون مستقل و معیارهای استاندارد شامل دقت، صحت، یادآوری، امتیاز F1 و AUC انجام شد. یافته‌ها نشان داد که رویکردهای مبتنی بر م Lasso، به‌ویژه در ترکیب با رگرسیون لجستیک و SVC، عملکرد برتری داشتند و به دقت اعتبارسنجی متقابل ۹۷.۱۴٪ برای بقا و مقادیر ۹۳.۳۳٪، ۹۳.۳۳٪ و ۹۹.۰۵٪ برای BUN، SGOT و SGPT دست یافتند. مقایسه با مدل‌های مرسوم نشان داد که ادغام داده‌های چندوجهی موجب افزایش قابل توجه دقت پیش‌بینی می‌شود.

کلیدواژه‌ها

یادگیری ماشین

یادگیری عمیق

پیوند بای‌پس عروق کرونر (CABG)

آنژیوگرافی کرونری

موضوعات