استفاده از هوش مصنوعی برای پیشبینی وخامت حال بیماران
«مایکل اسپیدر» استاد دانشگاه و متخصص اطفال از بهکارگیری هوش مصنوعی و یادگیری ماشین برای شناسایی زودهنگام رویدادهای بالقوه فاجعهبار در بیماران بستری خبر داد و اعلام کرد تحلیل دادههای پایش مداوم بالینی میتواند نسبت به روشهای سنتی، هشدارهای دقیقتری ارائه دهد.
به گزارشمدرن مد به نقل از MobiHealthNews، دکتر «مایکل اسپیدر»، استاد گروه کودکان در University of Virginia، در آستانه برگزاری نشست سالانه HIMSS در سال ۲۰۲۶، جزئیاتی از سخنرانی پیشروی خود را تشریح کرد.
او قرار است در کنفرانس جهانی سلامت HIMSS26 که در ماه مارس در لاسوگاس برگزار میشود، درباره چگونگی استفاده از تحلیل مبتنی بر هوش مصنوعی بر دادههای پایش مداوم قلبی-تنفسی بیماران در کنار تخت، برای شناسایی زودهنگام وخامت تدریجی اما خطرناک وضعیت سلامت سخنرانی کند.
برتری دادههای لحظهای بر پروندههای سنتی
اسپیدر با اشاره به تفاوت میان دادههای لحظهای فیزیولوژیک و اطلاعات ثبتشده در پرونده الکترونیک سلامت گفت: «دادههای پایش مستمر، امکان ارائه بینشهای پیشبینانه را فراهم میکند، در حالی که دادههای موجود در پروندههای الکترونیک عمدتاً بازتابدهنده وضعیت گذشته بیمار هستند.»
به گفته او، استفاده از دادههای بلادرنگ فیزیولوژیک، مزیتی حیاتی در تشخیص زودهنگام رویدادهای حاد ایجاد میکند و میتواند تصمیمگیری در مراقبتهای حاد را بهبود بخشد.
چالش «آخرین مایل» در پیادهسازی مدلهای پیشبینی
این استاد دانشگاه در پاسخ به این پرسش که چرا بسیاری از مدلهای پیشبینی به مرحله کاربرد بالینی واقعی نمیرسند، اظهار داشت: «طراحی یک الگوریتم جدید تنها بخشی از راهحل است و ادغام نتایج آن در جریان کاری بالینی، نیازمند همکاری همه ذینفعان است تا اطلاعات معنادار در زمان مناسب در اختیار تیم درمان قرار گیرد.»
او افزود بسیاری از مراکز درمانی هنوز زیرساخت جامع تحلیل پیشبینانه را که امکان جمعآوری ایمن و مقیاسپذیر دادههای زنده و اجرای همزمان الگوریتمها در محیط بلادرنگ را فراهم کند، ایجاد نکردهاند. به گفته اسپیدر، دسترسی به دادههای پراکنده، اجرای مدلها در مقیاس وسیع و انتقال نتایج به کنار تخت بیمار، از جمله چالشهایی است که به «مسئله آخرین مایل» معروف شده و باید از ابتدا در طراحی راهکار مدنظر قرار گیرد.
ضرورت راهبرد چندرشتهای
اسپیدر تأکید کرد تحلیلهای پیشبینانه مبتنی بر یادگیری ماشین در صورت طراحی صحیح، میتوانند در بازههای زمانی مختلف و در مراکز درمانی گوناگون توسعه یابند و به بهبود معنادار پیامدهای بیماران منجر شوند.
با این حال، او خاطرنشان کرد موفقیت این فناوریها صرفاً به کیفیت الگوریتمها وابسته نیست و نیازمند راهبردی پویا برای ادغام بالینی، همکاری میانرشتهای و زیرساخت قدرتمند سلامت دیجیتال است.
سخنرانی اسپیدر با عنوان «وقتی ریسک قابل مشاهده میشود: چگونه مدلهای پیشبینی میتوانند مراقبت را متحول کنند» روز ۱۰ مارس در چارچوب کنفرانس HIMSS26 در لاسوگاس برگزار خواهد شد.
