آخرین مطالب

سیستم یادگیری ماشینی داروهایی را معرفی می کند که ممکن است آسیب بیشتری نسبت به سود داشته باشند


سیستم یادگیری ماشینی داروهایی را معرفی می کند که ممکن است آسیب بیشتری نسبت به سود داشته باشند

یک سیستم جدید یادگیری ماشینی می تواند به پزشکان برای درمان های مختلف امتیاز خطر بدهد. اعتبار: کریستین دانیلوف، MIT

سپسیس سالانه جان نزدیک به 270000 نفر را در ایالات متحده می گیرد. شرایط پزشکی غیرقابل پیش بینی می تواند به سرعت پیشرفت کند و منجر به کاهش سریع فشار خون، آسیب بافتی، نارسایی چند عضوی و مرگ شود.

مداخلات سریع متخصصان پزشکی جان انسان‌ها را نجات می‌دهد، اما برخی از درمان‌های سپسیس نیز می‌توانند به وخامت حال بیمار کمک کنند، بنابراین انتخاب درمان بهینه می‌تواند کار دشواری باشد. به عنوان مثال، در ساعات اولیه سپسیس شدید، تجویز بیش از حد مایع به صورت داخل وریدی می تواند خطر مرگ بیمار را افزایش دهد.

برای کمک به پزشکان برای جلوگیری از درمان هایی که ممکن است به طور بالقوه در مرگ بیمار نقش داشته باشند، محققان MIT و جاهای دیگر یک مدل یادگیری ماشینی ایجاد کرده اند که می تواند برای شناسایی درمان هایی که خطر بیشتری نسبت به سایر گزینه ها دارند استفاده شود. مدل آنها همچنین می تواند به پزشکان هشدار دهد زمانی که یک بیمار سپتیک به بن بست پزشکی نزدیک می شود – نقطه ای که بیمار به احتمال زیاد بدون توجه به اینکه چه درمانی استفاده می شود خواهد مرد – تا قبل از اینکه خیلی دیر شود، مداخله کنند.

هنگامی که این مدل محققان بر روی مجموعه داده‌ای از بیماران سپسیس در بخش مراقبت‌های ویژه بیمارستان اعمال شد، نشان داد که حدود 12 درصد از درمان‌های ارائه شده به بیماران فوت شده مضر بوده است. این مطالعه همچنین نشان می‌دهد که حدود 3 درصد از بیمارانی که جان سالم به در نبرده‌اند، تا 48 ساعت قبل از مرگ وارد یک مرده پزشکی شده‌اند.

“ما می بینیم که مدل ما تقریباً هشت ساعت جلوتر از تشخیص وخامت یک بیمار توسط پزشک است. این بسیار قدرتمند است زیرا در این موقعیت های واقعا حساس، هر دقیقه اهمیت دارد، و آگاهی از چگونگی تکامل بیمار و خطر ابتلا به برخی از بیماری ها. تیلور کیلیان، دانشجوی فارغ التحصیل در گروه Healthy ML آزمایشگاه علوم کامپیوتر و هوش مصنوعی (CSAIL) می گوید که درمان در هر زمان بسیار مهم است.

مشاور او، استادیار مرضیه قاسمی، سرپرست گروه سلامت ML و نویسنده ارشد، به کیلیان در این مقاله می‌پیوندند. نویسنده اصلی مهدی فاطمی، محقق ارشد مایکروسافت ریسرچ; و جایاکومار سوبرامانیان، دانشمند تحقیقاتی ارشد در Adobe India. این تحقیق در کنفرانس این هفته در مورد سیستم های پردازش اطلاعات عصبی ارائه شده است.

کمبود داده

این پروژه تحقیقاتی توسط مقاله‌ای در سال 2019 که فاطمی نوشت، به بررسی استفاده از یادگیری تقویتی در موقعیت‌هایی پرداخته است که کاوش اقدامات دلخواه بسیار خطرناک است، که تولید داده‌های کافی برای آموزش مؤثر الگوریتم‌ها را دشوار می‌کند. این موقعیت‌ها، که در آن داده‌های بیشتری نمی‌توانند به طور فعال جمع‌آوری شوند، به عنوان تنظیمات “آفلاین” شناخته می‌شوند.

در یادگیری تقویتی، الگوریتم از طریق آزمون و خطا آموزش داده می شود و یاد می گیرد که اقداماتی را انجام دهد که انباشت پاداش را به حداکثر برساند. اما در یک محیط مراقبت های بهداشتی، تقریبا غیرممکن است که داده های کافی برای این مدل ها برای یادگیری درمان بهینه تولید شود، زیرا آزمایش استراتژی های درمانی ممکن اخلاقی نیست.

بنابراین، محققان یادگیری تقویتی را روی سر آن قرار دادند. آن‌ها از داده‌های محدود یک ICU بیمارستان برای آموزش یک مدل یادگیری تقویتی برای شناسایی درمان‌هایی که باید اجتناب کرد، با هدف جلوگیری از ورود بیمار به بن‌بست پزشکی استفاده کردند.

کیلیان توضیح می‌دهد که یادگیری از آنچه باید اجتناب کرد، یک رویکرد آماری کارآمدتر است که به داده‌های کمتری نیاز دارد.

“وقتی در رانندگی ماشین به بن بست فکر می کنیم، ممکن است فکر کنیم که این انتهای جاده است، اما شما احتمالاً می توانید هر قدمی که در امتداد آن جاده به سمت بن بست قرار می گیرد را به عنوان بن بست طبقه بندی کنید. به محض اینکه از دیگری دور شوید. کیلیان می‌گوید: مسیر، شما در بن‌بست هستید. بنابراین، این راهی است که ما یک بن‌بست پزشکی را تعریف می‌کنیم: زمانی که در مسیری رفتید که در آن هر تصمیمی بگیرید، بیمار به سمت مرگ پیش می‌رود.

“یک ایده اصلی در اینجا این است که احتمال انتخاب هر درمان را به نسبت شانس آن برای وادار کردن بیمار به ورود به یک بن بست پزشکی کاهش دهیم – خاصیتی که امنیت درمان نامیده می شود. حل این مشکل مانند داده ها دشوار است. به طور مستقیم چنین بینشی به ما نمی دهد. نتایج نظری ما به ما این امکان را می دهد که این ایده اصلی را به عنوان یک مشکل یادگیری تقویتی بازنویسی کنیم.”

برای توسعه رویکرد خود که Dead-end Discovery (DeD) نام دارد، دو نسخه از یک شبکه عصبی ایجاد کردند. شبکه عصبی اول فقط بر پیامدهای منفی تمرکز می کند – زمانی که یک بیمار فوت می کند – و شبکه دوم فقط بر نتایج مثبت تمرکز می کند – زمانی که یک بیمار زنده می ماند. استفاده از دو شبکه عصبی به طور جداگانه محققان را قادر می سازد تا درمان خطرناک را در یکی تشخیص دهند و سپس با استفاده از دیگری آن را تأیید کنند.

آنها آمار سلامت بیماران شبکه عصبی و یک درمان پیشنهادی را تغذیه کردند. شبکه‌ها مقدار تخمینی آن درمان را تولید می‌کنند و همچنین احتمال ورود بیمار به یک بن‌بست پزشکی را ارزیابی می‌کنند. محققان این تخمین ها را با تعیین آستانه هایی مقایسه کردند تا ببینند آیا این وضعیت پرچمی را بالا می برد یا خیر.

پرچم زرد به این معنی است که یک بیمار در حال ورود به یک منطقه نگران کننده است در حالی که پرچم قرمز وضعیتی را مشخص می کند که به احتمال زیاد بیمار بهبود نمی یابد.

