آخرین مطالب

شبکه های عصبی می توانند نتایج بیمار را بهبود بخشند و هزینه های مراقبت را کاهش دهند –


نشان داده شده است که یک فرآیند یادگیری ماشینی جدید که برای شناسایی و طبقه بندی شکستگی های لگن طراحی شده است، بهتر از پزشکان انسانی عمل می کند.

دو شبکه عصبی کانولوشنال (CNN) که در دانشگاه باث توسعه یافتند، توانستند شکستگی های لگن را از اشعه ایکس با دقت و اطمینان 19 درصد بیشتر از پزشکان مستقر در بیمارستان شناسایی و طبقه بندی کنند. گزارش های علمی طبیعت.

تیم تحقیقاتی از مرکز نوآوری درمانی Bath و موسسه نوآوری ریاضی، و همچنین همکارانی از بیمارستان سلطنتی United Hospitals Trust Bath، North Bristol NHS Trust و دانشکده پزشکی بریستول، شروع به ایجاد فرآیند جدیدی برای کمک به پزشکان برای ایجاد شکستگی لگن کردند. مراقبت کارآمدتر و برای حمایت از نتایج بهتر بیمار.

آنها در مجموع از 3659 اشعه ایکس هیپ، طبقه بندی شده توسط حداقل دو متخصص، برای آموزش و آزمایش شبکه های عصبی استفاده کردند که به دقت کلی 92 درصد و دقت 19 درصد بیشتر از پزشکان بیمارستانی دست یافتند.

درمان موثر در مدیریت هزینه های بالا بسیار مهم است

شکستگی لگن یکی از علل اصلی عوارض و مرگ و میر در سالمندان است که هزینه های زیادی را برای مراقبت های بهداشتی و اجتماعی به همراه دارد. طبقه بندی شکستگی قبل از جراحی برای کمک به جراحان در انتخاب مداخلات مناسب برای درمان شکستگی و بازگرداندن تحرک و بهبود نتایج بیمار بسیار مهم است.

توانایی طبقه بندی سریع، دقیق و مطمئن شکستگی کلیدی است: تاخیر در جراحی بیش از 48 ساعت می تواند خطر پیامدهای نامطلوب و مرگ و میر را افزایش دهد.

شکستگی ها به سه دسته تقسیم می شوند – داخل کپسولی، تروکانتریک یا ساب تروکانتریک – بسته به بخشی از مفصل که در آن رخ می دهد. برخی از درمان ها، که بر اساس طبقه بندی شکستگی تعیین می شوند، ممکن است تا 4.5 برابر سایرین هزینه داشته باشند.

در سال 2019، 67671 شکستگی لگن به پایگاه ملی اطلاعات شکستگی لگن بریتانیا گزارش شد و با توجه به پیش‌بینی‌های مربوط به پیری جمعیت در دهه‌های آینده، پیش‌بینی می‌شود که تعداد شکستگی‌های لگن در سطح جهان، به‌ویژه در آسیا افزایش یابد. در سراسر جهان، تخمین زده می شود که سالانه 1.6 میلیون شکستگی لگن با بار اقتصادی قابل توجهی رخ می دهد – تقریباً 6 میلیارد دلار در سال در ایالات متحده و حدود 2 میلیارد پوند در بریتانیا.

نتایج طولانی‌مدت بیمار نیز مهم است: افرادی که دچار شکستگی لگن می‌شوند در سال بعد دو برابر بیشتر از جمعیت عمومی مرگ‌ومیر مربوط به سن را دارند. بنابراین، تیم می‌گوید، توسعه استراتژی‌هایی برای بهبود مدیریت شکستگی لگن و تأثیر آن بر عوارض، مرگ‌ومیر و هزینه‌های ارائه مراقبت‌های بهداشتی از اولویت بالایی برخوردار است.

افزایش تقاضا برای بخش های رادیولوژی

یکی از مسائل مهمی که بر استفاده از تصویربرداری تشخیصی تأثیر می‌گذارد، عدم تطابق بین تقاضا و منبع است: برای مثال، در بریتانیا تعداد رادیوگرافی‌ها (شامل اشعه ایکس) که سالانه انجام می‌شود از سال 1996 تا 2014 25 درصد افزایش یافته است. افزایش تقاضا در بخش‌های رادیولوژی اغلب به این معنی است که آنها نمی توانند نتایج را به موقع گزارش کنند.

پروفسور ریچی گیل، نویسنده اصلی مقاله و مدیر مرکز نوآوری درمانی، می‌گوید: «روش‌های یادگیری ماشین و شبکه‌های عصبی یک رویکرد جدید و قدرتمند برای تشخیص خودکار و پیش‌بینی نتیجه ارائه می‌دهند، بنابراین این تکنیک جدید را به اشتراک گذاشته‌ایم. علیرغم طبقه بندی شکستگی که به شدت درمان جراحی و در نتیجه نتایج بیمار را تعیین می کند، در حال حاضر هیچ فرآیند استانداردی برای تعیین این طبقه بندی در بریتانیا وجود ندارد — چه این کار توسط جراحان ارتوپد یا رادیولوژیست های متخصص در اختلالات اسکلتی عضلانی انجام شود.

فرآیندی که ما توسعه داده‌ایم می‌تواند به استانداردسازی این فرآیند، دستیابی به دقت بیشتر، سرعت بخشیدن به تشخیص و کاهش گلوگاه 300000 رادیوگرافی که بیش از 30 روز در بریتانیا گزارش نشده است، کمک کند.

آقای اتو فون آرکس، مشاور جراح ارتوپدی ستون فقرات در بیمارستان سلطنتی یونایتد حمام NHS Trust، و یکی از نویسندگان مقاله، می افزاید: “به عنوان پزشکان تروما، ما دائما در تلاش هستیم تا مراقبت های عالی را به بیماران خود و جامعه مراقبت های بهداشتی تحت حمایت ارائه دهیم. با تشخیص دقیق و داروی مقرون به صرفه

“این مطالعه عالی ابزار اضافی را برای اصلاح آرمنتاریوم تشخیصی برای ارائه بهترین مراقبت برای بیماران در اختیار ما قرار داده است. این مطالعه ارزش عالی همکاری توسط RUH و رهبر پژوهش، دانشگاه باث را نشان می دهد.”

این مطالعه توسط خیریه آرتروپلاستی برای آرتریت تامین شد. شرکت NVIDIA GPU Titan X را که یادگیری ماشینی را از طریق طرح کمک هزینه تحصیلی خود انجام می داد، ارائه کرد.