Filter by دسته‌ها
آموزش هوش مصنوعی و انواع آن
آموزش‌های پایه‌ای هوش مصنوعی
اصول هوش مصنوعی
پایتون و ابزارهای یادگیری عمیق
کتابخانه‌ های یادگیری عمیق
یادگیری با نظارت
یادگیری بدون نظارت
یادگیری تقویتی
یادگیری عمیق
یادگیری نیمه نظارتی
آموزش‌های پیشرفته هوش مصنوعی
بینایی ماشین
پردازش زبان طبیعی
پردازش گفتار
چالش‌های عملیاتی
داده کاوی و بیگ دیتا
رایانش ابری و HPC
سیستم‌‌های امبدد
علوم شناختی
دیتاست
اخبار
رسانه‌ها
آموزش پردازش زبان طبیعی
آموزش علوم داده
اینفوگرافیک
پادکست
ویدیو
رویدادها
کاربردهای هوش مصنوعی
کسب‌و‌کار
تحلیل بازارهای هوش مصنوعی
کارآفرینی
هوش مصنوعی در ایران
هوش مصنوعی در جهان
 روشی خودکار برای مطالعه پرونده های الکترونیک سلامت

روشی خودکار برای مطالعه پرونده های الکترونیک سلامت

دانشمندان روشی خودکار برای مطالعه پرونده های الکترونیک سلامت ایجاد کرده‌اند که حجم کار افراد را کاهش می‌دهد. پژوهش‌ها نشان می‌دهد که این روش جدید در طبقه‌بندی تشخیص بیماری‌ها به اندازه روش مبتنی بر کار دستی «استاندارد طلایی» کارآمد است.

الگوریتمی جدید، خودکار و مبتنی بر هوش مصنوعی، می‌تواند یاد بگیرد که داده‌های بیمار در پرونده های الکترونیک سلامت را بخواند. دانشمندان دانشکده پزشکی آیکانِ مونت ساینای در مقاله‌ای که در ژورنال Patterns منتشر کردند، درباره ایجاد الگوریتمی جدید، خودکار و مبتنی بر هوش مصنوعی، توضیح داده‌اند. این الگوریتم می‌تواند خواندنِ داده‌های بیمار در پرونده های الکترونیک سلامت را یاد بگیرد. این دانشمندان با مقایسه دو رویکرد، نشان دادند که روش جدید با نام Phe2vec (FEE-to-vek) با دقتی مشابه با روش سنتی «معیار طلایی»، بیماران مبتلا به بیماری‌های خاص را شناسایی می‌کند و این در حالی است که انجام روش سنتی، کار دستی بیشتری نیاز دارد.

[irp posts=”16245″]

دکتر بنجامین ای.گلیکسبرگ ، استادیار علوم ژنتیکی و ژنومی، یکی از اعضای مؤسسه سلامت دیجیتال هاسو پلاتنر در مونت ساینای و از نویسندگان ارشد مقاله، می‌گوید: «مقدار و نوع داده‌های الکترونی ثبت‌شده در پرونده سلامت بیماران رو به افزایشی چشمگیر است. نظم دادن به این شبکه پیچیده از داده‌ها می‌تواند کاری طاقت‌فرسا باشد و بنابراین سرعت پیشرفتِ پژوهش‌های بالینی را کم کند. در این پژوهش، ما روش جدیدی برای داده‌کاوی پرونده‌های سلامت با استفاده از یادگیری ماشین، ایجاد کردیم که سریع‌تر و نیازمند کار کمتری نسبت به استاندارد این حوزه است. ما امیدواریم که این ابزار، تبدیل به وسیله‌ای ارزشمند شود که مطالعه اطلاعات بالینی را آسان‌تر و میزان سوگیری در آن را کمتر کند.»

این پژوهش به سرپرستی جسیکا کی. دفریتاس ، دانشجوی ارشد آزمایشگاه دکتر گلیکسبرگ انجام شد.

استخراج اطلاعات از پرونده های پزشکی

درحال‌حاضر، دانشمندان برای استخراج اطلاعات تازه از پرونده‌های پزشکی، به مجموعه‌ای از نرم‌افزارهای کامپیوتری یا الگوریتم‌های تثبیت‌شده متکی هستند. توسعه و ذخیره‌سازی این الگوریتم‌ها از طریق سیستمی به نامPhenotype Knowledgebase (PheKB) مدیریت می‌شود. با اینکه این سیستم در تشخیص صحیح بیماری، بسیار کارآمد است، اما فرایند توسعه الگوریتم، می‌تواند بسیار زمانبر و نامنعطف باشد.

