[ad_1]

داده های کووید

اعتبار: دامنه عمومی Pixabay/CC0

در حین مراقبت از بیماران COVID-19، متخصصان مراقبت های بهداشتی در سراسر کشور گنجینه ای از اطلاعات در مورد SARS-CoV-2، انواع در حال تکامل آن مانند Delta و Omicron و اثرات آنها بر بدن انسان و سلامت عمومی جمع آوری کرده اند. چنین داده‌هایی که در پرونده‌های پزشکی الکترونیکی بیماران جمع‌آوری می‌شوند، برای درک ویروس و توسعه درمان‌ها حیاتی هستند. اما دستیابی به داده های ملی از سوابق پزشکی برای محققان دشوار بوده است زیرا فرآیندهای مهمی که حریم خصوصی بیمار را تضمین می کند دسترسی به داده ها را نیز کند می کند.

ابتکاری که توسط مرکز ملی پیشرفت علوم ترجمه مؤسسه ملی بهداشت (NIH) و با همکاری دانشکده پزشکی دانشگاه واشنگتن در سنت لوئیس تأمین شده است، از ابزارهای کلان داده و محاسبات پیشرفته برای ارائه مقادیر عظیم به محققان استفاده کرده است. داده‌های مصنوعی – مدل‌سازی شده بر اساس داده‌های واقعی بیمار – که برای درک COVID-19 ضروری است و در عین حال محافظت از حریم خصوصی و محرمانه بودن بیمار را تضمین می‌کند.

دانشکده پزشکی دانشگاه واشنگتن، همچنین بخشی از مرکز داده‌ها به سلامت و همکاری ملی کوهورت کووید (N3C)، یک رهبر ملی در استقرار و ارزیابی فناوری برای تولید داده‌های مصنوعی، که برای همکاری‌های اشتراک‌گذاری داده‌ها کلیدی است، بوده است. در سراسر کشور.

ایجاد داده های مصنوعی تخصص MDClone است، یک شرکت انفورماتیک مراقبت های بهداشتی که با دانشگاه واشنگتن و سایر مراکز پزشکی دانشگاهی برای کمک به دسترسی بیشتر به داده های مصنوعی برای محققان همکاری کرده است. داده‌های مصنوعی به‌طور مصنوعی تولید می‌شوند و از داده‌های واقعی بیمار مطلع می‌شوند، اما مستقیماً از سوابق فردی مشتق نمی‌شوند، که به طور قابل‌توجهی خطر استفاده از چنین داده‌هایی را برای شناسایی آن افراد کاهش می‌دهد. به جای روش های سنتی برای پنهان کردن هویت بیماران در مجموعه داده ها – مانند حذف نام، تاریخ تولد و سایر اطلاعات شناسایی – تولید داده های مصنوعی شامل تولید مجموعه جدیدی از بیماران شبیه سازی شده است که در مجموع، ویژگی های آماری را بازسازی می کند. بیماران واقعی، مانند اندازه گیری فشار خون، شاخص توده بدن و عملکرد کلیه. هویت و حریم خصوصی بیماران واقعی محافظت می شود زیرا بیماران شبیه سازی شده هیچ همتای مستقیمی در داده های واقعی ندارند.

تحقیقات منتشر شده در دو مطالعه به رهبری دانشکده پزشکی دانشگاه واشنگتن نشان داده است که تجزیه و تحلیل داده های مصنوعی تولید شده از بیماران واقعی کووید-19، نتایج همان تجزیه و تحلیل های انجام شده بر روی داده های واقعی بیمار را به دقت تکرار می کند. علاوه بر این، نه تنها داده های مصنوعی به طور دقیق ویژگی های بیمار را در مقیاس وسیع منعکس می کند، مجموعه داده های مصنوعی به طور دقیق گسترش و تأثیر بیماری همه گیر را در طول زمان و در مناطق جغرافیایی به شدت آزمایش شده بازسازی می کند و امکان بررسی شیوع و تأثیر ویروس در سطح جمعیت را فراهم می کند. .

یک مطالعه در منتشر شده است مجله انجمن انفورماتیک پزشکی آمریکا. مطالعه دوم به صورت آنلاین در دسترس است مجله تحقیقات اینترنتی پزشکی.

فیلیپ پین، یکی از نویسندگان و محقق اصلی، پروفسور جانت و برنارد بکر، دانشمند ارشد داده، می‌گویند: «ما نشان داده‌ایم که می‌توانیم پیش‌بینی‌های پیچیده‌ای از اتفاقاتی که قرار است در جمعیت مبتلا به بیماری مانند COVID-19 رخ دهد، بسازیم. مدیر موسسه انفورماتیک دانشگاه واشنگتن. بسیار مهم است که از حقوق بیماران برای حفظ حریم خصوصی و رازداری محافظت کنیم و در عین حال به تهدید ناشی از کووید-19 به موقع پاسخ دهیم. هیچ نهادی به تنهایی نمی تواند این نیازها را برطرف کند. از طریق قابلیت های منحصر به فرد ارائه شده توسط استفاده از داده های مصنوعی. ما در حال تسریع تلاش‌های خود برای تشخیص، درمان و، شاید مهم‌تر از همه، پیشگیری از این بیماری هستیم و در عین حال نشان می‌دهیم که چگونه می‌توانیم به طور مؤثرتری به شرایط اضطراری بهداشت عمومی آینده پاسخ دهیم.”

استفاده از داده های مصنوعی موانع نظارتی را کاهش می دهد که معمولاً از اشتراک گذاری و ادغام گسترده داده های بیمار در چندین سازمان جلوگیری می کند. توانایی به اشتراک گذاری داده های مصنوعی بیمار به محققان این امکان را می دهد که به جای محدود شدن به داده های موجود در موسسات فردی خود، مقادیر زیادی از داده ها را از سراسر کشور تجزیه و تحلیل کنند. محققان در سراسر جهان می‌توانند برای دسترسی به داده‌های مصنوعی یک موسسه برای انجام مطالعات خود درخواست دهند. این قابلیت باعث افزایش مقیاس و کارایی چنین تحقیقاتی می شود و در عین حال سوگیری های احتمالی در یافته های بعدی را کاهش می دهد.

تا به امروز، مجموعه داده مصنوعی N3C شامل داده های 72 موسسه در سراسر کشور است و شامل سوابقی است که نشان دهنده 13 میلیون بیمار است. از این تعداد، حدود 5 میلیون بیمار تست COVID-19 مثبت داشتند. با مجموعه داده‌های مصنوعی عظیم تولید شده از این منبع، محققان می‌توانند به دنبال الگوهایی در داده‌ها بگردند که با اندازه‌های نمونه کوچک‌تر ظاهر نمی‌شوند. با استفاده از ابزارهای پیشرفته انفورماتیک و علم داده، مانند تکنیک‌های تشخیص الگو و یادگیری ماشین، داده‌ها می‌توانند معیارهایی را شناسایی کنند که پیش‌بینی می‌کنند کدام بیماران در معرض بالاترین خطر نیاز به مراقبت‌های ویژه یا دستگاه تنفس مصنوعی هستند. همچنین می‌تواند به مشخص کردن الگوهای استراتژی‌های درمانی کمک کند تا ببینیم آیا داروهایی که یک بیمار COVID-19 قبلاً برای یک بیماری دیگر مصرف می‌کند – مثلاً رقیق‌کننده‌های خون برای بیماری‌های قلبی – ممکن است در مقایسه با بیمارانی که آن دارو را مصرف نمی‌کنند، محافظ یا مضر باشند.

مقاله اول نشان داد که داده های مصنوعی به طور دقیق دموگرافیک و ویژگی های بالینی بیماران را در مجموعه داده اولیه N3C بازتولید می کند. همچنین می‌توان از داده‌های مصنوعی برای پیش‌بینی دقیق خطر پذیرش یا بستری مجدد در بیمارستان برای بیماران مبتلا به COVID-19 استفاده کرد. علاوه بر این، منحنی‌های اپیدمی در سطح جمعیت، مانند تعداد موارد در روز، تعداد بستری شدن در بیمارستان و مرگ‌ومیر در روز و میانگین‌های هفت روزه موارد مثبت در بازه‌های زمانی خاص نیز با دقت با داده‌های مصنوعی بازتولید شدند. مقاله دوم شامل تجزیه و تحلیل عمیق تر منحنی های همه گیر در زیر مجموعه هایی از جمعیت هایی است که در کدهای پستی خاص زندگی می کنند. در این مورد نیز، مجموعه داده مصنوعی به طور دقیق گسترش بیماری همه گیر در مناطق مختلف جغرافیایی را تا زمانی که آن مناطق به طور فشرده برای COVID-19 آزمایش شده بودند، تقلید کرد. تجزیه و تحلیل در مقاله دوم با استفاده از اندازه نمونه یا جمعیت کوچک، کمتر قادر به بازتولید نتایج در مجموعه داده واقعی بود.

آدام ویلکاکس، پروفسور پزشکی و نویسنده ارشد هر دو مطالعه، گفت: «توانایی مشاهده کدهای پستی خاص در تجزیه و تحلیل یک بیماری همه گیر بسیار مهم است، زیرا عوامل اجتماعی تعیین کننده سلامت بسته به محل زندگی بیمار متفاوت است. “ما می دانیم که عوامل اجتماعی تعیین کننده سلامت – مانند دسترسی به مراقبت های بهداشتی، آموزش و ثبات اقتصادی – با انتقال و پیامدهای COVID-19 مرتبط هستند. این تجزیه و تحلیل نشان می دهد که ما می توانیم از داده های مصنوعی برای مطالعه پویایی های مختلف یک بیماری همه گیر استفاده کنیم، از جمله اینکه چگونه همه‌گیری در طول زمان و در سراسر منطقه جغرافیایی تغییر می‌کند. این مقالات یک بررسی واقعاً کامل از قابلیت‌های داده‌های مصنوعی برای مدل‌سازی همه‌گیری را نشان می‌دهند.”

به گفته محققان، داده‌های مصنوعی در نشان دادن آنچه در سطح وسیعی از جمعیت اتفاق می‌افتد بهترین است، اما در تجزیه و تحلیل نقاط پرت خوب نیست. موارد پرت شامل تعداد کمی از بیماران با ترکیبی از ویژگی‌های نادر یا موقعیت‌هایی که در آن یک منطقه جغرافیایی دارای افراد بسیار کمی است، مانند کدهای پستی روستایی، عمداً از مجموعه داده‌های مصنوعی حذف می‌شوند تا بیشتر از حریم خصوصی افرادی که ممکن است در آن دسته‌ها قرار بگیرند محافظت شود. با این حال، به طور کلی، برای تجزیه و تحلیل داده‌ها به سختی می‌توان به اعداد کوچک نگاه کرد، بنابراین این چالش منحصر به داده‌های مصنوعی نیست.

رندی فوراکر، استاد دانشگاه گفت: «ما همچنان به آزمایش مرزهای کاری که می‌توانیم با داده‌های مصنوعی انجام دهیم، ادامه می‌دهیم، بنابراین بهترین استفاده از این نوع داده‌ها و همچنین موقعیت‌هایی را که باید به داده‌های اصلی بازگردیم، درک می‌کنیم.» پزشکی و نویسنده اول مطالعه دوم و یکی از نویسندگان مطالعه اول. موقعیت‌هایی وجود دارد که داده‌های مصنوعی ممکن است به اندازه داده‌های اصلی دقیق نباشند، و ما باید بدانیم آن‌ها چه هستند تا بتوانیم بهترین روش‌های ممکن را برای تجزیه و تحلیل یک مجموعه داده خاص انتخاب کنیم.

در مقیاس وسیع، محققان گفتند که داده‌ها امکان پیش‌بینی نقاط داغ آینده کووید-19 را فراهم می‌کنند، بنابراین آن مناطق می‌توانند برای بدترین سناریو آماده شوند و به طور بالقوه از آن جلوگیری کنند. سیستم های داده مصنوعی در حال حاضر نیز به محققان کمک می کند تا به یک بیماری همه گیر آینده سریعتر واکنش نشان دهند. پین آن را با پیش بینی آب و هوا مقایسه می کند.

پین گفت: «ما در تلاش هستیم تا با استفاده از حجم زیادی از داده ها، معادل مسیر طوفان را برای همه گیری ها بسازیم. زمانی که پیش‌بینی آب و هوا کار می‌کند، به این دلیل است که آن‌ها داده‌های قبلی زیادی برای یادگیری دارند، و می‌توانند آن را در مورد آنچه اکنون مشاهده می‌کنند اعمال کنند. سپس مدل‌های مختلفی را برای پیش‌بینی سناریوهای آینده ایجاد می‌کنند – در این مورد. مسیرهای بالقوه طوفان و احتمالات هر کدام.


داده های مصنوعی از داده های مراقبت های بهداشتی واقعی بدون نگرانی از حریم خصوصی بیمار تقلید می کنند


اطلاعات بیشتر:
جیسون توماس و همکاران، نشان دادن رویکردی برای ارزیابی کاربرد داده‌های اپیدمیولوژیک مکانی و زمانی مصنوعی: نتایج حاصل از تجزیه و تحلیل بیش از 1.8 میلیون آزمایش SARS-CoV-2 در تعاونی ملی کوهورت کووید ایالات متحده (N3C)، مجله انجمن انفورماتیک پزشکی آمریکا (2022). DOI: 10.1093/jamia/ocac045

Randi Foraker و همکاران، The National Cohort Cohort Collaborative: Analyses of Original and Computationally Electronic Health Record Data, مجله تحقیقات اینترنتی پزشکی (2021). DOI: 10.2196/30697

ارائه شده توسط دانشگاه واشنگتن در سنت لوئیس

نقل قول: داده‌های مصنوعی داده‌های واقعی بیمار را تقلید می‌کند، به‌طور دقیق همه‌گیر COVID-19 را مدل‌سازی می‌کند (2022، 28 آوریل) در 28 آوریل 2022 از https://medicalxpress.com/news/2022-04-synthetic-mimics-real-patient-accurately.html بازیابی شده است.

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.



[ad_2]