پیش‌بینی روند بهبود بعد از سکته مغزی به کمک یادگیری ماشین

سکته مغزی زمانی اتفاق می‌افتد که جریان خون به مغز مسدود شود. گاهی اوقات، سکته‌ی مغزی می‌تواند منجر به آسیب‌ها و ناتوانی‌های بلندمدت شود. بهبود و بازیابی بعد از سکته، برای بسیاری از بیماران، مسیری طولانی و مشقت‌بار است.

تأثیر توانبخشی پس از سکته ضعیف است. علاوه بر این، در این دوره، بیمار تمایل چندانی به یادگیری ندارد. سکته‌ کارکردهای مغزی گوناگونی را تحت تأثیر قرار می‌دهد؛ به همین دلیل، بیمارانی که تحت مراقبت‌های توانبخشی پس از سکته قرار می‌گیرند، خروجی‌های متفاوتی دریافت می‌کنند، امری که در پزشکی به عنوان «ناهمگنی خروجی» شناخته می‌شود. ناهمگنی خروجی حاکی از این است که درمان‌ها و مراقبت‌های بهبودی پس از سکته می‌توانند بین بیماران مختلف، نتایج متفاوتی به دست دهند.

بهینه‌سازی مراقبت‌های پس از سکته مستلزم دستیابی به راهبردی بهینه برای توانبخشی عصبی است.

دکتر فیلیپ کاچ، نویسنده‌ی اول مقاله، معتقد است: «برای حل چالش‌های هرروزه‌ی کاربردهای بالینی، ابتدا باید توانایی خود در پیش‌بینی روند بهبود هر فرد را ارتقاء دهیم.»

اخیراً تیمی بین‌المللی از دانشمندان به سرپرستی مرکز EPFL، موفق به ساخت سیستمی شده‌اند که با ادغام اطلاعات مربوط به کانکتوم مغز با یادگیری ماشین، خروجی بیماران سکته‌ی مغزی را ارزیابی و پیش‌بینی می‌کند.

منظور از کانکتوم، تمامی اتصالات نورونی درون مغز است. کانکتوم‌ها در میان متخصصان مغز و اعصاب، ابزاری گریزناپذیر و حتمی به شمار می‌روند، به خصوص هنگام تفسیر داده‌های مربوط به ساختار یا پویایی مغز و ارتباط آن‌ها با کارکردها، مشکلات و روند بهبود.

روند پژوهش

در این پژوهش، دانشمندان کانکتوم‌های ۹۲ بیمار را دو هفته بعد از سکته‌ تحلیل کردند. سپس طی سه ماه بعدی، تغییرات کانکتوم‌ها را رهگیری و نقص‌های حرکتی را با مقیاسی استاندارد ارزیابی کردند. این کار به آن‌ها اجازه داد تغییرات رخ داده در اتصالات مغزی هر فرد (در طول روند بهبود و بازیابی) را مورد نظارت قرار دهند.

دانشمندان اطلاعات کانکتوم را به یک ماشین بردار پشتیبان یا SVM وارد کردند؛ SVM نوعی مدل یادگیری ماشین است که با استفاده از نمونه‌ها، نگاشت ورودی را به خروجی متصل می‌کند.

این SVM آموزش دیده بود تا بین این دو گروه بیمار تمیز قائل شود: بیمارانی که روند بهبودشان طبیعی بوده و بیمارانی که بعد از توانبخشی، همه‌ی کانکتوم‌های ساختاری مغزشان بازسازی نشده بود. در گام بعد، مدل با تمرکز بر افرادی که آسیب‌های جدی دیده بودند، الگوی پایه‌ی شبکه‌ی مغزی همه‌ی بیماران را مشخص کرد تا ظرفیت بهبود آن‌ها را پیش‌بینی کند. برای تعیین اعتبار داخلی پیش‌بینی‌ها از روش اعتبارسنجی متقاطع استفاده شد. اعتبار خارجی نیز از طریق مقایسه با سایر دیتاست‌ها به دست آمد.

خروجی فرآیند، ابزاری تحول‌آمیز برای مراقبت‌های درمانی شخصی‌سازی شده بود: سیستم یادگیری ماشینی که می‌تواند با تکیه بر الگوهای شبکه‌ی نورونی، خروجی روند بهبود و بازیابی بیماران سکته‌ی قلبی را با دقت بالا پیش‌بینی کند.

پروفسور فریدلم هامل، دانشمند حوزه‌ی عصب‌شناسی، مدیر بنیاد مهندسی عصب‌شناختی Defitech در مرکز علوم زیستی EPFL، در رابطه با این سیستم توضیح می‌دهد: «هدف این ابزار، کمک به پیش‌بینی مدت زمان و روند بهبود افراد بعد از سکته‌ی مغزی است. این فناوری می‌تواند تأثیر شگرفی بر مدیریت (خدمات) بالینی، پژوهش‌های کاربردی و درمان‌های موجود داشته باشد.»

انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید