برنامه‌های یادگیری ماشین خطر مرگ را بر اساس نتایج آزمایش‌های معمول بیمارستانی پیش‌بینی می‌کنند

اگر تا به حال در بیمارستان بستری شده اید یا به بخش اورژانس مراجعه کرده اید، احتمالا یک نوار قلب یا نوار قلب انجام داده اید، یک آزمایش استاندارد شامل الکترودهای کوچک چسبانده شده به قفسه سینه شما که ریتم قلب و فعالیت الکتریکی شما را بررسی می کند.

نوار قلب بیمارستانی معمولاً توسط یک پزشک یا پرستار در کنار تخت شما خوانده می شود، اما اکنون محققان از هوش مصنوعی برای به دست آوردن اطلاعات بیشتر از این نتایج استفاده می کنند تا مراقبت شما و سیستم مراقبت بهداشتی را به یکباره بهبود بخشند.

در یافته‌های اخیراً منتشر شده، تیم تحقیقاتی برنامه‌های یادگیری ماشینی را بر اساس 1.6 میلیون ECG انجام شده بر روی 244077 بیمار در شمال آلبرتا بین سال‌های 2007 تا 2020 ساخته و آموزش داده است.

این الگوریتم خطر مرگ از آن نقطه را برای هر بیمار به دلایل مختلف در مدت یک ماه، یک سال و پنج سال با نرخ دقت 85 درصد پیش‌بینی کرد و بیماران را به پنج دسته از کمترین به بالاترین خطر طبقه‌بندی کرد. زمانی که اطلاعات دموگرافیک (سن و جنس) و شش نتیجه آزمایش خون آزمایشگاهی استاندارد گنجانده شد، پیش‌بینی‌ها حتی دقیق‌تر بودند.

به گفته محقق اصلی Padma Kaul، پروفسور پزشکی و یکی از مدیران کانادا، این مطالعه اثبات مفهومی برای استفاده از داده‌های جمع‌آوری‌شده معمول برای بهبود مراقبت فردی است و به سیستم مراقبت‌های بهداشتی اجازه می‌دهد تا هرچه پیش می‌رود «یاد بگیرد». مرکز VIGOR

کائول توضیح می‌دهد: «ما می‌خواستیم بدانیم که آیا می‌توانیم از روش‌های جدیدی مانند هوش مصنوعی و یادگیری ماشینی برای تجزیه و تحلیل داده‌ها و شناسایی بیمارانی که در معرض خطر بیشتری برای مرگ هستند استفاده کنیم یا خیر. این یافته‌ها نشان می‌دهند که چگونه می‌توان از مدل‌های یادگیری ماشینی برای تبدیل داده‌های جمع‌آوری‌شده به طور معمول در عمل بالینی به دانشی استفاده کرد که می‌تواند برای تقویت تصمیم‌گیری در نقطه مراقبت به عنوان بخشی از سیستم مراقبت بهداشتی یادگیری استفاده شود.»

در صورت داشتن فشار خون بالا یا علائم بیماری قلبی، مانند درد قفسه سینه، تنگی نفس یا ضربان قلب نامنظم، پزشک یک الکتروکاردیوگرام تجویز می کند. مرحله اول این مطالعه نتایج ECG را در همه بیماران بررسی کرد، اما Kaul و تیم او امیدوارند که این مدل‌ها را برای زیر گروه‌های خاصی از بیماران اصلاح کنند. آنها همچنین قصد دارند پیش‌بینی‌ها را فراتر از مرگ و میر ناشی از همه علل متمرکز کنند تا به طور خاص به علل مرگ مرتبط با قلب توجه کنند.

Kaul می‌گوید: «فشار زیادی وجود دارد تا ببینیم چگونه می‌توانیم از هوش مصنوعی برای بهبود ارائه مراقبت‌های بهداشتی استفاده کنیم. او می‌گوید، مزیت استفاده از محاسبات پرقدرت این است که برخلاف انسان‌ها، می‌تواند الگوها را در چندین نقطه داده به طور همزمان ببیند. “ما می خواهیم داده های تولید شده توسط سیستم مراقبت های بهداشتی را بگیریم، آنها را به دانش تبدیل کنیم و به سیستم بازگردانیم تا بتوانیم مراقبت ها و نتایج را بهبود بخشیم. این تعریف سیستم مراقبت بهداشتی یادگیری است.”

این مطالعه در مجله منتشر شده است npj پزشکی دیجیتال.