چگونه پزشکان از هوش مصنوعی برای مبارزه با Covid-19 استفاده می کنند | علوم پایه


سال گذشته وقتی همه گیری Covid-19 شروع شد ، دکتر لارا جیحی و همکارانش در کلینیک کلیولند خیره کننده بودند. چه کسی در معرض خطر بود؟ بیمارانی که به احتمال زیاد بیمار می شوند چه کسانی هستند؟ آنها به چه نوع مراقبت هایی احتیاج دارند؟

جیئی ، مسئول اطلاعات کلینیک ، گفت: “س questionsالات بی پایان بود.” “ما این لوکس را نداشتیم که منتظر بمانیم و ببینیم که با گذشت زمان چه چیزی پیشرفت خواهد کرد.”

با پاسخ فوری مورد نیاز ، کلینیک کلیولند برای کمک به الگوریتم ها متوسل شد. این بیمارستان 17 متخصص خود را برای تعریف داده های مورد نیاز برای جمع آوری از سوابق الکترونیکی سلامت گرد هم آورده و از هوش مصنوعی برای ساخت یک مدل درمانی پیش بینی شده استفاده می کند. طی دو هفته ، این کلینیک الگوریتمی را بر اساس داده های 12000 بیمار ایجاد کرد که از سن ، نژاد ، جنسیت ، وضعیت اقتصادی اجتماعی ، سابقه واکسیناسیون و داروهای فعلی استفاده می کردند تا پیش بینی کند که آیا کسی از نظر ویروس کرونا مثبت است. پزشکان از آن در ابتدای همه گیری ، هنگامی که آزمایش ها در حد بالایی بود ، استفاده کردند تا در صورت نیاز به بیماران ، به آنها مشاوره دهند.

در طول سال گذشته ، این کلینیک بیش از سه ده مقاله در مورد استفاده از هوش مصنوعی منتشر کرده است. جیحی و همکارانش مدل هایی را ایجاد کردند که مبتلایان به ویروس را که ممکن است نیاز به بستری شدن در بیمارستان داشته باشند شناسایی می کند ، که به برنامه ریزی ظرفیت کمک می کند. آنها مدل دیگری ساختند که به پزشکان کمک می کرد تا بیماران را در مورد خطر مراقبت های ویژه هشدار دهند و افرادی که در معرض خطر بیشتری برای درمان تهاجمی هستند را در اولویت قرار دهند. و هنگامی که بیماران به خانه اعزام شدند و تحت نظر قرار گرفتند ، در نرم افزار کلینیک مشخص شد که چه بیمارانی ممکن است نیاز به بازگشت به بیمارستان داشته باشند.

هوش مصنوعی در حال حاضر توسط بیمارستان ها استفاده می شود ، اما موارد ناشناخته با Covid-19 و موارد گسترده باعث ایجاد فعالیت های جنون آمیز در سراسر ایالات متحده می شود. مدل های نمایش داده شده برای کمک به مراقبان مراقبت در بیماران در معرض خطر بیشتر ، تهدیدهای بهبودی بیمار را مرتب می کنند و جهش در تجهیزات مورد نیاز برای مواردی مانند تخت و ونتیلاتور را پیش بینی می کنند. اما همچنین در مورد چگونگی پیاده سازی ابزارهای جدید و اینکه آیا مجموعه داده های مورد استفاده برای ساخت مدل ها کافی و بدون تعصب است ، به سرعت س questionsالاتی ایجاد شد.

در بیمارستان Mount Sinai در منهتن ، بن Glicksberg ، متخصص ژنتیک و Girish Nadcarny ، متخصص نفرولوژی ، از موسسه بهداشت دیجیتال Haso Plattner و مرکز هوش بالینی Mount Sinai ، س questionsالات مشابه پزشکان کلینیک Cleveland را می پرسند. نارکارنی می گوید: “این یک بیماری کاملاً جدید بود که هیچ کتابی و هیچ الگویی برای آن وجود نداشت.” “ما مجبور شدیم به سرعت داده های منابع مختلف را جمع بندی کنیم تا در مورد آنها اطلاعات بیشتری کسب کنیم.”

در کوه سینا در حالی که بیمارانی که در مرکز بهار شیوع بیماری در آمریکای شمالی دچار طغیان در بیمارستان شده بودند ، محققان برای پیش بینی نیازهایشان برای ارزیابی خطر بیماران در حوادث مهم در فواصل سه ، پنج و هفت روز پس از پذیرش ، به داده ها روی آوردند. پزشکان رمزگشایی کردند که کدام بیمار احتمالاً به بیمارستان برمی گردد و افرادی را که ممکن است آماده ترخیص باشند شناسایی کردند.

تقریباً یک سال در جستجوی کمک به یادگیری ماشین ، گلیکسبرگ و نارکانی می گویند این یک ابزار است و نه یک جواب. کار آنها مدل هایی را نشان داد که بیماران در معرض خطر را شناسایی کرده و روابط اصلی را در پرونده سلامت آنها نشان می داد که نتایج را پیش بینی می کند. گلیکسبرگ گفت: “ما نمی گوییم که کد یادگیری ماشین را برای Covid شکسته ایم و می توانیم وقایع قابل توجه بالینی 100 درصدی را پیش بینی کنیم.”

نادکارنی می افزاید: “یادگیری ماشینی بخشی از کل معما است.”

برای Covid ، برنامه های کاربردی هوش مصنوعی طیف گسترده ای از مسائل را شامل می شوند ، از کمک به پزشکان در تصمیم گیری های درمانی گرفته تا اطلاع از نحوه تخصیص منابع. به عنوان مثال ، Langone Health از دانشگاه نیویورک ، یک برنامه هوش مصنوعی ایجاد کرده است تا پیش بینی کند کدام بیماران ممکن است به سطح پایین تری از مراقبت روی بیاورند یا در خانه بهبود یابند تا ظرفیت خود را باز کنند.

محققان در مرکز پزشکی دانشگاه ویرجینیا روی نرم افزاری کار کرده اند که به پزشکان کمک می کند نارسایی تنفسی منجر به لوله گذاری را تشخیص دهند. هنگامی که همه گیری رخ داد ، آنها نرم افزار را برای Covid-19 تطبیق دادند.

“به نظر ما رسید که وقتی همه این اتفاقات افتاد ، این چیزی است که ما در تمام این سالها روی آن کار کرده ایم. انتظار همه گیر شدن از این نوع طبیعت را نداشتیم. اما اینجا بود ، “گفت رندال مورمن ، استاد پزشکی در دانشگاه. “اما این فقط استفاده کامل از فناوری و ایده ای است که مدتهاست روی آن کار می کنیم.”

این نرم افزار با نام CoMET بر اساس طیف وسیعی از اقدامات بهداشتی شامل نوار قلب ، نتایج آزمایشگاه و علائم حیاتی ساخته شده است. این یک شکل دنباله دار بر روی صفحه LCD بیمار قرار می دهد ، که با افزایش خطر پیش بینی شده ، اندازه آن افزایش می یابد و رنگ آن تغییر می کند و زنگ خطر بینایی را که در میان بوق های بخش بیمارستان وجود دارد ، برای مراقبان مراقبت می کند. مورمن گفت: این نرم افزار در بیمارستان دانشگاه ویرجینیا استفاده می شود و برای مجوز از بیمارستان های دیگر نیز در دسترس است.

جسیکا کیم مالپاس ، یک شریک تحقیق در Moorman و یکی از نویسندگان مقاله ای در مورد استفاده از نرم افزار پیش بینی در درمان Covid ، می گوید تمرکز بر عملی ساختن این مدل بوده است. او می گوید: “این الگوریتم ها بارها و بارها پخش می شوند ، که بسیار عالی است ، اما نحوه استفاده اخلاقی از آنها کمتر مورد توجه قرار می گیرد.” “تعداد بسیار کمی از الگوریتم ها حتی به هر نوع تنظیم بالینی می رسند.”

ساخت کاری که این نرم افزار برای استفاده آسان توسط پزشکان ، پرستاران و سایر مراقبان انجام می دهد مهم است. وی گفت: پزشکان هر ساعت ، گاهی هر دقیقه با تصمیمات بمباران می شوند. “بعضی اوقات آنها واقعاً برای انجام کاری روی حصار قرار گرفته اند و اغلب اوقات هنوز موارد از نظر بالینی واضح نیستند. بنابراین هدف از الگوریتم کمک به فرد در تصمیم گیری بهتر است. “

اگرچه مدلهای زیادی در بیمارستانها موجود است ، اما امکان کار بیشتر وجود دارد. تعدادی از برنامه ها توسعه یافته اند اما هنوز منتشر نشده اند. محققان دانشگاه مینه سوتا با همکاری Epic ، ارائه دهنده سوابق الکترونیکی سلامت ، یک الگوریتم ایجاد کردند که اشعه ایکس قفسه سینه را برای Covid ارزیابی می کند و برای شناسایی الگوهای مرتبط با ویروس ثانیه طول می کشد. اما هنوز توسط سازمان غذا و دارو تأیید نشده است.

در دانشگاه جان هاپکینز ، مهندسان پزشکی و متخصصان قلب الگوریتمی ساخته اند که چند ساعت قبل از اینکه بیماران بستری در Covid-19 ایست قلبی یا لخته خون داشته باشند ، به پزشکان هشدار می دهد. در نسخه پیشین ، محققان گفتند که وی با داده های بیش از 2000 بیمار مبتلا به ویروس کرونا مورد آموزش و آزمایش قرار گرفته است. آنها اکنون در حال توسعه بهترین روش برای راه اندازی سیستم در بیمارستان ها هستند.

