مدل جدید یادگیری ماشینی به کمک مسئولین بهداشت ‌و درمان می‌آید

به گفته‌ دنیل نیل، پژوهشگر دانشگاه نیویورک، مدل جدید یادگیری ماشینی که بر مبنای داده‌های مراجعین به بخش اورژانس آموزش دیده است، می‌تواند خوشه‌های بیماری را تشخیص دهد؛ البته متخصصان شیوع‌شناسی بر اهمیت تفسیر داده‌ها و پاسخ الگوریتم تأکید دارند.

تشخیص و جلوگیری از شیوع بیماری‌ها یا پیامدهای رویدادهایی همچون بلایی طبیعی، امری دشوار به شمار می‌رود. پژوهش جدید دانشگاه نیویورک به ساخت مدل یادگیری ماشینی انجامیده است که به مسئولین حوزه‌ بهداشت ‌و درمان کمک می‌کند آمادگی و پاسخگویی بهتری نسبت به همه‌گیری‌ها و بحران‌های سلامت آینده داشته باشند. این پروژه حاصل همکاری دانشگاه نیویورک، دانشگاه کارنگی ملون و دپارتمان بهداشت‌ و سلامت روان نیویورک است.

کیمبرلی آدامز، خبرنگار Marketplace، با دنیل نیل، استاد علوم کامپیوتر دانشگاه نیویورک و رئیس آزمایشگاه Machine Learning for Good، مصاحبه کرده است، تا اطلاعات بیشتری در مورد این مدل جدید به دست آورد. در این نوشتار، بخش‌هایی از این مصاحبه را مرور می‌کنیم.

دنیل نیل: رویکرد ما از داده‌های بافتی مراجعین به اورژانس، یعنی دلیل اصلی مراجعه‌ بیمار استفاده می‌کند. این داده‌های بافتی نسبت به صرف نشانه‌های بیمار غنی‌تر هستند، چون علاوه بر نشانه‌هایی که بیمار تجربه می‌کند، محیط‌ها و عواملی را که اخیراً در آن‌ها حضور داشته است نیز نشان می‌دهد. با تشخیص الگوهای موجود در میان این داده‌های بافتی می‌توان شیوع بیماری‌های جدید را شناسایی کرد.

کیمبرلی آدامز: این الگوریتم را چطور می‌توان برای تشخیص همه‌گیری‌های جدید در ادارات بهداشت‌ و درمان به کار برد؟

نیل: در حالت ایده‌آل، ادارات بهداشت‌ودرمان این رویکرد را به‌ صورت روزانه به کار می‌برند، تا الگوریتم بتواند خوشه‌های گذشته را بررسی کند یا نشان دهد. به‌علاوه، مسئولین این حوزه می‌توانند برای پاسخگویی به هزاران مسئله‌ دیگری که هرروزه پیش روی خود می‌بینند نیز از این الگوریتم استفاده کنند. به‌عنوان‌مثال، می‌توان به قرارگرفتن در معرض دود یا ماده‌ شیمیایی خاص اشاره کرد یا خوشه‌ای از علائم مشابه که به‌خاطر استفاده از دارویی جدید مشاهده شده‌ است. به‌صورت‌کلی، هدف ارتقای آگاهی از تمام اتفاقات و الگوهای روزانه است.

آدامز: پس این‌طور که متوجه شدم، با کمک این مدل جدید یادگیری ماشینی، می‌توانیم شیوع بیماری‌هایی همچون بیماری تنفسی لژیونر را زودتر از قبل تشخیص دهیم؟

نیل: بله، درست است. بیماری لژیونر مثال خوبی از بیماری‌هایی است که علائم نادر دارند. البته این الگوریتم در مواردی که علائم جدید و بی‌سابقه مشاهده می‌شوند نیز کاربرد دارد. نکته این‌جاست که سیستم‌های فعلی سعی می‌کنند نشانه‌های جدید را در دسته‌ها و بیماری‌های شناخته‌شده جای دهند و به همین دلیل، از این واقعیت که امکان دارد بیماری جدیدی در میان جمعیت شیوع پیدا کرده باشد، غافل می‌شوند.

