فیبریلاسیون دهلیزی یکی از شایع‌ترین اختلالات ریتم قلب است و می‌تواند خطر سکته مغزی را بالا ببرد. در حال حاضر پزشکان برای برآورد این خطر از نمره‌های بالینی مثل CHA₂DS₂-VASc استفاده می‌کنند، اما این روش همه جزئیات وضعیت بیمار را در نظر نمی‌گیرد و گاهی خطر را کمتر یا بیشتر از واقعیت نشان می‌دهد. به همین دلیل، توجه پژوهشگران به هوش مصنوعی و یادگیری ماشین جلب شده تا با استفاده از داده‌های بیشتر، پیش‌بینی دقیق‌تری ارائه شود.

در این مقاله، 17 مطالعه بررسی شده‌اند که مجموعا روی بیش از 913 هزار بیمار مبتلا به فیبریلاسیون دهلیزی انجام شده‌اند. نتیجه کلی این بود که دقت مدل‌های یادگیری ماشین در پیش‌بینی سکته، به‌طور متوسط کمی بهتر از ابزارهای معمولی بود، اما این اختلاف از نظر آماری آن‌قدر بزرگ نبود. به زبان ساده، هوش مصنوعی در این حوزه «امیدبخش» است، اما هنوز به مرحله‌ای نرسیده که جایگزین مطمئن و عمومی ابزارهای فعلی شود.

نکته مهم این است که بسیاری از این مدل‌ها فقط روی داده‌های آموزشی خودشان بررسی شده‌اند و در دنیای واقعی، روی بیماران جدید، کمتر اعتبارسنجی شده‌اند. وقتی مدلی فقط روی همان داده‌هایی که با آن آموزش دیده سنجیده شود، ممکن است عملکردش بیش از حد خوب به نظر برسد. همچنین در بیشتر مطالعات، شاخص‌هایی مثل «کالیبراسیون» و «فایده بالینی» به‌خوبی بررسی نشده‌اند؛ یعنی هنوز معلوم نیست این مدل‌ها تا چه حد می‌توانند در تصمیم‌گیری واقعی پزشک، مثلا درباره شروع داروی ضدانعقاد، کمک‌کننده باشند.

از نظر روش‌های هوش مصنوعی، مدل‌های درخت‌محور، رگرسیون لجستیک و شبکه‌های عصبی بیشتر استفاده شده‌اند. بعضی مطالعه‌ها از داده‌های جالب‌تر مثل نوسانات ضربان قلب در هولتر 24 ساعته، بار آریتمی در طول زمان، نتایج آزمایشگاهی، اکوکاردیوگرافی و حتی تصویر فوندوس چشم هم استفاده کرده‌اند. با این حال، نویسندگان تاکید می‌کنند که این داده‌های جدید باید در پژوهش‌های بعدی دقیق‌تر بررسی شوند تا معلوم شود واقعا ارزش افزوده دارند یا نه.

پیام اصلی مقاله این است که هوش مصنوعی می‌تواند به پیش‌بینی خطر سکته کمک کند، اما هنوز برای استفاده روزمره به‌تنهایی کافی نیست. فعلا بهترین رویکرد این است که این مدل‌ها در کنار قضاوت پزشک و ابزارهای معتبر فعلی استفاده شوند، نه به‌جای آن‌ها.