۲۶ اوت ۲۰۲۶– بر اساس مطالعهای که در کنگره ESC 2026ارائه خواهد شد، تحلیل تصاویر ویدئویی چهره بر پایه هوش مصنوعی (AI) میتواند فشار خون بالا و دیابت تشخیصدادهنشده را به سرعت و با دقت شناسایی کند.
تخمین زده میشود که حدود ۱.۴ میلیارد بزرگسال در بازه سنی ۳۰ تا ۷۹ سال دچار فشار خون بالا و ۵۸۹ میلیون نفر در سراسر جهان با دیابت زندگی میکنند. اگرچه فشار خون بالا و دیابت از جمله اصلیترین عوامل خطر قابل اصلاح برای بیماریهای قلبی-عروقی هستند، اما بسیاری از موارد همچنان تشخیص داده نشده باقی میمانند. غربالگریهای فعلی متکی بر ویزیتهای بالینی اختصاصی یا دستگاههای پوشیدنی هستند که میزان پوشش جمعیت هدف را محدود میکند.
محققان دانشگاه توکیو و موسسه علوم توکیو در ژاپن، بررسی کردند که آیا میتوان از تحلیل ویدئوهای چهره توسط هوش مصنوعی برای بهبود تشخیص فشار خون بالا و دیابت استفاده کرد یا خیر. خانم ریوکو اوچیدا، ارائهدهنده این تحقیق، میگوید: «هدف ما توسعه الگوریتمی مبتنی بر هوش مصنوعی است که امکان غربالگری بدون تماس در محیطهای روزمره را فراهم کند تا این بیماریهای شایع را در مراحل اولیه و در مقیاسی وسیع شناسایی کنیم.»
برای شرکت در این مطالعه آیندهنگر تکمرکزی، از ۲۱۵ شرکتکننده شامل بیماران تشخیصدادهشده و داوطلبان سالم ثبت نام شد. هر شرکتکننده تحت ضبط یک ویدئوی کوتاه و با سرعت بالا از چهره و کف دست خود با استفاده از یک دوربین طیفسنج (spectroscopic camera) قرار گرفت. یک الگوریتم یادگیری ماشین ویدئوهای فردی را تحلیل و دادههایی را در مورد دینامیک موج نبض (که سفتی شریانها را اندازهگیری میکند)، الگوهای جریان خون پوستی و ویژگیهای طیفی رنگ پوست استخراج کرد. همچنین شرکتکنندگان تحت ارزیابیهای متداول پزشکی برای شناسایی فشار خون و دیابت قرار گرفتند.
همانطور که پیشتر منتشر شده بود، این الگوریتم توانست فشار خون بالا را با دقت ۹۵.۰٪ از طریق یک ضبط ۳۰ ثانیهای (با استفاده از تحلیل موج نبض در ویدئوهای چهره و کف دست) تشخیص دهد. حساسیت این سیستم برای تشخیص فشار خون طبیعی ۱۰۰.۰٪ و حساسیت تشخیص فشار خون بالا ۸۹.۲٪ بود. حتی با استفاده از یک ویدئوی ۵ ثانیهای نیز دقت همچنان بالا و معادل ۹۰.۳٪ بود.
در تحقیق جدید، بر اساس الگوهای جریان خون چهره، این الگوریتم توانست دیابت را با دقتی مشابه تشخیص دهد: ۸۸.۲٪ از طریق ویدئوی ۳۰ ثانیهای و ۸۱.۲٪ از طریق ویدئوی ۵ ثانیهای.
این الگوریتم همچنین میتواند فشار خون را تنها از طریق ویدئوی چهره و بدون استفاده از کاف (دستگاه فشارسنج) تخمین بزند. میانگین درصد خطای مطلق برای فشار خون سیستولیک (SBP) برابر با ۸.۶٪ بود. میانگین خطای الگوریتم برای فشار سیستولیک ۲.۶- میلیمتر جیوه بود که در محدوده مجاز انجمن پیشبرد تجهیزات پزشکی (AAMI) یعنی ۵.۰± میلیمتر جیوه قرار دارد؛ هرچند انحراف معیار خطا ۱۲.۰ ±میلیمتر جیوه بود که از معیار AAMIیعنی ۸.۰ ±میلیمتر جیوه فراتر رفت.
کارهای آینده بر کاهش این پراکندگی از طریق استفاده از مجموعهدادههای بزرگتر و چندمرکزی و بهینهسازی ویژگیها متمرکز خواهد بود.
خانم اوچیدا نتیجهگیری کرد: «الگوریتم یادگیری ماشین ما توانست فشار خون بالا و دیابت را از طریق ویدئوهای طیفسنجی چهره که حتی به کوتاهی ۵ ثانیه بودند، با دقت تشخیص دهد. قصد داریم این یافتهها را در گروههای بزرگتر و جمعیتهای متنوعتر اعتبارسنجی کنیم تا از کاربرد آنها در دنیای واقعی حمایت شود. در صورت تأیید، این روش بدون تماس میتواند به افراد اجازه دهد در محیطهای روزمره غربالگری شوند- بدون نیاز به کاف، نمونهگیری خون یا مراجعه به کلینیک - و به شناسایی افراد در معرض خطر کمک کند که در غیر این صورت تشخیص داده نمیشدند و درمانی دریافت نمیکردند.»
دانشیار نیکو برونینگ، از مدیران نشست دیجیتال و هوش مصنوعی ESC، اظهار داشت: «بسیار قابل توجه است که فناوریهای مبتنی بر هوش مصنوعی در حال توسعه چنین ابزارهای قدرتمندی برای پیشگیری زودهنگام از بیماریها هستند. از آنجایی که این رویکرد سریع، آسان و بدون تماس است، میتواند در محیطهایی بسیار فراتر از بیمارستانها استفاده شود و پتانسیل رسیدگی به افراد بسیار بیشتری را نسبت به روشهای سنتی غربالگری داشته باشد. تشخیص زودهنگام این شرایط به معنای شروع سریعتر درمان و تغییر سبک زندگی است که به پیشگیری از حمله قلبی، سکته مغزی و سایر بیماریهای قلبی-عروقی کمک میکند.»
منبع:
https://www.news-medical.net/news/20260826/Machine-learning-algorithm-accurately-detects-hypertension-and-diabetes-from-facial-video.aspx