بیماری سپسیس
اخبار

کاهش نرخ مرگ ناشی از بیماری سپسیس با به‌کارگیری سیستم هوش مصنوعی

0
زمان مطالعه: ۴ دقیقه

سیستم جدید هوش مصنوعی از دانشگاه جان هاپکینز می‌تواند نشانه‌های بیماری سپسیس را خیلی زودتر از روش‌های معمولی شناسایی کرده و بدین ترتیب، نرخ مرگ‌و میر ناشی از سپسیس را ۲۰ درصد کاهش دهد. این فناوری با جست‌وجو در میان سوابق پزشکی و یادداشت‌های بالینی، بیمارانی را شناسایی می‌کند که ریسک بروز مشکلات و بیماری‌های ثانوی خطرناک در آن‌ها بالاست. این پژوهش در ژورنال Nature Medicine and Nature Digital Medicine چاپ شده است.

سوچی ساریا، سرپرست مرکز Malone Center for Engineering in Healthcare جان هاپکینز و نویسنده اول مقاله، توضیح می‌دهد: «هزاران ارائه‌دهنده خدمات و مراقبت‌های درمانی از این سیستم هوش مصنوعی استفاده می‌کنند تا جان افراد را نجات دهند. در حال حاضر، این سیستم را برای دستیابی به نتایج بهتر در درمان بیماری‌هایی غیر از سپسیس نیز به کار می‌برند.» سپسیس زمانی اتفاق می‌افتد که یک عفونت، واکنش‌های زنجیره‌ای در سراسر بدن آغاز کند. تورم ناشی از این واکنش‌ها می‌تواند به شکل‌گیری لخته‌های خونی و پارگی رگ‌های خونی بیانجامد، به اعضای بدن آسیب برساند یا آن‌ها را از کار بیاندازد. در ایالات متحده، سالانه حدود ۷/۱ میلیارد فرد بزرگسال به سپسیس مبتلا می‌شوند و در این میان، بیش از ۲۵۰,۰۰۰ جان خود را از دست می‌دهند.

بیماری سپسیس

سپسیس علائم رایجی از قبیل تب و سرگیجه دارد، به همین خاطر است که به راحتی می‌توان از آن غافل شد؛ با این حال، هرچه زودتر بیماری سپسیس را تشخیص دهیم، احتمال نجات بیمار بیشتر می‌شود. ساریا، مدیر آزمایشگاه Machine Learning and Healthcare جان هاپکینز، می‌گوید: «یکی از بهترین راه‌های درمان موفقیت‌آمیز بیماران، تشخیص زودهنگام و ارائه درمان‌های لازم در زمان مناسب است؛ امری که تا کنون چالش بزرگی محسوب می‌شد، چون سیستمی برای تشخیص دقیق و زودهنگام بیماری سپسیس وجود نداشت.»

ساخت روبات تشخیص آلودگی در صنایع غذایی در ایران

ساریا و دیگر پژوهشگران جان هاپکینز، برای حل این مشکل، سیستم Targeted Real-Time Early Warning را ارائه داده‌اند. این سیستم در ابتدا با ادغام سوابق پزشکی بیمار با علائم فعلی و نتایج آزمایشگاه، خطر ابتلای بیمار به سپسیس را تعیین می‌کند و سپس، پروتکل‌های درمانی مناسب را پیشنهاد می‌دهد. هوش مصنوعی بیماران را از لحظه‌ ورود به بیمارستان تحت نظر می‌گیرد تا حتی در صورت تغییر کادر درمان یا جابه‌جایی بیمار، هیچ‌کدام از اطلاعات حیاتی مورد چشم‌پوشی قرار نگیرند. طی این مطالعات، بیش از ۴,۰۰۰ درمانگر از ۵ بیمارستان مختلف سیستم مذکور را برای درمان ۵۹۰,۰۰۰ بیمار به کار بردند؛ خود سیستم هم ۱۷۳,۹۳۱ مورد را از قبل بررسی کرده بود. در میان ۸۲ درصدی که به سپسیس مبتلا بودند، هوش مصنوعی توانست حدود ۴۰ درصد را به درستی شناسایی کند.

دقت ابزارهای الکترونیکی که تا کنون برای تشخیص سپسیس استفاده شده‌اند، بسیار کمتر از این سیستم بوده است. با این‌که همه موارد ابتلا به سپسیس در نهایت تشخیص داده می‌شوند، درمان‌های کنونی طوری هستند که ۳۰ درصد از بیماران جان‌شان را از دست می‌دهند. در تشخیص سپسیس، حتی یک ساعت هم اهمیتی حیاتی دارد. این در حالی است که سیستم مذکور به طور میانگین ۶ ساعت زودتر از روش‌های معمولی بیماری سپسیس را تشخیص می‌دهد. به عقیده البرت وو، نویسنده مقاله و رئیس مرکز Health Services and Outcomes Research، این دستاورد از جنبه‌های اکتشافی بسیار بزرگی محسوب می‌شود.

ساریا ادامه می‌دهد: «نرخ اشتباهات سیستم‌هایی که تا کنون در این حوزه به کار رفته‌اند، از نرخ پیش‌بینی‌های صحیح‌شان بیشتر بوده است. هشدارهای کاذب سطح اطمینان را پایین می‌آورند.» این سیستم، بر خلاف روش‌های قدیمی، به پزشکان اجازه می‌دهد تا دلیل زیربنایی پیشنهادات را بدانند. این پروژه برای ساریا اهمیت شخصی هم دارد، چون برادرزاده‌اش را به خاطر بیماری سپسیس از دست داده است: «سپسیس با سرعت بالایی رشد می‌کند.

نرم‌افزاری که نمایش همزمان تصاویر ساختار بافت را امکان‌پذیر می‌سازد

بیماری سپسیس

برای برادرزاده‌ من هم همین اتفاق افتاد؛ یعنی وقتی پزشک‌ها سپسیس را تشخیص دادند، دیگر خیلی دیر شده بود. مدیریت پیاده‌سازی این سیستم در موقعیت‌های آزمایشی بر عهده شرکت Bayesian Health، زیرمجموعه جان هاپکینز، بوده است. پژوهشگران با همکاری شرکت‌های Cerner و Epic، از بزرگ‌ترین ارائه‌دهندگان سیستم‌های الکترونیک ثبت سوابق پزشکی، از تعمیم این سیستم به بیمارستان‌های دیگر نیز اطمینان حاصل کردند. با تکیه بر این فناوری، بیمارانی که در معرض ابتلا به زخم بستر، ایست تنفسی حاد یا ایست قلبی هستند، تشخیص داده شده‌اند.

ساریا اضافه می‌کند: «رویکرد پیشنهادی ما با روش‌های دیگر تفاوتی بنیادین دارد؛ چون با تفاوت‌های بیماران، روش‌های درمانی منحصر به فرد درمانگران و سیستم‌های درمانی گوناگون سازگار می‌شود تا دقت کار، سطح اطمینان و کاربرد را افزایش دهد.»

سایر نویسندگان مقالات مذکور عبارت‌اند از: کترین هنری، روی آدامز، کاساندرا پرنت، دیوید هگر، ادوارد چن، مصطفی سعید و آلبرت وو از دانشگاه جان هاپکینز؛ حسین سلیمانی از دانشگاه کالیفرنیا؛ آنیرود سریداران از بیمارستان Howard County؛ لارن جانشون، مورین هنلی، شیلا میراندا، کاترینا هاستون و آناشری الووالیا از بیمارستان جان هاپکینز؛ سارا کاسگراو و ایلی کلین از دانشکده پزشکی جان هاپکینز؛ اندرو مارکفسکی از بیمارستان Suburban؛ و رابرت لینتون از بیمارستان Howard County.

این پروژه از سوی بنیاد گوردن و بتی مورد، بنیاد ملی علوم و بنیاد آلفرد پی. اسلون پشتیبانی شده است.

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید

این مطلب چه میزان برای شما مفید بوده است؟
[کل: ۳ میانگین: ۳.۷]

تولید حس‌گر‌های هوشمند سرور در کشور

مقاله قبلی

راه حل کمبود داده در یادگیری ماشین

مقاله بعدی

شما همچنین ممکن است دوست داشته باشید

بیشتر در اخبار

نظرات

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد.