في عالم الرعاية القلبية، يعد رسم القلب الكهربائي (ECG) أداة أساسية، لكن النماذج التقليدية للذكاء الاصطناعي غالباً ما تقتصر على عدم انتظام ضربات القلب الشائعة، مما يعيق قدرتها على تعميم النتائج على جميع المرضى أو تشخيص الأمراض السريرية الخفية. ولكن، ما الجديد؟ لدينا الآن نموذج ECG Contrastive Language-Image Pre-training (ECGCLIP) الثوري، الذي يسعى لتغيير هذا الواقع.

تم تدريب النموذج على أكثر من 2.8 مليون دراسة ECG من 1.3 مليون مريض، وتم تقييمه على مجموعة شاملة من الاختبارات تشمل 89 مهمة تتعلق بصحة القلب، بما في ذلك 45 تشخيصًا مختلفًا، و39 هدفًا من صورة صدى القلب، وخمس حالات نادرة لأمراض القلب.

لقد حقق نموذج ECGCLIP نتائج مبهرة تتجاوز تلك التي حققتها نماذج الذكاء الاصطناعي التقليدية، حيث سجل أداءً استثنائيًا في تشخيص الرجفان الأذيني (PRAUC 0.900) والاحتشاء القلبي الناتج عن ارتفاع مقطع ST (PRAUC 0.383).

ويعد هذا النموذج فعالًا من حيث البيانات، حيث يمكنه أن يحقق نتائج مماثلة أو حتى أفضل من الأداء الاعتيادي باستخدام 10% فقط من بيانات التدريب. هذا يعني أن لدينا الآن أداة قوية قادرة على تحسين تحليل ECG وفهم أعمق للأمراض القلبية النادرة، مثل طفرة إبشتاين والتهاب التامور الانقباضي.

باختصار، تشير هذه النتائج إلى أن التدريب المشترك بين تقارير ECG والتعلم المتباين يمكن أن يعمق تفسير ECG الروتيني ليشمل تقييمًا شاملًا لصحة القلب واكتشافًا أكثر فاعلية للأمراض القلبية النادرة.