برنامه هوش مصنوعی جدید می تواند به درمان فشار خون کمک کند

برای تقریباً نیمی از آمریکایی‌های مبتلا به فشار خون، این یک حکم اعدام بالقوه است – طبق گزارش مرکز کنترل و پیشگیری از بیماری‌های ایالات متحده، نزدیک به 700000 مرگ در سال 2021 به دلیل فشار خون بالا بوده است. همچنین خطر سکته مغزی و نارسایی مزمن قلبی را افزایش می دهد. اما در حالی که در صورت تشخیص زودهنگام پیشگیری یا تعدیل نسبتاً آسان است – خوب بخورید، بیشتر ورزش کنید، کمتر بنوشید – درمان آن می تواند سخت باشد. اگرچه پزشکان مجموعه‌ای از داروهای بالقوه فشار خون بالا را انتخاب می‌کنند، اما هر کدام مملو از مزایا و معایب هستند که تجویز موثرترین آنها را به چالشی تبدیل می‌کند: بتا بلوکرها قلب را کند می‌کنند، اما می‌توانند باعث آسم شوند. مهارکننده های ACE رگ های خونی را شل می کنند، اما می توانند منجر به سرفه هکر شوند. اکنون، یک برنامه هوش مصنوعی جدید ممکن است به پزشکان کمک کند داروهای مناسب را با بیماران مناسب بهتر تطبیق دهند.

مدل مبتنی بر داده، که توسط دانشمندان داده دانشگاه بوستون و پزشکان ایجاد شده است، با هدف ارائه توصیه‌های درمان فشار خون بالا بر اساس ویژگی‌های خاص بیمار، از جمله مشخصات دموگرافیک، علائم حیاتی، سابقه پزشکی گذشته و سوابق آزمایش‌های بالینی به پزشکان در زمان واقعی است. این مدل که در مطالعه اخیر منتشر شده در BMC انفورماتیک پزشکی و تصمیم گیری، این پتانسیل را دارد که به کاهش فشار خون سیستولیک – که در زمان ضربان قلب به جای استراحت اندازه گیری می شود – موثرتر از استاندارد مراقبت فعلی کمک کند. به گفته محققان، رویکرد این برنامه به شفافیت همچنین می تواند به بهبود اعتماد پزشکان به نتایج حاصل از هوش مصنوعی کمک کند.

Ioannis Paschalidis، استاد برجسته کالج مهندسی دانشگاه BU و مدیر مؤسسه محاسباتی و علوم محاسباتی رفیک ب. مهندسی. مدل داده‌محور ما فقط پیش‌بینی یک نتیجه نیست، بلکه مناسب‌ترین دارو را برای استفاده برای هر بیمار پیشنهاد می‌کند.»

در حال حاضر، پزشک هنگام انتخاب دارویی که برای بیمار تجویز کند، تاریخچه بیمار، اهداف درمانی، و مزایا و خطرات مرتبط با داروهای خاص را در نظر می گیرد. اغلب اوقات، انتخاب دارویی برای تجویز در صورت وجود گزینه‌های متعدد – و از بین گزینه‌ها، هیچ یک از داروها بهتر یا بدتر از دیگری نیست – می‌تواند کمی سکه باشد.

در مقابل، مدل توسعه‌یافته BU با استفاده از مشخصات یک بیمار، یک نسخه سفارشی فشار خون بالا تولید می‌کند و به پزشکان فهرستی از داروهای پیشنهادی با احتمال موفقیت مرتبط را ارائه می‌دهد. هدف محققان برجسته کردن درمانی بود که به بهترین وجه فشار خون سیستولیک را برای هر بیمار بر اساس اثربخشی آن در گروهی از بیماران مشابه کنترل می‌کند.

پاشالیدیس می گوید: «هدف ما تسهیل رویکرد شخصی سازی برای درمان فشار خون بر اساس الگوریتم های یادگیری ماشینی است که به دنبال به حداکثر رساندن اثربخشی داروهای فشار خون در سطح فردی هستیم.»

