هوش مصنوعی یاد گرفته است که عوارض خطرناک بعد از عمل جراحی را بهتر از پزشکان پیش‌بینی کند

مدل هوش مصنوعی برای پیش‌بینی عوارض بعد از عمل جراحی توسعه داده شد

به گزارش مجله خبری نگار، دانشمندان دانشگاه جانز هاپکینز یک مدل هوش مصنوعی توسعه داده‌اند که سیگنال‌های قبلاً غیرقابل تشخیص در الکتروکاردیوگرام‌های روتین (ECG) را شناسایی می‌کند و آنها را قادر می‌سازد تا عوارض تهدیدکننده زندگی را پس از جراحی به طور دقیق پیش‌بینی کنند. این فناوری به طور قابل توجهی از روش‌های ارزیابی ریسک موجود که توسط پزشکان استفاده می‌شود، بهتر عمل می‌کند. این مطالعه در مجله بریتانیایی بیهوشی (BJA) منتشر شده است.

رابرت دی. استیونز، نویسنده‌ی اصلی و رئیس واحد انفورماتیک، ادغام و نوآوری، خاطرنشان کرد: «ما نشان داده‌ایم که حتی یک نوار قلب (ECG) ساده حاوی اطلاعات حیاتی است که تشخیص آن با چشم غیرمسلح غیرممکن است. فقط روش‌های یادگیری ماشینی می‌توانند آن را استخراج کنند.»

پس از اعمال جراحی بزرگ، بخش قابل توجهی از بیماران در عرض ۳۰ روز عوارض شدیدی - حمله قلبی، سکته مغزی یا مرگ - را تجربه می‌کنند. نمرات ریسک فعلی چنین پیامد‌هایی را تنها در تقریباً ۶۰ ٪ موارد پیش‌بینی می‌کنند.

محققان این فرضیه را مطرح کردند که نوار قلب (ECG) ممکن است حاوی نشانگر‌های پنهانی باشد که نه تنها به سلامت قلب، بلکه به التهاب، متابولیسم، تنظیم هورمونی و سطح الکترولیت نیز مربوط می‌شوند. برای آزمایش این فرضیه، آنها داده‌های نوار قلب (ECG) قبل از عمل ۳۷۰۰۰ بیمار تحت عمل جراحی در بوستون را تجزیه و تحلیل کردند.

دو الگوریتم آموزش داده شدند: یکی فقط با ECG کار می‌کرد، دومی - که به اصطلاح «مدل فیوژن» نامیده می‌شود - داده‌های ECG را با شاخص‌های پزشکی بیماران (سن، جنس، بیماری‌های همراه) ترکیب می‌کرد.

هر دو مدل از نظر دقت، از مقیاس‌های خطر موجود بهتر عمل کردند، اما مدل ترکیبی مؤثرترین مدل بود: این مدل عوارض را با دقت ۸۵٪ پیش‌بینی کرد.

کارل هریس، دانشجوی دکترا در دانشکده مهندسی زیست‌پزشکی و یکی از نویسندگان این مطالعه، خاطرنشان کرد: «قابل توجه است که تنها ۱۰ ثانیه از داده‌های نوار قلب می‌تواند نتایج جراحی را با چنین دقتی پیش‌بینی کند. این یک نتیجه واقعاً قابل توجه است که می‌تواند نحوه ارزیابی خطرات جراحی را تغییر دهد.»

مرحله بعدی، اعتبارسنجی الگوریتم روی نمونه‌های حتی بزرگتر و آزمایش آن به صورت بلادرنگ روی بیمارانی است که برای جراحی آماده می‌شوند.

لینک کپی شد

اشتراک‌ گذاری