تحقیقات فناوری کمک هوش مصنوعی را برای متخصصان بیهوشی – ScienceDaily پیشرفت می‌دهد


یک مطالعه جدید توسط محققان MIT و بیمارستان عمومی ماساچوست نشان می دهد که ممکن است روزی نزدیک شود که سیستم های هوش مصنوعی پیشرفته بتوانند به متخصصان بیهوشی در اتاق عمل کمک کنند.

در نسخه ویژه هوش مصنوعی در پزشکی، تیمی از دانشمندان علوم اعصاب، مهندسان و پزشکان یک الگوریتم یادگیری ماشینی را برای خودکارسازی مداوم دوز داروی بیهوشی پروپوفول نشان دادند. با استفاده از کاربرد یادگیری تقویتی عمیق، که در آن شبکه‌های عصبی نرم‌افزار به طور همزمان یاد می‌گیرند که چگونه انتخاب‌های دوز آن ناخودآگاه را حفظ می‌کنند و چگونه اثربخشی اقدامات خود را نقد می‌کنند، این الگوریتم در شبیه‌سازی‌های پیچیده و مبتنی بر فیزیولوژی بیماران از نرم‌افزار سنتی‌تر بهتر عمل کرد. همچنین با عملکرد متخصصان بیهوشی واقعی در هنگام نشان دادن آنچه که برای حفظ بیهوشی با توجه به داده های ثبت شده از 9 عمل جراحی واقعی انجام می شود، کاملاً مطابقت داشت.

پیشرفت‌های این الگوریتم امکان‌پذیری رایانه‌ها را افزایش می‌دهد تا بیهوشی بیمار را بدون هیچ دارویی بیشتر از حد مورد نیاز حفظ کنند، در نتیجه متخصصان بیهوشی را برای تمام مسئولیت‌های دیگری که در اتاق عمل دارند، از جمله اطمینان از بی‌حرکی ماندن بیماران، عدم تجربه درد و ثبات فیزیولوژیکی آزاد می‌کند. نویسندگان همکار، Gabe Schamberg و Marcus Badgeley گفتند و اکسیژن کافی دریافت کنید.

شامبرگ، فوق دکترای سابق MIT که همچنین نویسنده مسئول این مطالعه است، می‌گوید: «می‌توان هدف ما را مشابه خلبان خودکار هواپیما در نظر گرفت که در آن کاپیتان همیشه در کابین خلبان است و به آن توجه می‌کند. متخصصان بیهوشی باید به طور همزمان جنبه های متعددی از وضعیت فیزیولوژیکی بیمار را زیر نظر داشته باشند و بنابراین منطقی است که آن جنبه هایی از مراقبت از بیمار را که به خوبی درک می کنیم خودکار کنیم.

Emery N. Brown، نویسنده ارشد، عصب شناس در موسسه Picower برای یادگیری و حافظه و موسسه مهندسی پزشکی و علوم در MIT و متخصص بیهوشی در MGH، گفت که پتانسیل این الگوریتم برای کمک به بهینه سازی دوز دارو می تواند مراقبت از بیمار را بهبود بخشد.

براون، پروفسور ادوارد هود تاپلین، پروفسور علوم اعصاب محاسباتی و علوم و فناوری سلامت در MIT، گفت: «الگوریتم‌هایی مانند این الگوریتم‌ها به متخصصان بیهوشی اجازه می‌دهند تا در طول بیهوشی عمومی مراقب بیمار باشند.»

هم بازیگر و هم منتقد

تیم تحقیقاتی یک رویکرد یادگیری ماشینی طراحی کرد که نه تنها نحوه دوز پروپوفول برای حفظ بیهوشی بیمار را یاد می‌گیرد، بلکه نحوه انجام این کار را به روشی انجام می‌دهد که مقدار داروی تجویز شده را بهینه می‌کند. آنها این کار را با اعطای دو شبکه عصبی مرتبط به نرم افزار انجام دادند: یک «بازیگر» با مسئولیت تصمیم گیری در مورد مقدار دارو در هر لحظه و یک «منتقد» که وظیفه اش کمک به بازیگر بود تا به نحوی رفتار کند که حداکثر رفتار را انجام دهد. “پاداش” مشخص شده توسط برنامه نویس. به عنوان مثال، محققان با آموزش الگوریتم با استفاده از سه پاداش مختلف آزمایش کردند: یکی که فقط مصرف بیش از حد را جریمه می کرد، دیگری که ارائه هر دوزی را زیر سوال می برد و دیگری که هیچ مجازاتی در نظر نمی گرفت.

