احتمال فوت بیماران
آموزش‌های پیشرفته هوش مصنوعیداده کاوی و بیگ دیتاکاربردهای هوش مصنوعی

استفاده از مدل یادگیری ماشین برای پیش‌بینی احتمال فوت بیماران ICU

    1
    مدت زمان مطالعه: ۳ دقیقه

    تیمی پژوهشی متشکل از محققان دپارتمان ریاضی دانشگاه UAB به سرپرستی رزاریو دلگادو ، با همکاری بیمارستان دوماتارو ، موفق به ساخت مدل یادگیری ماشین جدیدی شدند که می‌تواند احتمال فوت بیماران بستری در بخش ICU را بر اساس مشخصات‌شان پیش‌بینی کند. پژوهش مذکور به عنوان مقاله‌ای «راهبردی »، در آخرین نسخه‌ی ژورنال «کاربرد هوش مصنوعی در پزشکی » چاپ شد.

    مدل‌های یادگیری ماشینی که در چارچوب هوش مصنوعی ساخته می‌شوند قابلیت این را دارند تا بر اساس اطلاعات حاصل از داده‌های تاریخچه‌ای، دانش به دست آورده و در صورت رویارویی با اطلاعات جدید، به صورت خودکار این دانش را به روزرسانی کنند. یکی از چالش‌های حال حاضر، تولید مدل‌هایی است که قادر به ارائه‌ی پیش‌بینی‌هایی شخصی‌سازی شده باشند.

    به عنوان یکی از مهم‌ترین و مفیدترین حوزه‌های کاربرد هوش مصنوعی می‌توان به نقش آن در تصمیم‌گیری‌هایی اشاره کرد که مربوط به مراقبت‌های درمانی و مداخلات لازم برای بیماران بستری در بخش ICU هستند. این تصمیم‌گیری پیچیده و پرریسک به اختلاف/توافق نظر متخصصان بستگی دارد، نظراتی که عمدتاً مبتنی بر تجارب و غریزه‌ی آنهاست.

    به همین دلیل، به هدف بهبود سطح کیفیت مراقبت‌های بخش ICU، نیاز به تدوین پروتکل‌هایی است که مبتنی بر داده‌های عینی بوده و احتمال فوت بیماران را به دقت بر اساس مشخصات‌شان پیش‌بینی کنند. اینجاست که ابزارهای یادگیری ماشین می‌توانند برای متخصصان پزشکی بسیار سودمند باشند.

    احتمال فوت بیماران

    پیش‌بینی احتمال فوت بیماران با مدل یادگیری ماشین

    تیم پژوهشی دپارتمان ریاضی دانشگاه UAB به سرپرستی رزاریو دلگادو، با همکاری دکتر یوان کارلوس یبنز (سرپرست بخش ICU بیمارستان دوماتارو)، انجل لاوادو (سخنران افتخاری UAB از واحد مدیریت اطلاعات واحد سلامت مارسم ) و خوزه داوید نونز-گنزالز (دانشجوی دکتری دپارتمان ریاضی UBA)، با تکیه بر ابزارهای یادگیری ماشین موفق به ساخت مدلی شدند که احتمال فوت بیماران بستری در بخش ICU را پیش‌بینی می‌کند.

    مبنای کار این مدل، دیتابیسی واقعی است که در اعتبارسنجی مدل نیز به کار رفته است. این مدل می‌تواند مرگ و میر زودتر از موعد را پیش‌بینی کرده و در اتخاذ تصمیمات کارآمدتر (در مورد بیماران با ریسک بالا) به کارکنان حوزه‌ی بهداشت و درمان کمک کند. مدل مذکور، کارآمدی درمان‌های جدید را ارزیابی کرده و تغییرات به وجود آمده در اقدامات بالینی را تشخیص می‌دهد.
    ساخت این مدل مصداق بارز پیشرفت و پشت سر گذاشتن رویکردهای سنتی است.

    APACHE (فیزیولژی حاد و ارزیابی سلامت مزمن ) پرسشنامه‌ای پرکاربرد است که بر اساس شاخص‌های مختلف، وضعیت سلامت افراد را ارزیابی می‌کند. نتایج مدل جدید با نتایجی که مقیاس APACHE از احتمال فوت بیماران پیش‌بینی می‌کند، هم‌راستاست.

