قلب هوشمند: مرور سیستماتیک پیش بینی زودهنگام حملات قلبی با هوش مصنوعی و ابزارهای پوشیدنی

مقدمه و هدف: بیماری های قلبی عروقی، به ویژه حملات قلبی، از مهم ترین علل مرگ ومیر در جهان هستند. تشخیص دیرهنگام و نبود نظارت مداوم از چالش های اصلی پیشگیری به موقع این حوادث است. با پیشرفت ابزارهای پوشیدنی سلامت و الگوریتم های هوش مصنوعی، امکان پیش بینی زودهنگام حملات قلبی فراهم شده است. این مرور سیستماتیک با هدف بررسی دقت، تنوع الگوریتم ها و داده های پوشیدنی در پیش بینی این حملات انجام شد. روش جستجو: مطابق دستورالعملPRISMA ، جستجوی نظام مند در پایگاه های PubMed، Scopus، Web of Science و IEEE Xplore برای مقالات ۲۰۱۴ تا آوریل ۲۰۲۵ انجام شد. پس از حذف تکراری ها و اعمال معیارهای ورود و خروج، ۴۴ مقاله با کیفیت از ۸۶۷ مقاله بر اساس چک لیست CASP انتخاب و اطلاعات درباره نوع داده، ابزارهای مورد استفاده، نوع و دقت الگوریتم استخراج شد. نتایج: ابزارهای پوشیدنی پرکاربرد شامل Apple Watch سری ۴ تا ۷، Fitbit Charge ۴ و ۵، Garmin Vivosmart ۴، Empatica E۴ و Zephyr BioPatch بودند که داده هایی مانند ضربان قلب، سطح اکسیژن خون، الگوی خواب و فعالیت بدنی را ثبت می کردند. الگوریتم های اصلی LSTM، CNN-LSTM، RNN و مدل های ترکیبی یادگیری عمیق بودند. میانگین دقت پیش بینی ۸۳.۷ درصد گزارش شد و در ۲۸ درصد مطالعات، دقت بالای ۹۰ درصد مشاهده شد. عملکرد مدل ها با AUC بین ۰.۸۹ تا ۰.۹۵ متغیر بود و بیشترین دقت مربوط به مدل های چندکاناله بود. فقط در ۶ مطالعه، پیش بینی حمله تا ۷۲ ساعت قبل با حساسیت بیش از ۸۵ درصد گزارش شد. ناهمگونی داده ها و الگوریتم ها، مقایسه مستقیم را دشوار کرده بود. همچنین، مسائل اخلاقی و حریم خصوصی در بیش از نیمی از مطالعات مغفول ماند. نتیجه گیری: یافته ها نشان می دهند ترکیب ابزارهای پوشیدنی و هوش مصنوعی می تواند در پیش بینی و پیشگیری زودهنگام حملات قلبی موثر باشد. با این حال، برای بهره برداری بالینی، نیاز به استانداردسازی داده ها، طراحی چارچوب های اخلاقی و اجرای مطالعات آینده نگر در مقیاس وسیع وجود دارد.

کلیدواژه ها:

هوش مصنوعی ، حمله قلبی ، ابزار پوشیدنی ، یادگیری ماشین.