در هر مورد، آنها الگوریتم را با شبیه‌سازی بیمارانی که از مدل‌های پیشرفته‌ای از هر دو فارماکوکینتیک استفاده می‌کردند، یا سرعت رسیدن دوزهای پروپوفول به مناطق مربوطه پس از تجویز دوز، و فارماکودینامیک، یا اینکه چگونه دارو در واقع هوشیاری خود را تغییر می‌دهد، آموزش دادند. مقصد در همین حال، سطوح بیهوشی بیمار در اندازه گیری امواج مغزی منعکس شد، همانطور که می تواند در اتاق های عمل واقعی باشد. با اجرای صدها دور شبیه سازی با طیف وسیعی از مقادیر برای این شرایط، هم بازیگر و هم منتقد می توانند یاد بگیرند که چگونه نقش خود را برای انواع مختلف بیماران ایفا کنند.

معلوم شد مؤثرترین سیستم پاداش همان «جریمه دوز» است که در آن منتقد هر دوزی را که بازیگر می‌داد زیر سؤال می‌برد و مدام از بازیگر می‌خواست که دوز را به حداقل لازم برای حفظ بیهوشی نگه دارد. بدون هیچ جریمه دوز، سیستم گاهی اوقات بیش از حد دوز می کرد و فقط با یک جریمه بیش از حد، گاهی اوقات خیلی کم می داد. مدل «جریمه دوز» سریع‌تر یاد گرفت و خطای کمتری نسبت به سایر مدل‌های ارزش و نرم‌افزار استاندارد سنتی، یک کنترل‌کننده «مشتق انتگرال متناسب» ایجاد کرد.

یک مشاور توانا

پس از آموزش و آزمایش الگوریتم با شبیه‌سازی، Schamberg و Badgeley نسخه «مجازات دوز» را با تغذیه داده‌های هوشیاری بیمار که از موارد واقعی در اتاق عمل ثبت شده بود، به آزمایشی واقعی‌تر گذاشتند. آزمایش هم نقاط قوت و هم محدودیت های الگوریتم را نشان داد.

در طول اکثر آزمایش‌ها، انتخاب‌های دوز الگوریتم دقیقاً با انتخاب‌های بیهوش‌شناسان شرکت‌کننده پس از القای بیهوشی و قبل از اینکه دیگر ضروری نباشد، مطابقت داشت. باجلی خاطرنشان کرد، با این حال، الگوریتم دوز را به دفعات هر پنج ثانیه تنظیم می‌کرد، در حالی که متخصصان بیهوشی (که همگی کارهای دیگری برای انجام دادن داشتند) معمولاً این کار را هر 20 تا 30 دقیقه انجام می‌دادند.

همانطور که آزمایش ها نشان داد، این الگوریتم در وهله اول برای القای بیهوشی بهینه نشده است، محققان اذعان کردند. آنها اضافه کردند که این نرم افزار به خودی خود نمی داند چه زمانی جراحی تمام شده است، اما مدیریت این فرآیند برای متخصص بیهوشی یک موضوع ساده است.

Schamberg گفت: یکی از مهم ترین چالش هایی که هر سیستم هوش مصنوعی احتمالاً همچنان با آن مواجه است، این است که آیا داده هایی که در مورد بیهوشی بیمار ارائه می شود، کاملاً دقیق است یا خیر. یکی دیگر از حوزه‌های فعال تحقیقاتی در آزمایشگاه براون در MIT و MGH، بهبود تفسیر منابع داده، مانند سیگنال‌های امواج مغزی، برای بهبود کیفیت داده‌های نظارت بر بیمار تحت بیهوشی است.

علاوه بر Schamberg، Badgeley و Brown، نویسندگان دیگر مقاله Benyamin Meschede-Krasa و Ohyoon Kwon هستند.

بنیاد JPB و موسسات ملی بهداشت این مطالعه را تامین مالی کردند.



منبع

Matthew Newman

Matthew Newman Matthew has over 15 years of experience in database management and software development, with a strong focus on full-stack web applications. He specializes in Django and Vue.js with expertise deploying to both server and serverless environments on AWS. He also works with relational databases and large datasets
[ Back To Top ]