پیش‌بینی نتیجه بستری بیماران سالمند مبتلا به فراموشی در بیمارستان
تیم تحریریه- ۲۵ مهر ۱۴۰۱
پژوهشگران مؤسسه Houston Methodist از قابلیت‌های هوش مصنوعی استفاده کردند، تا نتیجه بستری بیماران سالمند مبتلا به فراموشی را پیش‌بینی کنند. ارزیابی زودهنگام خروجی به معنای اجرای مداخلات به موقع، افزایش هماهنگی خدمات درمانی، اختصاص منابع لازم، مدیریت و درمان هرچه‌بهتر این گروه آسیب‌پذیر است.
بیماران سالمند مبتلا به فراموشی مدت‌زمان بیشتری را در بیمارستان سپری می‌کنند و به همین دلیل، هزینه درمانشان افزایش می‌یابد. پژوهشگران سعی دارند، تا با شناسایی عوامل ریسک به کمک هوش مصنوعی، علاوه بر حل این مشکل، کیفیت زندگی این بیماران را نیز بهبود بخشیده و ریسک بستری مجددشان در بیمارستان را کاهش دهند.
این پژوهش در تاریخ 29 سپتامبر، معادل 7 مهرماه، به صورت آنلاین در ژورنال انجمن آلزایمر به نام Alzheimer’s and Dementia: Translational Research and Clinical Interventions، ارائه شد. پژوهشگران سوابق بیمارستانی مربوط به 8,407 بیمار سالمند مبتلا به فراموشی را که در بازه زمانی 10 ساله در سیستم Houston Methodist ثبت شده بود، مورد بررسی قرار دادند، تا عوامل ریسکی که خروجی بستری در بیمارستان را تضعیف می‌کنند، شناسایی نمایند؛ بیماران حاضر در این مطالعه به انواع فراموشی، ناشی از آلزایمر، پارکینسون، فراموشی عروقی و هانتینگتون، مبتلا بودند.
پژوهشگران بر اساس این داده‌ها یک مدل یادگیری ماشینی ساختند که می‌تواند به سرعت و در بدو بستری بیماران، عوامل ریسک خروجی غیرقابل‌قبول درمانشان در بیمارستان را به ترتیب اهمیت تعیین کند.
این مدل، با دقت 6/95 درصد، از سایر روش‌های ارزیابی ریسک فراموشی پیشی گرفت. به گفته پژوهشگران، تا به حال هیچ روشی از هوش مصنوعی استفاده نکرده است، تا خروجی بستری بیماران سالمند مبتلا به فراموشی را بدین صورت پیش‌بینی کند یا عوامل ریسکی را تشخیص دهد که می‌توان با اقدامات پیشگیرانه مناسب از میان برداشت.
اوگین سی‌لای، مدیر تحقیقات و درمان پارکینسون دپارتمان نورولوژی استنلی اچ‌اپل، توضیح می‌دهد: «مطالعات ما نشان داد که اگر در بدو ورود بیماران سالمند مبتلا به فراموشی به بیمارستان، عوامل ریسک را تعیین کنیم، می‌توانیم مداخلات مناسب را هرچه زودتر آغاز کنیم. با از میان برداشتن عوامل ریسک قادر خواهیم بود خروجی درمان را ارتقاء داده و زمان بستری را کوتاه‌تر کنیم.»
نتیجه بستری بیماران سالمند مبتلا به فراموشی
لای که به عنوان متخصص نورولوژی، تجربه کار با این بیماران را دارد، اکنون به دنبال راه‌های جدید برای مدیریت و ارزیابی بهتر بستری و درمانشان در بیمارستان است، تا کیفیت زندگی این گروه را ارتقاء دهد. در این پروژه، لای با استفن تی‌سی‌وانگ، متخصص بیوانفورماتیک و رئیس مرکز مطالعات مغز Houston Methodist، همکاری داشته است؛ دسترسی وانگ به دیتاست بزرگ بیماران Houston Methodist به پژوهشگران اجازه داد، تا از هوش مصنوعی برای تحلیل حجم بزرگی داده استفاده کنند.
در نهایت، نتیجه بستری بیماران سالمند مبتلا به فراموشی، این‌گونه شد که مدل توانست عوامل ریسک انواع فراموشی را تشخیص دهد و آن دسته از عواملی را که قابل تغییر هستند، شناسایی کند. برجسته‌ترین عوامل شناسایی‌شده عبارت‌اند از: انسفالوپاتی، سایر مشکلات سلامتی هنگام پذیرش، مشکل فشارخون، عفونت ادراری، افتادن، دلیل پذیرش، سن، نژاد و کم‌خونی.
پژوهشگران قصد دارند، تا با اجرای اقدامات اصلاحی، مداخلات بالینی را به سمت کاهش این خروجی‌های منفی هدایت کنند. وانگ معتقد است که کاربرد قابلیت‌های هوش مصنوعی برای تدوین و پیاده‌سازی رویه‌های درمانی هوشمند، راهبرد جدیدی است که علاوه بر ارتقای خروجی فرایند و بهبود تجارب بیماران، هزینه بستری در بیمارستان را نیز کاهش می‌دهد.
وانگ اضافه می‌کند: «در گام بعدی، سعی داریم مدل هوش مصنوعی را بعد از اعتبارسنجی در قالب نرم‌افزار موبایل اجرا کنیم، تا کارکنان بیمارستان‌ها آگاهی بیشتری نسبت به بیماران سالمند مبتلا به فراموشی به دست آورند، به‌ویژه گروه‌هایی که در معرض ریسک خروجی‌های منفی قرار دارند. به علاوه، به درمانگران کمک می‌کنیم، تا با اقدامات لازم، این ریسک‌ها را کاهش دهند.»
جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید
