محققان مدل جدیدی از یادگیری ماشینی مبتنی بر هوش مصنوعی ابداع کرده‌اند که می‌تواند آسیب حاد کلیه را با دقت و سرعت بالایی پیش‌بینی کند
شفا آنلاین>سلامت>محققان آمریکایی با کمک «هومن رشیدی» محقق ایرانی یک مدل هوش مصنوعی ابداع کرده‌اند که می‌تواند آسیب حاد کلیه را به ویژه برای بیماران سوختگی، با سرعت و دقت بیشتری پیش‌بینی کند.
به گزارش شفا آنلاین، بسیاری از قربانیان سوختگی، از «آسیب حاد کلیه» (AKI) رنج می‌برند اما تشخیص زودهنگام این مشکل، به یک چالش بزرگ تبدیل شده است. اکنون محققان «مرکز پزشکی دانشگاه کالیفرنیا دیویس»آمریکا با همکاری «هومن رشیدی» استاد بخش پاتولوژی و پزشکی آزمایشگاهی این مرکز، مدل جدیدی از یادگیری ماشینی مبتنی بر هوش مصنوعی(Artificial intelligence) ابداع کرده‌اند که می‌تواند آسیب حاد کلیه را با دقت و سرعت بالایی پیش‌بینی کند.
«تینا پالمیری»، استاد مرکز پزشکی دانشگاه کالیفرنیا دیویس گفت: توانایی پیش‌بینی آسیب حاد کلیه در بیماران مبتلا به سوختگی با استفاده از هوش مصنوعی، کار قابل توجهی برای مراکز درمان سوختگی به شمار می‌رود زیرا اگر بتوانیم امکان ابتلا به آسیب حاد کلیه را در بیماران پیش‌بینی کنیم، می‌توانیم راه‌های درمان آن را نیز ارائه دهیم.
آسیب حاد کلیه چیست؟
آسیب حاد کلیه در واقع نارسایی ناگهانی کلیه یا آسیب ناشی از تجمع ضایعات در خون و عدم توازن مایع در بدن است. آسیب حاد کلیه معمولی در هفته اول سوختگی شدید به دلیل احیای نامناسب به ویژه در ۲۴ ساعت بحرانی اول روی می‌دهد. ابتلا به آسیب حاد کلیه پس از سوختگی شدید، یک عارضه متداول است که در ۳۰ درصد قربانیان سوختگی پیش می‌آید و تا ۸۰ درصد آنها را به کام مرگ می‌کشاند.
تشخیص آسیب حاد کلیه
پزشکان معمولاً برای تشخیص آسیب حاد کلیه، بر بررسی نشانگرهای زیستی قدیمی مانند میزان کراتینین در خون و خروجی ادرار تکیه می‌کنند، اما با این حال میزان کراتینین در خون و خروجی ادرار، نشانگرهای ضعیفی برای تشخیص آسیب حاد کلیه هستند.
«نام تران» استادیار بخش آسیب‌شناسی مرکز پزشکی دانشگاه کالیفرنیا دیویس گفت: ما برای نخستین بار موفق شدیم به نقش یک نشانگر زیستی جدید موسوم به «NGAL» پی ببریم که می‌تواند به تشخیص زودهنگام آسیب حاد کلیه در بیماران مبتلا به سوختگی شدید کمک کند.
NGAL به رغم قدرت تشخیصی بالا، در دسترس نیست و بررسی آن، به پزشکان و متخصصان آزمایشگاهی باتجربه نیاز دارد، این چالش باعث ابداع یک مدل ماشین فراگیری مبتنی بر هوش مصنوعی شد که تفسیر نتایج آزمایش NGAL را تسهیل می کند.
افزایش دقت تشخیص با هوش مصنوعی
گاهی اوقات، یادگیری ماشینی مبتنی بر هوش مصنوعی، الگوریتم‌های پیچیده‌تری را به همراه دارد که بهتر از الگوریتم‌های قدیمی عمل می‌کنند اما همیشه هم این گونه نیست.
رشیدی در این باره گفت: ما یک مدل یادگیری ماشینی قوی ابداع کرده‌ایم که می‌تواند آسیب حاد کلیه را با دقت بالا و در مدت کوتاه‌تری پیش‌بینی کند، این مدل می‌تواند براساس داده‌های به دست آمده، زمان تشخیص را کاهش دهد.
پژوهشگران، این مدل یادگیری ماشینی را با داده‌های بالینی به دست آمده از ۵۰ بیمار بزرگسال مبتلا به سوختگی آموزش دادند، مدل یادگیری ماشینی پس از آموزش توانست آسیب حاد کلیه را با دقت بین ۸۰ تا ۱۰۰ درصد و سرعت بالا تشخیص دهد. این در حالی است که میانگین زمان تشخیص با نشانگرهای زیستی قدیمی، ۴۲.۷ ساعت و با کمک الگوریتم یادگیری ماشینی، تنها ۱۸.۸ ساعت بود.
تران افزود: بررسی ما نشان می‌دهد که این مدل یادگیری ماشینی می‌تواند برای پیش‌بینی آسیب حاد کلیه در قربانیان سوختگی، کارآمد باشد.
کاربردهای مدل یادگیری ماشینی
از آنجا که سربازان مجروح در میدان های جنگ معمولاً به بیمارستان‌هایی فرستاده می شوند که فاقد تجهیزات لازم برای مدیریت آسیب کلیه(Kidney damage) هستند، این روش فراگیری ماشینی مبتنی بر هوش مصنوعی می‌تواند بیماران مبتلا به آسیب حاد کلیه را زودتر تشخیص دهد تا آنها سریع‌تر به مراکز درمانی مجهزتری فرستاده شوند. در جهان غیرنظامی نیز این مدل یادگیری ماشینی می‌تواند بیماران مبتلا به آسیب حاد کلیه را به سرعت شناسایی کند تا زودتر به مراکز درمانی مجهز فرستاده شوند.
رشیدی افزود: ما باور داریم که می‌توان این پلتفرم یادگیری ماشینی را برای مواردی به جز تشخیص آسیب حاد کلیه به کار گرفت تا در نهایت روش‌های گوناگونی برای مراقبت از بیماران در حوزه پزشکی ارائه شود.
به گزارش شفا آنلاین، بسیاری از قربانیان سوختگی، از «آسیب حاد کلیه» (AKI) رنج می‌برند اما تشخیص زودهنگام این مشکل، به یک چالش بزرگ تبدیل شده است. اکنون محققان «مرکز پزشکی دانشگاه کالیفرنیا دیویس»آمریکا با همکاری «هومن رشیدی» استاد بخش پاتولوژی و پزشکی آزمایشگاهی این مرکز، مدل جدیدی از یادگیری ماشینی مبتنی بر هوش مصنوعی(Artificial intelligence) ابداع کرده‌اند که می‌تواند آسیب حاد کلیه را با دقت و سرعت بالایی پیش‌بینی کند.
«تینا پالمیری»، استاد مرکز پزشکی دانشگاه کالیفرنیا دیویس گفت: توانایی پیش‌بینی آسیب حاد کلیه در بیماران مبتلا به سوختگی با استفاده از هوش مصنوعی، کار قابل توجهی برای مراکز درمان سوختگی به شمار می‌رود زیرا اگر بتوانیم امکان ابتلا به آسیب حاد کلیه را در بیماران پیش‌بینی کنیم، می‌توانیم راه‌های درمان آن را نیز ارائه دهیم.
آسیب حاد کلیه چیست؟
آسیب حاد کلیه در واقع نارسایی ناگهانی کلیه یا آسیب ناشی از تجمع ضایعات در خون و عدم توازن مایع در بدن است. آسیب حاد کلیه معمولی در هفته اول سوختگی شدید به دلیل احیای نامناسب به ویژه در ۲۴ ساعت بحرانی اول روی می‌دهد. ابتلا به آسیب حاد کلیه پس از سوختگی شدید، یک عارضه متداول است که در ۳۰ درصد قربانیان سوختگی پیش می‌آید و تا ۸۰ درصد آنها را به کام مرگ می‌کشاند.
تشخیص آسیب حاد کلیه
پزشکان معمولاً برای تشخیص آسیب حاد کلیه، بر بررسی نشانگرهای زیستی قدیمی مانند میزان کراتینین در خون و خروجی ادرار تکیه می‌کنند، اما با این حال میزان کراتینین در خون و خروجی ادرار، نشانگرهای ضعیفی برای تشخیص آسیب حاد کلیه هستند.
«نام تران» استادیار بخش آسیب‌شناسی مرکز پزشکی دانشگاه کالیفرنیا دیویس گفت: ما برای نخستین بار موفق شدیم به نقش یک نشانگر زیستی جدید موسوم به «NGAL» پی ببریم که می‌تواند به تشخیص زودهنگام آسیب حاد کلیه در بیماران مبتلا به سوختگی شدید کمک کند.
NGAL به رغم قدرت تشخیصی بالا، در دسترس نیست و بررسی آن، به پزشکان و متخصصان آزمایشگاهی باتجربه نیاز دارد، این چالش باعث ابداع یک مدل ماشین فراگیری مبتنی بر هوش مصنوعی شد که تفسیر نتایج آزمایش NGAL را تسهیل می کند.
افزایش دقت تشخیص با هوش مصنوعی
گاهی اوقات، یادگیری ماشینی مبتنی بر هوش مصنوعی، الگوریتم‌های پیچیده‌تری را به همراه دارد که بهتر از الگوریتم‌های قدیمی عمل می‌کنند اما همیشه هم این گونه نیست.
رشیدی در این باره گفت: ما یک مدل یادگیری ماشینی قوی ابداع کرده‌ایم که می‌تواند آسیب حاد کلیه را با دقت بالا و در مدت کوتاه‌تری پیش‌بینی کند، این مدل می‌تواند براساس داده‌های به دست آمده، زمان تشخیص را کاهش دهد.
پژوهشگران، این مدل یادگیری ماشینی را با داده‌های بالینی به دست آمده از ۵۰ بیمار بزرگسال مبتلا به سوختگی آموزش دادند، مدل یادگیری ماشینی پس از آموزش توانست آسیب حاد کلیه را با دقت بین ۸۰ تا ۱۰۰ درصد و سرعت بالا تشخیص دهد. این در حالی است که میانگین زمان تشخیص با نشانگرهای زیستی قدیمی، ۴۲.۷ ساعت و با کمک الگوریتم یادگیری ماشینی، تنها ۱۸.۸ ساعت بود.
تران افزود: بررسی ما نشان می‌دهد که این مدل یادگیری ماشینی می‌تواند برای پیش‌بینی آسیب حاد کلیه در قربانیان سوختگی، کارآمد باشد.
کاربردهای مدل یادگیری ماشینی
از آنجا که سربازان مجروح در میدان های جنگ معمولاً به بیمارستان‌هایی فرستاده می شوند که فاقد تجهیزات لازم برای مدیریت آسیب کلیه(Kidney damage) هستند، این روش فراگیری ماشینی مبتنی بر هوش مصنوعی می‌تواند بیماران مبتلا به آسیب حاد کلیه را زودتر تشخیص دهد تا آنها سریع‌تر به مراکز درمانی مجهزتری فرستاده شوند. در جهان غیرنظامی نیز این مدل یادگیری ماشینی می‌تواند بیماران مبتلا به آسیب حاد کلیه را به سرعت شناسایی کند تا زودتر به مراکز درمانی مجهز فرستاده شوند.
رشیدی افزود: ما باور داریم که می‌توان این پلتفرم یادگیری ماشینی را برای مواردی به جز تشخیص آسیب حاد کلیه به کار گرفت تا در نهایت روش‌های گوناگونی برای مراقبت از بیماران در حوزه پزشکی ارائه شود.
نظرشما
آخرین اخبار