آدامز: اگر داده‌ها نقص داشته باشند یا افراد در مورد علائم‌شان حرفی نزنند، چه اتفاقی می‌افتد؟

نیل: یکی از محدودیت‌های سیستم همین است که به کیفیت، دسترسی‌‎پذیری و بازه‌ زمانی داده‌ها بستگی دارد. به‌عنوان‌مثال، اگر یکی از نواحی شهری داده‌های اورژانس را به‌موقع از بیمارستان‌های محلی‌اش دریافت نکند، توانایی‌اش در تشخیص و پاسخگویی به الگوهای جدید تحت‌تأثیر قرار می‌گیرد. از طرف دیگر، اگر مراجعه به اورژانس صورت نگیرد و افراد علائم‌شان را گزارش ندهند، منشأ بیماری همچنان ناشناخته باقی می‌ماند. البته باید این نکته را هم مدنظر داشت که منابع گوناگونی برای دسترسی به داده‌های مربوط به بهداشت‌ و درمان عمومی وجود دارند.

آدامز: طبق گزارشات، یکی از راهکارهایی که برای آزمایش این الگوریتم جدید به کار بردید، استفاده از داده‌های مراجعین بعد از طوفان سندی (نیویورک) بود. در مورد عملکرد الگوریتم در این آزمایشات کمی برایمان توضیح دهید.

نیل: ابتدا شاهد رشد خوشه‌هایی از موارد خاص در بخش‌های اورژانس شهر نیویورک بودیم. طی یک یا دو روز بعد از طوفان سندی، تقریباً همان چیزهایی را مشاهده کردیم که انتظارش را داشتیم، مثلاً شکستگی پا یا مشکلات تنفسی و سایر مسائلی که در نتیجه‌ طوفان ایجاد شده بودند. اما چند روز بعد، خوشه‌هایی از علائم را مشاهده کردیم که بیشتر شبیه به مشکلات روان‌شناختی بودند. مراجعان با علائمی شبیه به افسردگی و اضطراب به اورژانس می‌آمدند. مدتی بعد شاهد خوشه‌ای از موارد دیگر بودیم؛ عده‌ای برای دیالیز و نگهدارنده‌ متادون به اورژانس‌ها مراجعه می‌کردند. این موارد معمولاً چیزی نیستند که در بخش اورژانس به آن‌ها پرداخته شود؛ اما از آن‌جایی که کلینیک‌های سرپایی بسته بودند، مردم مجبور بودند به سراغ اورژانس بروند. به بیان خلاصه، آن‌چه مشاهده کردیم حاکی از افزایش متفاوت و بی‌سابقه‌ فشار وارده بر اورژانس‌ها بعد از بلایی طبیعی بود و اهمیت این اطلاعات آن‌جا بود که کادر درمان و پرسنل اورژانس‌ها آمادگی بیشتر و منابع لازم برای رسیدگی به بیماران را داشتند.

آدامز: استفاده از مدل جدید یادگیری ماشینی چه مزیتی نسبت به رویکردهای قبلی دارد؟

نیل: نکته‌ای که باید به آن‌ توجه داشته باشیم این است که در چنین بافتی، هوش مصنوعی به‌هیچ‌وجه جایگزین انسان‌ها نخواهد شد. سیستمی که ساخته‌ایم به متخصصان شیوع‌شناسی کمک می‌کند آگاهی بهتری نسبت به رویدادهای موجود در داده‌ها به دست آورند و الگوهایی را از دل آن‌ها استخراج کنند که در غیر این صورت، ممکن بود نادیده بگیرند. به بیان ساده‌تر، این الگوریتم داده‌های بی‌اهمیت را غربال می‌کند و از میان داده‌های پیچیده و فراوانی که باقی می‌مانند، آن‌چه واقعاً اهمیت دارد و باید مورد بررسی قرار بگیرد، نشان می‌دهد.