این مدل با استفاده از داده‌های شناسایی شده از 42752 بیمار مبتلا به فشار خون بالا در مرکز پزشکی بوستون (BMC)، بیمارستان آموزشی اولیه BU، بین سال‌های 2012 و 2020 جمع‌آوری شده است. بیماران بر اساس شباهت‌های ویژگی‌های بالینی مرتبط، مانند جمعیت‌شناسی، گذشته، به گروه‌های وابسته طبقه‌بندی شدند. سوابق فشار خون و سابقه پزشکی گذشته در طول مطالعه، اثربخشی مدل با استاندارد مراقبت فعلی و همچنین سه الگوریتم دیگر طراحی شده برای پیش‌بینی برنامه‌های درمانی مناسب مقایسه شد. محققان دریافتند که 70.3 درصد کاهش بیشتری در فشار خون سیستولیک نسبت به مراقبت استاندارد داشته است و 7.08 درصد بهتر از دومین مدل بهترین عملکرد داشته است. این الگوریتم از نظر بالینی تایید شد و محققان به صورت دستی یک نمونه تصادفی از 350 مورد را بررسی کردند.

این مدل همچنین مزایای توصیف را نشان داد – کاهش یا توقف نسخه‌ها برای برخی از بیمارانی که چندین دارو مصرف می‌کنند. به گفته تیم تحقیقاتی، از آنجایی که این الگوریتم چندین درمان بهینه پیشنهادی را در اختیار پزشکان قرار می‌دهد، زمانی که جامعه پزشکی در مورد اثربخشی یک دارو در مقابل داروی دیگر تقسیم می‌شود، می‌تواند بینش‌های ارزشمندی ارائه دهد، وضعیتی که به عنوان تعادل بالینی شناخته می‌شود.

ربکا میشوریس که قبلاً در دانشگاه BU تدریس می کرد و اخیراً به عنوان Mass General شناخته شده است، می گوید: «این تجزیه و تحلیل های پیش بینی پیشرفته توانایی افزایش تصمیم گیری پزشک و تأثیر مثبت بر کیفیت مراقبتی که ارائه می کنیم و در نتیجه نتایج برای بیماران ما دارد. افسر ارشد اطلاعات پزشکی بریگام. این اولین قدم مهمی است که نشان می‌دهد این مدل‌ها در واقع عملکرد بهتری نسبت به مراقبت‌های استاندارد دارند و می‌توانند به ما کمک کنند تا پزشکان بهتری باشیم.»

در حالی که بسیاری تشخیص می‌دهند که توانایی یادگیری ماشین برای مدیریت حجم زیادی از داده‌ها و کشف الگوها و همبستگی‌ها می‌تواند به نفع مراقبت‌های بهداشتی باشد، پذیرش آن تا حدی به دلیل مشکلات در تفسیر نتایج و به دلیل سطح پایین اعتماد به هوش مصنوعی محدود شده است. در گذشته، یادگیری ماشینی در مراقبت‌های بهداشتی نیز به دلیل داده‌های ناقص یا نادرست، و همچنین سوابق پراکنده بیماران، که می‌تواند نتایج پیش‌بینی را مخدوش کند، با مشکل مواجه شده است. یکی از جنبه‌های مهم این مطالعه، اطمینان از شفاف بودن داده‌ها و اینکه پزشکان – به ویژه آنهایی که تخصص فنی ندارند – به وضوح درک می‌کنند که الگوریتم چگونه کار می‌کند، و چگونه و چرا این مدل توصیه‌های درمانی خاص را ارائه می‌دهد، بود.

نیکلاس جی کوردلا، از دانشکده پزشکی BU Chobanian & Avedisian می‌گوید: «با استفاده از داده‌های جمعیت متنوع بیماران مرکز پزشکی بوستون، این مدل فرصتی را برای مراقبت‌های مناسب برای جمعیت‌های کم‌نمایش، با توصیه‌های فردی برای بهبود نتایج برای این بیماران فراهم می‌کند. استادیار و مدیر پزشکی BMC برای کیفیت و ایمنی بیمار. “پزشکی شخصی و مدل‌هایی از این دست فرصتی برای ارائه خدمات بهتر به جمعیت‌هایی است که لزوماً در مطالعات ملی به خوبی نشان داده نشده‌اند یا در زمان تهیه دستورالعمل‌ها مورد توجه قرار نگرفته‌اند.”