محققان برای مطالعه بیماری در ابتدا طیف وسیعی از سوابق پزشکی مثل آزمایش‌های پزشکی خاص یا نسخه‌های منحصر به بیماری را جست‌وجو می‌کنند. سپس باید الگوریتمی بنویسند که کامپیوتر را وادار کند، به دنبال بیمارانی بگردد که داده‌های مربوط به بیماری را دارند. این فهرست بیماران یک فنوتیپ را تشکیل می‌دهد. در گام بعدی، محققان فهرست بیماران شناسایی‌شده با کامپیوتر را به صورت دستی بررسی می‌کنند. هر بار که پژوهشگران می‌خواهند بیماری جدیدی را مطالعه کنند، باید از ابتدا این فرایند را شروع کنند.

[irp posts=”15433″]

در پژوهش حاضر، پژوهشگران رویکرد متفاوتی را امتحان کردند که بر اساس آن، کامپیوتر به صورت خودکار یاد می‌گیرد که چگونه فنوتیپ‌های بیماری را شناسایی کند و بدین ترتیب در زمان و انرژی محققان، صرفه‌جویی می‌شود. این روش جدید با نام Phe2vec مبتنی بر مطالعاتی است که این گروه پژوهشی به تازگی انجام داده‌اند.

دکتر ریکاردو میوتو ، استادیار سابق HPIMS و یکی از نویسندگان ارشد این مقاله می‌گوید: «ما قبلاً نشان دادیم که یادگیری غیرنظارتی ماشین می‌تواند روشی کارآمد و مؤثر برای استخراج سوابق الکترونیکی سلامت باشد. مزیت بالقوِه رویکرد ما در این است که بازنمایی‌های بیماری‌ها را از روی خودِ داده می‌آموزد. بنابراین، درحال‌حاضر، ماشین، بسیاری از کارهایی را انجام می‌دهد که در حالت عادی، کارشناسان آن‌ها را انجام می‌دادند؛ کارهایی مثل مشخص کردن مجموعه‌داده‌هایی که به بهترین نحو یک بیماری خاص را توصیف می‌کردند.»

الگوریتم‌های تعبیه‌سازی

اساساً یک کامپیوتر به گونه‌ای برنامه‌نویسی‌شده بود، تا میلیون‌ها پرونده سلامت الکترونیک را جست‌وجو کند و یاد بگیرد که ارتباط‌های بین داده‌ها و بیماری‌ها را پیدا کند. این برنامه‌نویسی مبتنی بر الگوریتم‌های «تعبیه‌سازی» بود که قبلاً از سوی پژوهشگران دیگر مانند زبان‌شناسان به منظور مطالعه شبکه‌های واژگانی در زبان‌های گوناگون، ایجاد شده بودند. یکی از الگوریتم‌ها به نام word2vec بسیار مؤثر بود. سپس کامپیوتر به صورتی برنامه‌نویسی شد که بتواند از آنچه یاد گرفته است، برای تعیین بیماریِ تشخیص‌داده‌شده برای نزدیک به 2 میلیون بیمار که داده‌هایشان در سیستم بهداشتی مونت ساینای ذخیره شده بود، استفاده کند.

در نهایت، پژوهشگران کارآمدی سیستم جدید و قدیمی را با هم مقایسه کردند. آن‌ها دریافتند که سیستم جدید Phe2vec در تعیین درست تشخیص‌ها از روی پرونده‌های سلامت الکترونیک، برای نه‌دهم بیماری‌های آزمایش‌شده، کارایی برابر یا کمی بهتر از فرایند طبقه‌بندی استاندارد طلایی دارد. برخی از بیماری‌های آزمایش‌شده، شامل زوال عقل، تصلب پراکنده و کم‌خونی داسی‌شکل بودند.

[irp posts=”14414″]

دکتر گلیکسبرگ اظهار داشت: «به صورت کلی، یافته‌های ما امیدوارکننده هستند و به نظر می‌رسد که Phe2vec روشی پرآتیه برای طبقه‌بندی بیماری‌ها در مقیاس بزرگ از روی داده‌های پرونده های الکترونیک سلامت است. ما امیدواریم که با آزمایش‌ها و اصلاحات بیشتر بتوانیم از این روش برای خودکار کردن بسیاری از مراحل ابتدایی مطالعات انفورماتیک بالینی استفاده کنیم و این‌گونه برای دانشمندان این امکان را ایجاد کنیم که تلاش‌هایشان را بر روی تحلیل‌های پایین‌دستی مانند مدل‌سازی پیشگویانه، متمرکز کنند.»

این پژوهش با حمایت‌های بنیاد هاسو پلاتنر، بنیاد کشف داروی آلزایمر و یک واحد پردازش گرافیکی اهدایی از طرف بنگاه NVIDIA انجام شد.

به نظر شما خدمات هوش مصنوعی در کدام زمینه‌ها جای پیشرفت بیشتری دارد؟

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

میانگین امتیاز / 5. تعداد ارا :

مطالب پیشنهادی مرتبط

اشتراک در
اطلاع از
0 نظرات
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
لطفاً برای تکمیل این فرم، جاوا اسکریپت را در مرورگر خود فعال کنید.