3 نتیجه برای الکتروکاردیوگرام
سلمی آریانژاد، فاطمه طاهری بجد، عطیه ریاسی، طیبه چهکندی، فرود صالحی،
دوره 80، شماره 5 - ( 5-1401 )
چکیده
زمینه و هدف: چاقی واضافه وزن یکی از اجزای سندرم متابولیک و زمینهساز بیماری قلبی عروقی و مرگ ناگهانی قلبی میباشد. چاقی با طیف گستردهای از ناهنجاریهای الکتروکاردیوگرام همراه است.
روش بررسی: این مطالعه موردی-شاهدی در 50 کودک و نوجوان 18-9 ساله شهر بیرجند از خرداد 1399 تا آبان 1399 انجام شد. در گروه شاهد 25 نفر با وزن نرمال و در گروه مورد 25 نفر دارای چاقی یا اضافه وزن وارد مطالعه شدند. پس از معاینه بالینی، قد، وزن و شاخصهای الکتروکاردیوگرام اندازهگیری و با استفاده از آزمونهای آماری توسط نرمافزار SPSS software, version 19 (IBM SPSS, Armonk, NY, USA)مقایسه شدند.
یافتهها: در گروه شاهد 15 نفر و در گروه مورد 17 نفر پسر بودند. میانگین سنی گروه شاهد و مورد بهترتیب 13/2±28/11 سال و 97/1±96/10 سال برآورد گردید. میانگین فاصله بین قله تا انتهای موج T در گروه مورد 15/72±120/323 و در گروه شاهد 06/13±20/79 و میانگین اختلاف بین کوتاهترین و طولانیترین فاصلهTP-e بهترتیب در لیدهای 12 گانه ECG در گروه مورد 04/23±48 بوده و گروه شاهد 58/5±44/18 بوده است. که در این دو شاخص تفاوت آماری معنادار وجود داشت (001/0P<).
نتیجهگیری: نتایج مطالعه حاضر نشان داد که چاقی میتواند بر روی نوار قلب کودکان نسبت به افراد با وزن نرمال اثرات نامطلوب داشته باشد که این تغییرات با افزایش خطر آریتمی همراه است. با توجه به اینکه این تغییرات با کنترل وزن قابل اصلاح میباشد هشدار به خانوادهها و آموزش در جهت پیشگیری و کنترل اضافه وزن و چاقی توصیه میشود.
رضا عاطف یکتا، هدا کاوسی، پوریا عیسی وند، منیر سادات حاکمی، عبدالوهاب برادران، زهرا تمرتاش،
دوره 81، شماره 8 - ( 8-1402 )
چکیده
زمینه و هدف: درگیری قلبی در بیماری اسکلروز سیستمیک شایع میباشد. فیبروز میوکارد یافتهی اصلی درگیری قلبی در بیماران مبتلا به اسکلروز سیستمیک میباشد. با توجه به اینکه درگیری قلبی بهعنوان یک فاکتور با پیشآگهی بد بیماری در اسکلرودرمی شناخته شده است یافتن یک روش امکانپذیر و غیرتهاجمی ارزشمند خواهد بود. در مطالعات اخیر وجود Fragmented QRS complexes (FQRS) در نوارقلب در ارتباط با اسکار و فیبروز نشان داده شده است.
روش بررسی: مطالعه حاضر یک مطالعه مورد- شاهد از فروردین 1398 تا اسفند 1398 است که در بیماران مبتلا به اسکلرودرمی مراجعه کننده به درمانگاه روماتولوژی بیمارستان شریعتی و افراد غیرایسکیمک مراجعهکننده به درمانگاه قلب بیمارستان شریعتی در گروه کنترل منطبق بر سن و جنس با گروه بیماران انجام شده است.
یافتهها: از میان ۱۴۱ فرد مبتلا به اسکلروز سیستمیک، 127 نفر (81/85%) زن و ۲۱ نفر (19/14%) مرد بودند. 61 نفر (2/%41) از مبتلایان به اسکلرودرمی و هشت نفر (9/%7) از افراد گروه کنترل در این مطالعه دارای تغییرات FQRS در نوار قلب خود بودند. در این مطالعه در مقایسه بین گروه بیماران مبتلا به اسکلرودرمی و افراد گروه کنترل، فاصلههای QRS، QTc و Tp-e بهطور معناداری در بیماران مبتلا به اسکلروز سیستمیک بزرگتر از افراد گروه کنترل بود. فراوانی تغییرات FQRS، LAHB و LPHB در مبتلایان به بیماری اسکلروز سیستمیک به شکل معناداری در مقایسه با افراد گروه کنترل بیشتر بود.
نتیجهگیری: یافته FQRS در نوار قلب بیماران مبتلا به اسکلروز سیستمیک که علایم قلبی واضحی ندارند ممکن است نشاندهنده فیبروز میوکارد باشد و پیشبینی کننده بروز اختلالات قلبی در آینده میباشد.
حسین اخوان، فاطمه رضائی،
دوره 83، شماره 3 - ( 3-1404 )
چکیده
زمینه و هدف: الکتروکاردیوگرام روشی غیرتهاجمی برای دریافت سیگنالهای قلب است. با وجود پیشرفت در روشهای عکسبرداری، الکتروکاردیوگرام هنوز نقش مهمی در تشخیص بیماریهای قلبی ایفا میکند. تحلیل سیگنالهای الکتروکاردیوگرام نقش مهمی در شناسایی زودهنگام بیماریهای قلبی نظیر آریتمیها و سکتههای قلبی دارد. امروزه با پیشرفت علم و فناوری، روشهای رایانهای بیش از پیش مورد توجه پزشکان قرار گرفتهاند. در این مطالعه، از روشهای یادگیری ماشین برای دستهبندی ضربانهای قلبی طبیعی و غیرطبیعی استفاده شده است.
روش بررسی: دادههای مورد بررسی از مجموعه دادهای تحت عنوان Heartbeat که در سایت کگل منتشر شده، استخراج شدهاند. این مجموعه شامل نمونههایی از سیگنالهای صوتی میباشد که به دو دسته سالم و ناسالم تقسیم میشوند. در ابتدا، دادهها مورد پیشپردازش قرار گرفتند و نرمالسازی شدند تا برای ورود به مدل آماده شوند. سپس، ویژگیهای زمانی و فرکانسی از سیگنالها استخراج گردیده است. در ادامه، یک مدل ترکیبی شامل لایههای کانولوشنی یکبعدی طراحی و آموزش داده شده است. همچنین، با بهرهگیری از روش توقف زودهنگام، از بیشبرازش جلوگیری شد و پایداری مدل بهبود یافت.
یافتهها: در این پژوهش نشان داده شد که با بهرهگیری از یادگیری عمیق به ویژه استفاده از CNN و Conv 1D به دقت 99% و زیان 0350/0 برای دادههای تست در تشخیص ضربانهای قلب طبیعی و غیرطبیعی میتوان رسید. این مدل توانایی تحلیل ساختارهای پیچیده و دینامیک زمانی سیگنالهای ECG را داشته است و قادر است الگوهای مرتبط با اختلالات قلبی را تشخیص دهد.
نتیجهگیری: امروزه الکتروکاردیوگرام بیش از پیش مورد توجه قرار گرفته است. انتخاب مناسب مدل، استانداردسازی دادهها و گستره کیفی دادهها از عوامل دقت بالا در این پژوهش است. این پژوهش میتواند گامی موثر در توسعه سامانههای هوشمند تشخیص اختلالات قلبی باشد و در کاربردهای پزشکی، بهویژه در حوزه پایش مستمر بیماران، مورد استفاده قرار گیرد.