    رگرسیون لوجستیک

    این مدل از رگرسیون لوجیستیک برآورد شده ‌ای استفاده می‌کند که روی بیماران قبلی اعتبارسنجی شده است. محققان به صورت تجربی نشان داده‌اند که مدل جدید بر نقاط ضعف رویکردهای قدیمی غلبه کرده و با دستیابی به نتایجی قابل قبول، جایگزین خوبی برای آن‌ها به شمار می‌رود.

    این مدل پیش‌بین خودآموز، نسبت به بیماری‌ها و خطرات موجود، به پزشکان و کادر درمان پیش‌آگاهی می‌دهد. مدل مذکور یک مجموعه کلسیفایر بیزی دارد که برچسب «پیش‌آگاهی زندگی » (زنده ماندن یا مردن) را به هر کدام از افراد اختصاص می‌دهند. این فرآیند بر اساس ویژگی‌هایی همچون اطلاعات جمعیت‌شناختی، جنسیت، سن، شاخص همبودی چارلسون ، اصلیت، دلیل بستری، وجود یا عدم عفونت، میزان تشدید مشکل در ۲۴ ساعت اولیه‌ی پس از بستری، و نمره‌ی APACHE II بیمار انجام می‌گیرد.

    محققان پیش‌بینی‌های هر یک از کلسیفایرها را با هم ترکیب کرده (به نحوی که پیش‌بینی‌های درست برخی از پیش‌بینی‌های اشتباه را جبران کنند) و عدم توازن موجود (نسبت کم بودن تعداد فوتی‌های ICU به بیماران بهبودیافته) را مدنظر قرار دادند تا توان پیش‌بینی مدل را بهبود ببخشند. این مدل علاوه بر دلیل فوت بیماران پرریسک، خروجی درمان برای بیماران کم‌ریسک را هم پیش‌بینی می‌کند. این نوع مدل‌ها را به عنوان مدل پیش‌بین سلسله‌مراتبی می‌شناسند، چون در دو مرحله پیش‌بینی انجام می‌دهند.

    بررسی عملکرد مدل

    به گفته‌ دکتر رزاریو دلگادو: «این مدل تشخیص‌گذار که از نوع پیش‌بین سلسله‌مراتبی است، عملکرد خوبی از خود نشان داده است. این مدل علاوه بر پیش‌بینی می‌تواند آن دسته از ویژگی‌های بیمار را که نقش مهمی در تصمیم‌گیری کادر درمان دارند را شناسایی و بررسی کند. این ویژگی‌ها در ارزیابی احتمال فوت بیمار، به عنوان عوامل ریسک در نظر گرفته می‌شوند. علاوه بر این‌ها، با تکیه بر نتایج این مدل، امکان مقایسه‌ی ICU بیمارستان‌های مختلف نیز فراهم می‌شود؛ امری که می‌تواند در پژوهش‌های طولی، به منظور تجزیه و تحلیل اثرگذاری پروتکل‌های اجراشده در برخی از ICUها و روند بهبود بیماران در این بخش‌ها، به کار رود.»

    دلگادو در جمع‌بندی گفته‌های خود می‌گوید: «این فناوری، راهکاری مفید و امیدوارکننده است و از همان ابتدای بستری بیمار، به اقدامات بالینی کمک شایانی می‌کند. به عنوان مثال، مدل ما به پزشک‌ها کمک می‌کند تصمیماتی بگیرند که منحصراً متناسب با شرایط آن بیمار خاص هستند. علاوه بر این، مقامات و مسئولان حوزه‌ی بهداشت و درمان نیز با بهره‌گیری از این مدل می‌توانند منابع موجود را بهتر مدیریت کنند.»

    انواع کاربردهای هوش مصنوعی در صنایع مختلف را در هوشیو بخوانید

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۰ میانگین: ۰]

    حلزون دریایی، الهام‌بخش سخت‌افزارهای هوش مصنوعی

    مقاله قبلی

    آشنایی مقدماتی با انواع دیتاست بینایی کامپیوتری در ۵ گام

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    1 اظهار نظر

    1. این مدل تو دوران کرونا می تونه حسابی به بیمارستان ها و دکترا کمک کنه

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *