استفاده از یادگیری ماشین برای بهبود بیمار


هوش مصنوعی 

استفاده از یادگیری ماشین برای بهبود بیمار

یکی از روش های مراقبت امروزی بیماران در دنیای الکترونیک استفاده از ماشین لرنینگ که از آن به عنوان یادگیری ماشین یاد می شود و بکار گیری این شاخه از هوش مصنوعی می باشد که کمتر با خطاهای انسانی مواجه بوده همچنین کمک شایانی به دنیای پزشکی کرده و کارها را تسریع می بخشد.

پزشکان اغلب توسط سیگنال ها، نتایج آزمایش و معیارهای دیگر سردرگم می شوند. جمع آوری و نظارت تمام این داده ها برای چندین بیمار هنگامی که داده ها به صورت غیر مستقیم در بیمارستان ها مستند می شود، تصمیم گیری را دشوار می کند.

در دو مقاله جدید، محققان از علوم کامپیوتر دانشگاه MIT ( موسسه فناوری ماساچوست ) و آزمایشگاه هوش مصنوعی (CSAIL) راه های رایانه ای را برای درک تصمیمات پزشکان پیشنهاد می کنند.

یک تیم رویکرد یادگیری ماشین را به نام “ICU Intervene” ایجاد کرد که مقدار زیادی از داده های مراقبت های ویژه (ICU) از حیوانات و آزمایشگاه ها را به یادداشت ها و جمعیت شناسی می رساند تا مشخص شود چه نوع درمان برای علائم مختلف مورد نیاز است. این سیستم برای پیش بینی زمان واقعی از یادگیری عمیق (Machine Learning)، یادگیری از موارد گذشته ICU برای پیشنهادات بهتر برای مراقبت های حیاتی و همچنین توضیح استدلال در پی این تصمیمات، استفاده می کند.

این سیستم کمکی بالقوه برای پزشکان ICU است که محیطی پر طرفدار و پر استرس می باشد. Harini Suresh دانشجوی دکترا و نویسنده اصلی راجع به ICU Intervene می گوید :

هدف استفاده از سوابق پزشکی و اهرم داده ها برای پیش بینی مداخلات عملی و بهبود مراقبت های بهداشتی می باشد.تیم دیگری یک رویکرد به نام “انتقال مدل EHR” را توسعه داده است که علی رغم آموزش داده ها از یک سیستم EHR متفاوت، می تواند کاربرد مدل های پیش بینی شده بر روی یک سیستم ثبت الکترونیکی سلامت (EHR) را تسهیل کند.

به طور خاص، با استفاده از این رویکرد، تیم نشان داد که مدل های پیش بینی شده برای مرگ و میر و طول عمر طولانی می تواند بر روی یک سیستم EHR آموزش داده شود و برای پیش بینی در دیگری استفاده شود.

ICU Intervene توسط Suresh، دانشجوی کارشناسی ناتان هانت، پس از مدرک آلیستر جانسون، محقق لئو آنتونی سلی، استاد پرفسور پیتر سولوویتس، و دانشجوی دکترای دکتر مرضیه قاسمی، توسعه یافته است، که این  ماه (سال 2017) در کنفرانس Machine Learning for Healthcare در بوستون ارائه شد.

EHR Model Transfer توسط نویسندگان اصلی جون گونگ و تریستان Naumann، هم دانشجویان دکترا در CSAIL، هم Szolovits و جان Guttag، که در Dugald C

می باشد توسعه یافت. jackson استاد مهندسی برق می باشد. این مدل در گروه ویژه ای از ACM در زمینه کشف دانش و داده کاوی در هالیفاکس کانادا ارائه شد.

هر دو مدل با استفاده از داده ها از پایگاه داده مراقبت های حیاتی MIMIC، که شامل اطلاعات شناسایی نشده از حدود 40،000 بیمار مراقبت های حیاتی است، توسط MIT آزمایشگاه فیزیولوژی محاسباتی توسعه داده شد.

مداخله ICU

داده های یکپارچه اطلاعات ICU برای خودکار سازی روند پیش بینی نتایج سلامت بیماران حیاتی است. Suresh می گوید:

بسیاری از کارهای قبلی در تصمیم گیری بالینی بر نتایجی نظیر مرگ و میر (احتمال مرگ) متمرکز شده است، در حالی که این کار درمان های عملی را پیش بینی کرده است. علاوه بر این، سیستم قادر به استفاده از یک مدل واحد برای پیش بینی بیشتر نتایج است. ICU Intervene بر پیش بینی ساعتی از پنج مداخله مختلف متمرکز است که طیف وسیعی از نیازهای مراقبت های حیاتی مانند پشتیبانی تنفسی، بهبود عملکرد قلبی عروقی، کاهش فشار خون و مایع درمانی را پوشش می دهد.

هر ساعت، سیستم از مقادیری که نشان دهنده نشانه های حیاتی، همچنین یادداشت های بالینی و سایر نقاط داده دارای ارزش را استخراج می کند. همه داده ها با مقادیر نمایش داده می شود که نشان دهد دور از حد متوسط بیماری نیست ( تا بعد از درمان بیشتر مورد ارزیابی قرار گیرد ).

