دیدگاههوش مصنوعی

تشخیص سپسیس به کمک هوش مصنوعی

به اعتقاد محققان، هوش مصنوعی مانند یک پزشک عمل نمی‌کند بلکه هوش مصنوعی، یک پزشک است. اغلب مطالعات انجام شده درمورد استفاده از هوش مصنوعی در پزشکی و درمان بر تشخیص بیماری‌ها تمرکز داشته است. از تکنولوژی AI در بررسی‌های رایانه‌ای برای بررسی تصاویری مانند اشعه ایکس یا اسلایدهای آسیب‌شناسی استفاده شده است و با اطلاعات موجود در پرونده‌های پزشکی الکترونیکی ادغام شده‌اند تا تفاوت‌ها و الگوهای ظریفی را تشخیص دهند که ممکن است توسط انسان نادیده گرفته شود.


 IEEE Spectrum در گزارشی خبر داد که بیمارستان‌ها در تلاشند تا به کمک هوش مصنوعی بیمارانی را شناسایی کنند که علائم اولیه‌ی سپسیس(عفونت خون)، یک وضعیت تهدیدکننده‌ی زندگی است که بدن با التهاب گسترده به عفونت واکنش نشان می‌دهد که این التهاب می‌تواند به نارسایی اندام‌ها منجر شود، را تشخیص دهند. سپسیس یکی از علل اصلی مرگ در بیمارستان‌ها و همچنین یکی از پرهزینه‌ترین بیماری‌ها برای درمان است.

 در مقاله‌ای که در نیچر پزشکی به انتشار رسیده است این تکنولوژی تحت عنوان Clinical AI شرح داده می‌شود که تشخیص نمی‌دهد، بلکه تصمیم می‌گیرد. این تکنولوژی با دریافت تمام اطلاعات مربوط به بیمار مبتلا به سپسیس، یک دوره درمانی را توصیه و اجرا می‌کند.

آلدو فیصل، استادیار مهندسی زیست‌فناوری و محاسبات در کالج امپریال لندن و یکی از نویسندگان مقاله،  می‌گوید: “این تکنولوژی درجایی که پزشک علائم خاص بیماری را می‌بیند و شوک سپسیستیک را تشخیص می‌دهد، توانایی تشخیص پزشک را تقلید نمی‌کند؛ بلکه این تکنولوژی قادر به شناخت واقعی می‎باشدکه در حال حاضر ممکن شده است. ما AI را مانند یک پزشک در نظر نمی‌گیریم، چراکه ما این تکنولوژی را به گونه‌ای طراحی می‌کنیم که مانند یک پزشک عمل کند.”

اگرچه محققان به علت آماده نبودن این سیستم هوش مصنوعی برای کلینیک، هنوز موفق به آزمایش آن روی بیماران واقعی نشدند، در عوض، آن‌ها AI را در پایگاه‌های مدارک پزشکی از واحدهای مراقبت‌های ویژه (ICU) در ایالات متحده اجرا و آزمایش کردند. آن‌ها برای اولین‌بار از اطلاعات 17000 بیمار برای آموزش مدل در مورد درمان سپسیس استفاده کردند و سپس توصیه‌هایی برای 79000 بیمار ارائه دادند.

به طور کلی، درمان‌هایی که توسط هوش مصنوعی توصیه می‌شود در مقایسه با برنامه‌های درمانی که توسط پزشکان انسانی ارائه می‌شود به احتمال بیش‌تری، بیماران را زنده نگه می‌دارد.

آنتونی گوردون، استاد پزشکی کالج امپریال و همکارانش در این مطالعه، بیان می‌دارد که تلاش‌های بین‌المللی برای کاهش مرگ ‌و میر ناشی از سپسیس، منجر به تدوین دستورالعمل‌های درمانی شده است که بیمارستان‌ها سعی در پیروی از آن دارند. به گفته‌ی او دستورالعمل‌های بین‌المللی به‌طور نسبی ​​به شما می‌گویند که چه برنامه‌ی درمانی مناسب است و باید انجام دهید.

بخشی از برنامه‌ی درمان برای این بیماران تزریق داخل وریدی مایعات و داروهای گشادکننده عروقی است که انقباض عروق خونی و فشار خون را کاهش می‌دهند. این اقدامات به پزشکان اطمینان می‌دهد که خون به اندام‌ها منتقل می‌شود. با این حال، بحث‌های متعددی درمورد میزان تزریق و زمان آن وجود دارد.

محققان، Clinician AI را آموزش می‌دهند تا درمورد گشادکننده‌های عروقی به پزشکان توصیه‌هایی ارائه دهند. به گفته‌ی گوردون این توصیه‌های ابتدایی برای شروع مناسب است و در حال حاضر لازم است که روی مدل‌هایی کار شود که دیگر عوامل درمان را نیز دربرگیرد.

گوردون می‌گوید: “حتی یک سیستم AI ابتدایی هم می‌تواند گام بزرگی باشد؛ زیرا، با وجود اینکه من به عنوان پزشک ارشد تجربه‌ی فراوانی دارم اما در برخی شرایط درمورد درمان اطمینان کاملی ندارم.  هدف، جایگزین کردن Clinian AI در کنار بستر بیمار بجای پزشک نیست، اما می‌تواند ابزاری مفید باشد.” او همچنین افزود: “اگر من ابزاری داشته باشم که در تصمیم‌گیری به من کمک کند و بتواند به من توصیه‌هایی ارائه کند، من آن را به عنوان یک پاداش درنظر می‌گیرم.”

نسخه اولیه‌ی این تکنولوژی قادر به تصمیم‌گیری‌های درمانی در حدود 4 ساعت است، اما سرپرست AI می‌تواند تصمیم گیری کرده و پارامترهای درمان بیش‌تری را تغییر دهد. در ICU، در هر ثانیه، اطلاعات از مانیتورهای دوطرف تخت بیمار فرستاده می‌شود، و درحالی که پزشک انسانی نمی‌تواند این حجم از اطلاعات دریافت شده را درک کند، AI قادر به درک آن‌ها است.

به لحاظ نظری، AI می‌تواند قادر به کنترل پمپ‌های الکترونیکی باشد که مایع و داروهای داخل وریدی را عرضه کند. در همین راستا فیصل بیان می‌دارد که: “این تکنولوژی ممکن است شخصی‌ترین پزشکی باشد که می‌توانید تصور کنید، بدون اینکه نیاز باشد شما را ببیند.”

Clinician AI با استفاده از یادگیری تقویتی، آموزش می‌بیند و درنهایت به نوعی Machine Learning بدل می‌شود که برای آموزش سیستم‌های هوش مصنوعی به کارگرفته می‌شود.

اساساٌ، یادگیری تقویتی کاهش فرآیند به آزمون و خطا است. آموزش‌دهندگان هدفی مثل برنده شدن در یک بازی، کسب امتیاز بالا یا زنده‌ نگه داشتن بیمار مبتلا به سپسیس را به عنوان یک هدف در نظر می‌گیرند و پاداش را با آن مرتبط می‌سازند. در این مورد، AI به گونه‌ای برنامه‌ریزی شده بود که به ازای زنده ماندن هر بیمار امتیازی کسب کند و به ازای هربیماری که از دست می‌رفت امتیازی را از دست می‌داد. AI زنجیره‌ای از اقدامات را به‌طور تصادفی انجام می‌دهد و اگر به هدف نائل شود، اعتبار پرداخت می‌شود. بعد از تمرین‌های مکرر می‌آموزد که کدام مجموعه از اقدامات به احتمال بیش‌تر به نتیجه و پاداش منجر می‌شوند.

فیصل بیان داشت که این یادگیری خودآموز با اطلاعات ICU مطابقت خوبی داشت؛ چراکه، اطلاعات فراوانی در مورد وضعیت بیمار و هر کاری که توسط تیم درمانی به انجام رسیده در اختیار دارد. همچنین گفت: “ما از شرایطی که بیمار در آن قرار داشت و آنچه که تیم پزشکی انجام داده بود و همچنین نتایج آگاه بودیم.  برهمین اساس می‌توانیم الگوریتمی را شناسایی کنیم که بتوان به کمک آن با زنجیره‌ای از اقدامات را طراحی کنیم که حال وخیم بیمار را بهبود ببخشد.”

به دنبال استفاده‌ی Clinician AI از اطلاعات 17000بیمار به عنوان اطلاعات آزمایشی، این فرآیند براساس اطلاعات بدست آمده از 79000 بیماری که تکراری نبودند تکرار شد. به‌طور کلی، توصیه‌ی AI تجویز دوزهای کمتری از مایعات IV و دوزهای بالاتری از وازوپرسورها نسبت به بیمارانی بود که واقعا این دوزها را دریافت کرده بودند. بیمارانی که دوزهایی مشابه با تجویزهای AI Clinician را دریافت کرده بودند، کمترین نرخ مرگ‌ومیر را داشتند.

محققان قصد دارند که سیستم خود را در یک بیمارستان واقعی آزمایش کنند، اگرچه به لحاظ ایمنی، اولین آزمایشات بر مراقبت از بیمار تاثیر نخواهد گذاشت. در ابتدا Clinician AI اطلاعات زمان واقعی را از سیستم مدارک پزشکی بیمارستان دریافت خواهد کرد و توصیه‌ها را ارائه می‌دهد که البته پزشکان آن‌ها را نادیده گرفته یا به آن‌ها عمل نمی‌کنند. محققان نتیجه‌ی درمانی بیمار را مشاهده خواهند کرد و در این مورد تصمیم می‌گیرند که آیا حال بیماران در مقایسه با زمانی که پزشکان مستقل از این سیستم عمل می‌کنند، بهتر از زمانی است که به توصیه‌های درمانی AI عمل می‌کنند، یا نه.

اگر آزمایش‌ها، اثربخشی و کارآیی AI Clinician را ثابت کنند، محققان به سمت تجاری‌سازی این نرم‌افزار برای به کارگرفتن در بیمارستان‌های سراسر جهان حرکت خواهند کرد.

به گفته‌ی گوردون با وجود، سپسیس محققان برای پیدا کردن درمان‌های جدید تلاش کرده‌اند، اما بهینه‌سازی درمان‌های فعلی حتی اگر بتوان با تغییر درصد مرگ‌ومیر، ده‌ها هزار نفر را از مرگ حتمی نجات داد، می‌توان گفت که این تکنولوژی نقش مهمی در درمان داشته است.

این دیدگاه در تاریخ 22 اکتبر در وب سایت spectrum منتشر شده است.

لینک دیدگاه

برچسب‌ها
نمایش بیشتر

نوشته‌های مشابه

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

× هشـت = هشـتاد

دکمه بازگشت به بالا
بستن