درمان مهم است

محققان مدل خود را با استفاده از مجموعه داده‌ای از بیمارانی که گمان می‌رفت سپتیک از واحد مراقبت‌های ویژه مرکز پزشکی Beth Israel Deaconess بودند، آزمایش کردند. این مجموعه داده شامل حدود 19300 پذیرش با مشاهدات برگرفته از یک دوره 72 ساعته است که بر روی زمانی که بیماران برای اولین بار علائم سپسیس را نشان می دهند متمرکز شده است. نتایج آنها تأیید کرد که برخی از بیماران در مجموعه داده با بن بست های پزشکی مواجه شده اند.

محققان همچنین دریافتند که 20 تا 40 درصد از بیمارانی که زنده نمی‌مانند، حداقل یک پرچم زرد را قبل از مرگ خود برافراشته‌اند و بسیاری نیز آن پرچم را حداقل 48 ساعت قبل از مرگ برافراشته‌اند. نتایج همچنین نشان داد که هنگام مقایسه روند بیمارانی که زنده مانده اند با بیمارانی که فوت کرده اند، زمانی که بیمار اولین پرچم خود را برافراشته است، انحراف بسیار شدیدی در ارزش درمان های انجام شده وجود دارد. پنجره زمانی اطراف پرچم اول یک نقطه مهم در هنگام تصمیم گیری در مورد درمان است.

“این به ما کمک کرد تا تأیید کنیم که درمان مهم است و درمان از نظر نحوه زنده ماندن بیماران و نحوه عدم موفقیت آنها منحرف می شود. ما دریافتیم که بیش از 11 درصد از درمان های غیربهینه را می توان به طور بالقوه اجتناب کرد زیرا در آن زمان ها جایگزین های بهتری برای پزشکان وجود داشت. کیلیان می‌گوید: «این عدد بسیار قابل توجهی است، وقتی حجم جهانی بیمارانی را در نظر بگیرید که در هر زمان در بیمارستان سپتیک شده‌اند.”

قاسمی همچنین سریع اشاره می کند که این مدل برای کمک به پزشکان است نه جایگزینی آنها.

او می‌گوید: «پزشکان انسانی کسانی هستند که می‌خواهیم در مورد مراقبت تصمیم بگیرند، و توصیه‌هایی در مورد اینکه از چه درمانی اجتناب کنیم، آن را تغییر نمی‌دهد. ما می‌توانیم خطرات را بشناسیم و بر اساس نتایج 19000 درمان بیمار، حفاظ‌های مربوطه را اضافه کنیم – که معادل این است که یک مراقب هر روز بیش از 50 پیامد بیماری سپتیک را برای یک سال کامل ببیند.

در حرکت رو به جلو، محققان همچنین می خواهند روابط علی بین تصمیمات درمانی و تکامل سلامت بیمار را تخمین بزنند. آنها قصد دارند به تقویت این مدل ادامه دهند تا بتواند تخمین‌های عدم قطعیت را در مورد مقادیر درمان ایجاد کند که به پزشکان در تصمیم‌گیری آگاهانه‌تر کمک می‌کند. یکی دیگر از راه‌های ارائه اعتبار بیشتر مدل، اعمال آن بر روی داده‌های سایر بیمارستان‌ها است که امیدوارند در آینده این کار را انجام دهند.


محققان مدلی را برای پیش بینی احتمال ابتلای کودکان به شوک سپتیک ایجاد کردند


اطلاعات بیشتر:
بن بست های پزشکی و یادگیری برای شناسایی کشورها و درمان های پرخطر. papers.neurips.cc/paper/2021/f … 74eb7c696c-Paper.pdf

ارائه شده توسط موسسه فناوری ماساچوست

این داستان با حسن نیت از MIT News (web.mit.edu/newsoffice/)، یک سایت محبوب که اخبار مربوط به تحقیقات، نوآوری و آموزش MIT را پوشش می دهد، بازنشر شده است.

نقل قول: سیستم یادگیری ماشینی داروهایی را علامت‌گذاری می‌کند که ممکن است بیشتر ضرر داشته باشند تا مفید (2021، 9 دسامبر) در 9 دسامبر 2021 از https://medicalxpress.com/news/2021-12-machine-learning-flags-remedies-good.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.