به گزارش پایگاه خبری تحلیلی ببین و بخون؛ محققان مرکز علوم بهداشتی سیدرز-ساینای (Cedars-Sinai) در لس‌آنجلس، مدلی مبتنی بر هوش مصنوعی توسعه داده‌اند که می‌تواند افت قند خون (هیپوگلیسمی) بیماران بستری در بیمارستان را تا ۲۴ ساعت قبل از وقوع پیش‌بینی کند. این ابزار که با استفاده از داده‌های پرونده الکترونیک سلامت (EHR) آموزش دیده، با دقتی قابل‌توجه، بیماران در معرض خطر را شناسایی کرده و به تیم‌های درمانی امکان می‌دهد تا پیش از بروز عوارض خطرناکی مانند تشنج، کما یا آریتمی قلبی، اقدامات پیشگیرانه انجام دهند .

پیش‌بینی افت قند خون تا ۲۴ ساعت بعد

مدل هوش مصنوعی توسعه‌یافته توسط محققان سیدرز-ساینای که در مجله علمی npj Digital Medicine منتشر شده است، از نوع شبکه‌های حافظه کوتاه‌مدت بلندمدت (LSTM) بوده و با تحلیل الگوهای موجود در داده‌های پزشکی بیماران، از جمله داروها، نتایج آزمایش‌ها، وعده‌های غذایی و سایر اطلاعات موجود در پرونده الکترونیک سلامت، احتمال افت قند خون را در ۲۴ ساعت آینده پیش‌بینی می‌کند .

دکتر روما گیانچاندانی، نویسنده ارشد این مطالعه، می‌گوید: «در حال حاضر، بیشتر مراقبت‌های بیمارستانی برای هیپوگلیسمی واکنشی است و ما پس از افت قند خون بیمار واکنش نشان می‌دهیم. این مدل هوش مصنوعی به ما امکان می‌دهد تا قبل از وقوع، بیماران در معرض خطر را شناسایی کنیم» .

عملکرد دقیق و پایدار در محیط واقعی

محققان این مدل را با استفاده از داده‌های بیش از ۱۴۳ هزار مورد بستری بزرگسال در سه بیمارستان سیستم سلامت سیدرز-ساینای بین سال‌های ۲۰۱۴ تا ۲۰۲۵ توسعه و آزمایش کردند. آنها سپس ابزار را با استفاده از داده‌های بیمارستانی آینده‌نگر (prospective) اعتبارسنجی کردند تا یافته‌های اولیه را تأیید نمایند .

بر اساس نتایج منتشرشده، این مدل LSTM با امتیاز F1 معادل ۰.۳۰، دقت ۰.۲۳ و یادآوری ۰.۴۴، عملکردی بهتر از سایر مدل‌های پایه مانند رگرسیون لجستیک، شبکه عصبی متراکم و XGBoost از خود نشان داد . همچنین عملکرد این ابزار در اعتبارسنجی روزانه با داده‌های واقعی بیمارستان، پایدار باقی ماند .

مزیت‌های کلیدی و کاربرد عملی

محققان تخمین می‌زنند که این ابزار می‌تواند روزانه حدود ۳ تا ۴ مورد افت قند خون را در یک بیمارستان بزرگ پیشگیری کند. با تعمیم این عدد به تمام تخت‌های بیمارستانی در جهان، تأثیر آن می‌تواند بسیار قابل‌توجه باشد .

دکتر جسی مایر، نویسنده ارشد این مطالعه، می‌گوید: «آنچه هیجان‌انگیز است این است که این فقط یک مدل نظری نیست، بلکه ساخته شده و اعتبارسنجی شده است تا به‌صورت پیش‌فعال و در زمان واقعی با استفاده از داده‌هایی که بیمارستان‌ها از قبل جمع‌آوری می‌کنند، کار کند. با شناسایی زودهنگام بیماران در معرض خطر، فرصتی برای کاهش عوارض قابل‌پیشگیری و بهبود ایمنی بیمار داریم» .

چشم‌انداز آینده

اگر این مدل به‌طور گسترده مورد استفاده قرار گیرد، می‌تواند به مراقبت‌های پیش‌فعال و مبتنی بر داده برای بیماران دیابتی و سایر بیمارانی که شرایط آنها بر قند خون تأثیر می‌گذارد، منجر شود . همچنین آملیا مومن‌زاده، نویسنده اول این مطالعه، تأکید کرده که این مدل با ارائه بینش‌های عملی به تیم‌های مراقبت، می‌تواند از برنامه‌های مدیریت دیابت بیمارستانی نیز پشتیبانی کند .

جمع‌بندی کاربردی

هوش مصنوعی با تحلیل داده‌های بیمارستانی، گامی بلند در جهت پیش‌بینی و پیشگیری از افت قند خون در بیماران بستری برداشته است. این ابزار جدید که در سیدرز-ساینای توسعه یافته، با ارائه هشدارهای ۲۴ ساعته، به کادر درمان امکان می‌دهد تا از بروز عوارض جدی جلوگیری کرده و ایمنی بیماران را افزایش دهند. این فناوری نه‌تنها یک مدل نظری، بلکه یک راهکار عملی و قابل‌استفاده در محیط‌های واقعی بیمارستانی محسوب می‌شود.

سوالات متداول

۱. هوش مصنوعی چگونه افت قند خون را پیش‌بینی می‌کند؟
این مدل با تحلیل الگوهای موجود در داده‌های پرونده الکترونیک سلامت بیماران، از جمله داروها، نتایج آزمایش‌ها، وعده‌های غذایی و سایر اطلاعات پزشکی، احتمال افت قند خون را تا ۲۴ ساعت قبل از وقوع پیش‌بینی می‌کند .

۲. این ابزار هوش مصنوعی در چه محیط‌هایی کاربرد دارد؟
این ابزار به‌طور خاص برای بیماران بستری در بیمارستان‌ها طراحی شده است و می‌تواند به تیم‌های درمانی در بخش‌های مراقبت‌های ویژه، بخش‌های دیابت و سایر بخش‌های بیمارستانی کمک کند .

۳. دقت این مدل هوش مصنوعی چقدر است؟
این مدل در آزمایش‌های خود با داده‌های بیش از ۱۴۳ هزار بیمار، عملکردی بهتر از سایر مدل‌های مشابه داشته و در محیط‌های واقعی بیمارستانی نیز پایدار باقی مانده است. تخمین زده می‌شود که روزانه حدود ۳ تا ۴ مورد افت قند خون را در یک بیمارستان بزرگ پیشگیری کند .

۴. آیا این فناوری در ایران نیز قابل استفاده است؟
با توجه به اینکه این مدل از داده‌های پرونده الکترونیک سلامت استفاده می‌کند، در صورتی که بیمارستان‌ها و مراکز درمانی ایران از سیستم‌های اطلاعاتی مشابهی برای ثبت داده‌های بیماران استفاده کنند، امکان پیاده‌سازی و بهره‌مندی از این نوع فناوری‌ها وجود دارد .

پایان/*

ببین و بخون را در ایتا، روبیکا، پیام رسان بله و تلگرام دنبال کنید.