مهار پاندمی ها به کمک یادگیری ماشین

به گزارش سیناپرس، تشخیص صحیح، دقیق و به موقع بیماری کووید ۱۹ با استفاده از فناوری های هوش مصنوعی و یادگیری ماشین نقش مهمی در بهبود شاخص های بیماری، استفاده بهینه از منابع محدود بیمارستانی و کاهش بار کاری کارکنان خط مقدم پاندمی دارد.

این گزاره برگرفته از پژوهشی با عنوان «پیشنهاد یک راه کار فناورانه موثر جهت تشخیص زودهنگام بیماری کووید 19: مطالعه مبتنی بر یادگیری ماشین داده محور» است و پژوهشگران در این پژوهش معتقدند، استفاده از روش های داده قابلیت بالایی در تشخیص به موقع و اثربخش بیماری کووید ۱۹ در قالب سیستم های پشتیبان تصمیم یار بالینی دارد.

دکتر مصطفی شنبه زاده، استادیار مدیریت اطلاعات سلامت گروه علوم آزمایشگاهی، دانشکده پیراپزشکی دانشگاه علوم پزشکی ایلام و از پژوهشگران مقاله مذکور، به ارائه مدلی برای تشخیص کووید 19 پرداخته است، وی در گفتگو با خبرنگار سیناپرس درباره کاربرد اینترنت اشیا در تشخیص و درمان بیماری ها گفت: بشر در حالی در نسل پنجم سیستم های رایانه ای قرار دارد که نسل ششم این سیستم ها را در دست ساخت دارد؛ در واقع قرار است سیستم های رایانه ای به گونه ای طراحی شوند که مانند انسان فکر کنند  و وقت که با موقعیت های جدید رو به رو می شود، برای حل مساله خلاقیت داشته باشد. گفتنی است، سیستم های نسل پنجم نمی توانند مانند انسان فکر کنند و این ایرادی بود که انسان در این سیستم ها دید.  

تشخیص تا درمان در مسیر هوشمندانه

وی افزود: ویژگی مهم نسل ششم سیستم های رایانه ای، فرمان دادن با هوش مصنوعی است؛ با توجه به توسعه دانش و ابزارهای فناورانه در صنایع گوناگون، امکان دارد هر صنعتی طی زمان با وضعیت غیر قابل پیش بینی مواجه شود که بدون بهره گیری از ابزار های هوشمند بر پایه هوش مصنوعی امکان توسعه آن فراهم نباشد؛ در واقع صنایع برای تحول و توسعه نیازمند دستور و راهکارهای های جدید هستند. صنعت بهداشت و درمان هم مبرا از این جریان نیست؛ بنابراین در مسیر تشخیص تا درمان بیماری ها باید در مسیر هوشمندسازی قرار بگیریم.

به گفته شنبه زاده، هر بیمار یک تجربه جدید است که برای درمان آن نیازمند راهکار تازه‌ای هم هستیم که دستگاه‌های هوشمند می‌توانند با سرعت بیشتری این راهکار را در اختیار پزشک بگذارد؛ بنابراین صنعت بهداشت و درمان در آینده ای نزدیک برای تشخیص، غربالگری، درمان بیماری ها و پیش بینی وضعیت آینده، نیازمند هوش مصنوعی و سیستم های کامپیوتری هوشمند می شود.

استادیار مدیریت اطلاعات سلامت دانشکده پیراپزشکی دانشگاه علوم پزشکی ایلام با اشاره به نمونه های کاربردی هوش مصنوعی در دنیای پزشکی به سیناپرس، گفت: هوش مصنوعی می تواند در پیش بینی وضعیت آینده بیمار عملکرد مهمی داشته باشد؛ برای مثال می تواند پیش بینی کند که آیا یک بیمار مبتلا به کووید 19  به مرحله بستری شدن در آی سی یو می رسد یا خیر؟ یا شانس بقای بیمار چند درصد است؟ گفتنی است سیستم ‌های هوش مصنوعی اینگونه طراحی می شوند که پزشکان بتوانند تا پیش از رخداد وضعیت بحرانی، برای حل مسائل اقدامات موثری را به ثمر برسانند.

وی در تشریح بیشتر یادگیری ماشین و کاربرد آن در بهداشت و درمان خاطرنشان کرد: یکی از کاربردهای هوش مصنوعی یادگیری ماشین است. در یادگیری ماشین کارشناسان به واسطه تجربه های گذشته به سیستم ها آموزش می دهند تا بتواند در شرایط سخت و بحرانی تصمیمات درستی بگیرد. برای مثال آزمون های زیادی برای تشخیص کرونا ایجاد شد اما وقتی با حجم زیادی از افرادی مواجه شدیم که نیازمند تست تشخیصی برای کرونا بودند، منابع بهداشت و درمان در برخی موارد پاسخگو نبود. بر همین اساس استفاده از زیرساخت هایی بر مبنای یادگیری ماشین و تست های غربالگری هوشمند می تواند راهکار مناسبی برای کاهش بحران در این زمینه باشد.

به گفته وی، استفاده از یادگیری ماشین و سیستم های کامپیوتری نمی تواند تشخیص دقیق تری نسبت به پی سی آر و دیگر آزمون ها در تشخیص کرونا داشته باشد، اما با توجه به حجم عظیمی از مراجعه‌کنندگان، می توانیم برای غربالگری اولیه از سیستم های هوشمند استفاده کنیم که درصد خطای بسیار پایینی دارد. در گام نخست سیستم های کامپیوتری می تواند تشخیص دهد که آیا نیاز به پی سی آر هست یا خیر.

شنبه زاده گفت: مبنای اطلاعات سیستم های یادگیری ماشین در تشخیص کویید 19 مورد های گذشته است که داده های اصلی آن به حساب می آید.بنابراین این سیستم ها بر اساس تجربیات گذشته فرایند تشخیصی خود را اعمال می کند.  در واقع در یادگیری ماشین می توان از تجربیات گذشته به نحو احسن استفاده کرد. برای مثال در این سیستم ها اطلاعات و داده های زیادی از مبتلایان و علایمشان درباب بیماری کرونا و آنفولانزا تعریف می شود و این سیستم ها تشخیص می دهند که کدام علائم به آنفولانزا و کدام به کووید ۱۹ دلالت دارد. در مورد دیگر بیماری ها هم چنین فرآیندی امکان پذیر است.

سیستم های تصمیم یار بالین، کمکی برای پزشکان

وی ادامه داد: یادگیری ماشین در تشخیص اولیه برای بیماران می تواند مفید باشد. در پژوهش یاد شده به این موضوع اذعان کردیم که یادگیری ماشین قابلیت بالایی در تشخیص بیماری ها دارد، به این نوع فناوری سیستم های تصمیم یار بالین گفته می شود که پزشک می‌تواند در اقدامی پیش ‌دستانه سرعت بیشتری به فرآیند تشخیص و درمان بدهد و با دید بهتری عمل کند. همچنین ما به طراحی مدل و نرم افزاری در این زمینه پرداختیم؛ اما یکی از معضلات اصلی عدم شناخت کافی پزشکان از کاربرد های فناورانه در دنیای پزشکی است. در واقع پزشکان چندان با کامپیوتر و رایانه ها و زیرساخت های فناورانه میانه خوبی ندارند و نمی‌خواهند که با آنها کار کنند. اگر بتوانیم سیستم های یادگیری ماشین را در علم پزشکی  به نوعی طراحی کنیم که هر پزشک در تشخیص و درمان بیماری ها از آن ها بهره بجوید، به گونه ای که روی میز هر پزشک یک سیستم یادگیری ماشین باشد و بتواند در تشخیص از آن کمک بگیرد، اتفاق بزرگی است.

چین آمریکا پیشتاز هوش مصنوعی در پزشکی

شنبه زاده گفت: در حقیقت با غربالگری های اولیه از سوی یادگیری ماشین می توانیم سرعت بیشتری در روند مهار پاندمی ها ایجاد کنیم. گفتنی است، در برخی کشورها نظیر چین و ایلات متحده برای غربالگری سرطان ها از جمله سرطان پستان از سیستم های کامپیوتری و  ماشین های یادگیری استفاده می کنند. در این شرایط است که بار کاری کادر درمان کاهش پیدا می کند.

این پژوهشگر گفت: با توجه به مشکلات زیاد بیمارستان‌ ها و حجم بالای مراجعات در دوران پاندمی، استفاده از یادگیری ماشین می تواند به عنوان یک راهکار فناورانه و نوآورانه پیشنهاد داده شود.

کاربردهای فناورانه طرفدار زیادی در میان پزشکان ندارد

وی در پاسخ به این پرسش که نگرش تصمیم گیران در بهره ور از یادگیری مشین در تشخیص و درمان بیماری  به ویژه در وزارت بهداشت و درمان چیست؟ گفت: از آنجایی که در وزارت بهداشت نگرش بالینی و دیدی پزشک محور وجود دارد، استفاده از فناوری طرفدا چندانی ندارد. به اعتقاد من برای پیاده سازی سیستم های یادگیری ماشین در فضای کاربردی بهداشت و درمان باید اقدامات جدی صورت گیرد چراکه موجب بهبود، درمان و کاهش هدر رفت منابع به ویژه در دوران پاندمی ها می شود

گفتگو: مهتاب دمیرچی

No tags for this post.