در حالی که بیمارستان ها به دنبال ادغام هوش مصنوعی در پروتکل های درمانی هستند ، برخی از محققان نگرانند که این ابزارها قبل از اینکه از نظر آماری معتبر شناخته شوند ، توسط سازمان غذا و دارو تأیید شده اند. آنچه نیاز به تأیید FDA دارد مبهم است. مدلهایی که برای تفسیر نتایج به یک متخصص بهداشت نیاز دارند نباید پاک شوند. در همین حال ، محققان دیگر نیز در تلاشند تا دقت ابزارهای نرم افزاری را در میان نگرانی از افزایش تعصب نژادی و اقتصادی – اقتصادی بهبود دهند.

محققان دانشگاه کالیفرنیا در سال 2019 گزارش دادند که بیمارستان هایی با الگوریتمی که برای شناسایی بیماران پر خطر برای مراقبت های پزشکی استفاده می شود ، نشان داد که بیماران سیاه پوست با همان نتیجه “خطر” به طور قابل توجهی بیمارتر از بیماران سفید پوست هستند ، زیرا داده های استفاده شده برای ایجاد مدل. از آنجا که همه گیری به طور نامتناسبی بر اقلیت ها تأثیر می گذارد ، ایجاد مدل های پیش بینی که تفاوت های سلامتی آنها را در نظر نگیرند ، به عنوان مثال ارزیابی خطر نادرست را تهدید می کند.

مقاله از ماه اوت مجله انجمن انفورماتیک پزشکی آمریکا، محققان در دانشگاه استنفورد می نویسند که نمونه های کوچک داده ها نماینده جمعیت عمومی بیماران نیستند و نسبت به اقلیت ها تعصب دارند. “امید است که هوش مصنوعی بتواند به تصمیمات درمانی در این بحران کمک کند. اما با توجه به تعصب گسترده ، عدم توسعه فعالانه استراتژیهای كاهش جامع در طی بیماری همه گیر COVID-19 باعث تشدید نابرابریهای بهداشتی موجود می شود. ”

نویسندگان ابراز نگرانی کردند که استفاده بیش از حد از هوش مصنوعی – که عینی به نظر می رسد اما نیست – برای تخصیص منابعی مانند دستگاه های تهویه و تخت های مراقبت های ویژه مورد استفاده قرار می گیرد. آنها اضافه كردند: “این ابزارها از داده های مغرضانه منعكس كننده سیستم های بهداشتی مغرضانه ساخته شده اند ، و بنابراین خود آنها نیز در معرض خطر بالایی از سوگیری قرار دارند – حتی اگر صراحتاً ویژگی های حساس مانند نژاد یا جنسیت را حذف كنند.”

گلیکسبرگ و نادکارنی از کوه سینا اهمیت مسئله تعصب را تشخیص می دهند. مدلهای آنها از محل منهتن با جمعیت متنوعی از بیماران از منطقه فوق شرقی ساید و هارلم گرفته شده بود ، اما سپس با استفاده از اطلاعات سایر بیمارستانهای کوه سینا در کوئینز و بروکلین ، بیمارستانهایی با جمعیت بیماران مختلف که برای تقویت مدلها استفاده شد ، اعتبارسنجی شد. . اما پزشکان اذعان می کنند که برخی از مشکلات اساسی بخشی از داده های آنها نیست. گلیکسبرگ می گوید: “عوامل اجتماعی سلامت ، مانند وضعیت اقتصادی-اجتماعی ، تقریباً در همه موارد مربوط به سلامتی نقش زیادی دارند و دقیقاً در داده های ما تسخیر یا در دسترس نیستند.” “برای تعیین اینکه چگونه می توان این مدل ها را به صورت عادلانه و پایدار در عمل بدون ایجاد اختلال در سیستم پیاده سازی کرد ، کارهای بیشتری باید انجام شود.”

آخرین مدل آنها پیش بینی می کند که چگونه بیماران با بررسی سوابق الکترونیکی سلامت در چندین سرور از پنج بیمارستان ضمن محافظت از حریم خصوصی بیمار ، با Covid-19 کنار بیایند. آنها دریافتند که مدل قویتر و پیش بینی بهتری نسبت به مدلهای مستقر در بیمارستانهای فردی است. از آنجا که داده های محدود Covid-19 در بسیاری از موسسات تقسیم شده است ، پزشکان مدل جدید را “بسیار ارزشمند” خوانده اند که به پیش بینی نتیجه بیمار کمک می کند.

جیئی می گوید در پایگاه داده کلیولند کلینیک بیش از 160،000 بیمار با بیش از 400 نقطه داده بیمار برای تأیید مدل های خود دارند. اما ویروس جهش یافته است و الگوریتم ها باید به دنبال بهترین مدل های درمانی ممکن باشند.

جیحی گفت: “اینطور نیست که داده های کافی وجود ندارد.” “نکته این است که داده ها باید به طور مداوم تجزیه و تحلیل و به روز شوند و همراه با این مدل ها بررسی شوند تا ارزش بالینی آنها حفظ شود.”




منبع: khabar-top.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*