في ظل ارتفاع معدلات وفيات النوبات القلبية، يزداد الحاجة إلى نماذج التنبؤ التي تتمكن من إظهار تأثيرات هذه الحالة بصورة دقيقة وسريعة. ومع أن تخطيط القلب الإلكتروني (ECG) يعتبر أداة رئيسية في رصد صحة القلب، إلا أن النماذج التقليدية غالبًا ما تفشل في توقع النتائج السلبية بشكل فعال. السبب الرئيسي يكمن في نقص البيانات المعلَمة التي تتطلبها خوارزميات التعلم العميق.

ومع ذلك، أظهرت نماذج الأساس (Foundation Models) القدرة على التعلم من بيانات تخطيط القلب غير المعلَمة من خلال تقنية التعليم الذاتي، ولكن استراتيجيات التدريب الطبية المناسبة لم تُستَكشف بشكل كافٍ بعد. لتجاوز هذه الفجوة، قام الباحثون بتطوير نموذج ذكاء اصطناعي مسبق التدريب يجمع بين المعلومات الزمنية الخاصة بالمرضى من خلال التعلم التبايني (Contrastive Learning) مع رؤوس مراقبة متعددة الاختصاصات.

بعد ذلك، تم تحسين النموذج للتنبؤ بمسار الحالة بعد النوبة القلبية، وقد أظهرت النتائج أن النموذج المقترح حقق أداءً متفوقًا في التصنيف، حيث حصل على 0.794 في مؤشر المساحة تحت المنحنى (AUC) مقارنةً بالنموذج الذي تم تدريبه من الصفر وسجل 0.608 AUC. هذه النتائج توضح أن نمذجة تخطيط القلب الهيكلية تحسين القدرة على التصنيف في ظل نقص البيانات، مما يعد خطوة كبيرة نحو تطوير أدوات قوية للتنبؤ الطبي.

إن الابتكار في هذا المجال يمثل ثورة محتملة في كيفية تقديم الرعاية الصحية للمرضى الذين تعرضوا لنوبات قلبية، مما يعزز احتمالات التعافي ويقلل من المخاطر المستقبلية.