توسعه ابزار هوش مصنوعی برای شخصسازی مسیر بهبودی بیماران پس از سکته قلبی
پژوهشگران دانشگاه ساری در انگلیس، ابزار جدیدی مبتنی بر هوش مصنوعی توسعه دادهاند که با تحلیل سوابق پزشکی، سه الگوی متفاوت از روند سلامت بیماران پس از سکته قلبی را شناسایی میکند. این فناوری میتواند در آینده به شخصیسازی مراقبتهای پزشکی و شناسایی بیماران پرخطر کمک کند.
به گزارش مدرن مد به نقل از digitalhealthnews، پژوهشگران دانشگاه ساری (University of Surrey) با استفاده از روشهای یادگیری ماشین زمانی (Temporal Machine Learning) توانستهاند الگوهای متفاوتی را که ممکن است پس از وقوع سکته قلبی در وضعیت سلامت بیماران شکل بگیرد، شناسایی و پیشبینی کنند.
در این مطالعه، سوابق پزشکی ۱۲ هزار و ۷۰۱ نفر از شرکتکنندگان بانک زیستی بریتانیا (UK Biobank) که دچار سکته قلبی حاد شده بودند، مورد بررسی قرار گرفت. پژوهشگران توالی و زمانبندی تشخیص بیماریهای مختلف پس از وقوع سکته قلبی را طی پنج سال دنبال کردند. نتایج نشان داد که بیماران را میتوان در سه مسیر اصلی سلامت دستهبندی کرد.
گروه نخست که ۶۳ درصد از شرکتکنندگان را شامل میشد، عمدتاً با ابتلا به بیماریهای قلبیـمتابولیک از جمله فشار خون بالا، دیابت نوع ۲ و اختلال چربی خون مواجه شدند. این گروه همچنین دورههایی از عوارض قلبی و تنفسی را تجربه کردند.
گروه دوم، شامل ۲۳ درصد از بیماران، با خطرات مرتبط با مصرف سیگار ارتباط بیشتری داشت. وضعیت سلامت این افراد با مشکلاتی در ریهها، سیستم اسکلتیـعضلانی و سایر اندامها همراه بود.
گروه سوم که ۱۴ درصد از شرکتکنندگان را تشکیل میداد، بیشتر با بیماریهای ساختاری قلب، اختلالات ریتم قلب و مشکلات کلیوی مواجه شدند.
تفاوت میان این سه مسیر در میزان مرگومیر نیز قابل توجه بود. میزان مرگومیر در گروه مرتبط با عوامل ناشی از مصرف سیگار به ۴۴ درصد رسید؛ رقمی که بیش از سه برابر میزان مرگومیر در بزرگترین گروه، یعنی گروه مبتلا به بیماریهای قلبیـمتابولیک، بود.
بر اساس یافتههای پژوهش، بیماریهای تنفسی، سن بالاتر و سطح بالاتر محرومیت اجتماعی و اقتصادی از مهمترین عواملی بودند که با پرخطرترین مسیر سلامت ارتباط داشتند.
دکتر آنتونی اونویا، نویسنده اصلی این مطالعه و پژوهشگر دانشگاه ساری، گفت: «ما دریافتیم که میتوان در همان زمان وقوع سکته قلبی، با استفاده از تشخیصهای پزشکی پیشین و اطلاعات جمعیتشناختی بیمار، مسیر احتمالی سلامت او را پیشبینی کرد. ابزار هوش مصنوعی ما در شناسایی و پیشبینی گروه پرخطر عملکرد بسیار مؤثری داشت؛ گروهی که بیماریهای تنفسی، سن بالاتر و سطح بالاتر محرومیت اجتماعی و اقتصادی از مهمترین عوامل پیشبینیکننده آن بودند.»
او افزود: «رویکرد ما امیدوارکننده است، اما هنوز در مراحل ابتدایی این مسیر قرار داریم. معتقدیم در آینده این فناوری میتواند به بیمارستانها کمک کند افرادی را که در معرض این مسیرهای پرخطر قرار دارند، در مراحل اولیه شناسایی کرده و مراقبتهای متناسب با شرایط هر فرد برای آنها طراحی کنند.»
پژوهشگران همچنین نتایج بهدستآمده از مدل هوش مصنوعی را با ابزارهای استاندارد ارزیابی خطر بالینی، از جمله امتیاز SMART، مقایسه کردند.
پروفسور نوفر گایفمن، نویسنده ارشد این مطالعه از دانشگاه ساری، در این باره گفت: «پزشکان معمولاً از ابزارهای ارزیابی خطر، مانند امتیاز SMART، برای برآورد احتمال وقوع مجدد حوادث قلبی در بیماران استفاده میکنند. یافتههای ما نشان داد که این ابزارها همچنان قویترین پیشبینیکننده منفرد مرگومیر در مطالعه ما هستند؛ با این حال، شناسایی مسیرهای مختلف سلامت جزئیاتی را در اختیار ما قرار میدهد که یک امتیاز مستقل نمیتواند ارائه کند.»
وی ادامه داد: «الگوهایی که شناسایی کردهایم نشان میدهند که میتوانیم فراتر از صرفاً تعیین میزان خطر بیمار عمل کنیم و مهمتر از آن، مشخص کنیم که چرا و در چه حوزهای ممکن است نیاز به مداخله وجود داشته باشد.»
با وجود نتایج امیدوارکننده، این فناوری همچنان در مرحله پژوهشی اولیه قرار دارد و پیش از استفاده معمول در محیطهای بالینی، باید در جمعیتهای مختلف و نظامهای سلامت متفاوت مورد اعتبارسنجی و ارزیابی قرار گیرد.
جمعبندی
یافتههای این پژوهش نشان میدهد که هوش مصنوعی میتواند با تحلیل سوابق پزشکی و شناسایی الگوهای زمانی بیماریها، تصویری دقیقتر از مسیر احتمالی سلامت بیماران پس از سکته قلبی ارائه دهد. پژوهشگران امیدوارند چنین فناوریهایی در آینده به تشخیص زودهنگام بیماران پرخطر، تخصیص هدفمند منابع درمانی و ارائه مراقبتهای شخصیسازیشده کمک کنند