مهمتر از همه، ICU Intervene می تواند پیش بینی های زیادی را در آینده ایجاد کند. برای مثال، این مدل می تواند پیش بینی کند که یک بیمار بعد از شش ساعت، 30 دقیقه یا یک ساعت نیاز به دستگاه تهویه ( تنفس مصنوعی ) خواهد داشت.

این تیم همچنین تمرکز خود را بر ارائه استدلال برای پیش بینی های مدل، به بینش بیشتر  پزشکان متمرکز کرده است.

Nigam Shah، استادیار پزشکی در دانشگاه استنفورد که در این مقاله دخالت نکرد، می گوید: “مدل های پیش بینی عمیق مبتنی بر شبکه عصبی در پزشکی اغلب به دلیل ماهیت جعبه سیاه آنها مورد انتقاد قرار می گیرند.”

با این حال، این نویسندگان قادر به  پیش بینی شروع و پایان مداخلات پزشکی با دقت بالا و ارائه تفسیری برای پیش بینی هایی که انجام می دهند، می باشند.

این تیم متوجه شد که این سیستم در پیشبینی مداخلات پیش از انجام کارهای پیشین و در پیش بینی نیاز به داروهای مخدر، داروهایی که عروق خونی و فشار خون را افزایش می دهد، بهتر عمل کرده است.

در آینده، محققان تلاش خواهند کرد ICU Intervene را بهبود ببخشند تا بتوانند مراقبت های فردی بیشتری را ارائه دهند و راهکارهای پیشرفته تری را برای تصمیم گیری فراهم کنند، از جمله اینکه بیمار ممکن است بتواند استروئیدها را از بین ببرد یا اینکه ممکن است نیاز به یک روش مشابه آندوسکوپی داشته باشد.

مدل انتقال EHR

یکی دیگر از اهداف مهم برای استفاده از اطلاعات ICU این است که چگونه آن ذخیره می شود و زمانی که روش ذخیره سازی تغییر می کند چه اتفاقی می افتد. مدل های موجود برای یادگیری ماشین نیاز به داده هایی دارند که در یک روش ثابت رمزگذاری شوند، بنابراین این واقعیت که بیمارستان اغلب سیستم های EHR خود را تغییر می دهد می تواند مشکلات زیادی برای تحلیل و پیش بینی داده ها ایجاد کند.

این جایی است که EHR Model Transfer وارد می شود. این رویکرد در نسخه های مختلف سیستم عامل EHR، با استفاده از پردازش زبان طبیعی برای شناسایی مفاهیم بالینی که به طور متفاوتی در سیستم ها کدگذاری شده اند، و سپس آنها را به یک مجموعه مشترک از مفاهیم بالینی (مانند “فشار خون” و “ضربان قلب”) می پردازد.

برای مثال، یک بیمار در یک پلت فرم EHR می تواند بیمارستان ها را عوض کند و به داده هایش نیاز دارد که به نوع دیگری از پلت فرم منتقل شوند. هدف EHR Model Transfer حصول اطمینان از این است که این مدل هنوز می تواند جنبه هایی از دیدار ICU بیمار را،  از قبیل احتمال بستری طولانی مدت و حتی مرگ در واحد را پیش بینی کند.

Shah می گوید :

مدل های یادگیری ماشین در مراقبت های بهداشتی اغلب از اعتبار خارجی کم و ضعیف قابل حمل در سراسر سایت رنج می برند.نویسندگان یک استراتژی عالی برای استفاده از دانش پیشین در هسته شناسی پزشکی برای ایجاد یک نمایندگی مشترک در دو سایت ایجاد می کنند که باعث می شود مدل هایی که در یک سایت آموزش دیده اند در یک سایت دیگر به خوبی کار کنند. من هیجان زده هستم تا چنین استفاده خلاقانه از دانش پزشکی قانونی را در بهبود قابلیت حمل مدل های پیش بینی شده ببینم.

با مدل انتقال  EHR، تیم توانایی مدل خود را برای پیش بینی دو نتیجه : مرگ و میر و نیاز به اقامت طولانی مدت آزمایش کرد. آنها آن را در یک پلت فرم EHR آموزش دادند و سپس پیش بینی های خود را بر روی پلت فرم های مختلف آزمایش کردند.

مدل انتقال EHR به شیوه های پایه بهتر عمل کرد و انتقال بهتر مدل های پیش بینی شده را در نسخه های EHR نسبت به استفاده از رویدادهای خاص EHR به تنهایی انجام داد.

در آینده، تیم انتقال الکترونیکی مدل EHR قصد دارد سیستم را بر روی سیستم های داده و سیستم های EHR از سایر بیمارستان ها و تنظیمات مراقبت ارزیابی کند.

 

منبع انگلیسی : https://phys.org/news/2017-08-machine-patient.html

 




مطالب مرتبط با این دسته بندی