او ادامه می‌دهد: «امیدواریم که در توسعه این مدل پیش‌بینی موفق باشیم تا دقت آن را افزایش دهیم. امروزه، این مدل می‌تواند به عنوان پشتیبان پزشکان در شناسایی عوامل مؤثر بر بقای بیماران ایست قلبی باشد. از بیمارستان مرخص شود.»
هوش مصنوعی از تصمیمات سخت پزشکان در مورد ایست قلبی پشتیبانی می کند – ScienceDaily
تا به امروز، گروه تحقیقاتی دو ابزار پشتیبانی تصمیم را منتشر کرده است. یک مدل پیش‌بینی بالینی، معروف به SCARS-1، در ارائه شده است لنست eBioMedicine مجله. این مدل نشان می دهد که آیا یک مورد بیمار جدید شبیه سایر موارد قبلی است که 30 روز پس از ایست قلبی آنها، بیماران زنده مانده یا فوت کرده اند. دقت مدل به طور غیرعادی بالاست. بر اساس ده عامل مهم به تنهایی، مدل دارای حساسیت 95 درصد و ویژگی 89 درصد است. مقدار “AUC-ROC” (ROC منحنی مشخصه عملکرد گیرنده برای مدل و AUC ناحیه زیر منحنی ROC است) برای این مدل 0.97 است. بالاترین مقدار ممکن AUC-ROC 1.0 و آستانه برای یک مدل مرتبط بالینی 0.7 است.
این برنامه به داده‌های ثبت احیای قلبی ریوی سوئد در مورد ده‌ها هزار بیمار دسترسی دارد. محققان دانشگاه گوتنبرگ از شکل پیشرفته‌ای از یادگیری ماشین برای آموزش مدل‌های پیش‌بینی بالینی برای شناسایی عوامل مختلفی که بر نتایج قبلی تأثیر گذاشته‌اند، استفاده کرده‌اند. الگوریتم‌ها عوامل متعددی را در نظر می‌گیرند که به‌عنوان مثال، ایست قلبی، درمان ارائه‌شده، بیماری قبلی، دارو، و وضعیت اجتماعی-اقتصادی مرتبط هستند.
یک تکه از پازل
این شکل از حمایت بر اساس 393 عامل موثر بر شانس بیماران برای زنده ماندن از ایست قلبی به مدت 30 روز پس از رویداد است. دقت بالای این مدل ممکن است با تعداد زیادی از موارد بیمار (تقریباً 55000) توضیح داده شود که الگوریتم مبتنی بر آن است و این واقعیت که ده عامل از تقریباً 400 عامل تأثیر زیادی بر بقا دارند. تا حد زیادی مهمترین عامل این بود که آیا قلب پس از پذیرش بیمار در بخش اورژانس دوباره ریتم قلبی قابل قبولی را به دست آورد یا خیر.
خطر ایست قلبی جدید
چند سالی می‌گذرد تا توصیه‌های رسمی برای ایست قلبی احتمالاً شامل پشتیبانی تصمیم‌گیری مبتنی بر هوش مصنوعی شود، اما پزشکان در استفاده از این مدل‌های پیش‌بینی و سایر روش‌های جدید و مبتنی بر شواهد آزادند. گروه تحقیقاتی که بر روی حمایت تصمیم‌گیری برای ایست قلبی کار می‌کنند، توسط آراز روشانی، محقق آکادمی Sahlgrenska دانشگاه و پزشک مقیم در قلب و عروق در بیمارستان دانشگاه Sahlgrenska، رهبری می‌شود.
دومین ابزار پشتیبانی تصمیم منتشر شده در مجله Resuscitation ارائه شده است. این ابزار بر اساس داده‌های بیمارانی است که از ایست قلبی خارج از بیمارستان تا زمان مرخص شدن از بیمارستان جان سالم به در برده‌اند. مدل های پیش بینی بر اساس 886 عامل در 5098 مورد بیمار از ثبت احیای قلبی ریوی سوئد است. هدف این ابزار تا حدودی کمک به پزشکان برای شناسایی بیمارانی است که در یک سال پس از ترخیص از بیمارستان پس از ایست قلبی در معرض خطر ایست قلبی یا مرگ دیگر قرار دارند. همچنین هدف آن برجسته کردن عواملی است که برای بقای طولانی مدت پس از ایست قلبی مهم هستند – جنبه ای از حوزه موضوعی که به خوبی مطالعه نشده است.
روش های جدید مبتنی بر شواهد
“این حمایت تصمیم یکی از چندین بخش در یک پازل بزرگ است: ارزیابی کلی پزشک از یک بیمار. ما عوامل مختلفی را برای تصمیم گیری در مورد ادامه احیای قلبی ریوی در نظر می گیریم. این یک درمان بسیار سخت است که فقط باید آن را انجام دهیم. هسولف می‌گوید: بیمارانی که از آن سود می‌برند و می‌توانند پس از اقامت در بیمارستان، زندگی ارزشمندی برای خود داشته باشند.
این پشتیبانی تصمیم توسط فردریک هسولف، دانشجوی دکترا در آکادمی Sahlgrenska، دانشگاه گوتنبرگ، و متخصص بیهوشی در بیمارستان دانشگاه Sahlgrenska/Mölndal ایجاد شده است.
یکی از این ابزارهای پشتیبانی تصمیم (SCARS-1) که اکنون منتشر شده است، به صورت رایگان از وب سایت مطالعات یادگیری ماشینی ایست قلبی گوتنبرگ قابل دانلود است. با این حال، نتایج حاصل از الگوریتم باید توسط افرادی با مهارت های مناسب تفسیر شود. پشتیبانی تصمیم گیری مبتنی بر هوش مصنوعی در بسیاری از زمینه های مراقبت های بهداشتی به شدت در حال گسترش است و بحث های گسترده ای در حال انجام است که چگونه خدمات مراقبتی و بیماران به طور یکسان می توانند از آن بیشترین بهره را ببرند.
هنگامی که بیماران پس از ایست قلبی مراقبت دریافت می کنند، پزشکان اکنون می توانند – با وارد کردن داده های بیمار در یک برنامه مبتنی بر وب – دریابند که هزاران بیمار مشابه چگونه بوده اند. محققان دانشگاه گوتنبرگ سه سیستم پشتیبانی تصمیم گیری برای ایست قلبی ایجاد کرده اند که ممکن است در آینده تفاوت عمده ای در کار پزشکان ایجاد کند.
بسیار دقیق
