هوش مصنوعی خود آموز پیشبینی حمله قلبی

هوش مصنوعی خود آموز، در پیش بینی سکته های قلبی از پزشکان بهتر عمل می کند

پزشکان ابزارهای زیادی برای پیش بینی سلامت بیمار دارند. اما – همانطور که حتی خودشان هم به شما خواهند گفت – این ابزار ها مطابقتی با پیچیدگی بدن انسان ندارند. علی الخصوص پیش بینی حملات قلبی دشوار است. در حال حاضر ، دانشمندان نشان داده اند که رایانه های خود آموز می توانند حتی بهتر از دستورالعمل های استاندارد پزشکی عمل کرده و به طور قابل توجهی میزان دقت و صحت پیش بینی را افزایش دهند. در صورت عملی شدن، روش جدید می تواند هزاران یا حتی میلیون ها نفر را در سال نجات دهد.

الیسی راس ، جراح قلب و عروق در دانشگاه استنفورد در پالو آلتو ، کالیفرنیا ، که درگیر این پروژه نبوده، می گوید: “نمی توانم بگویم که این فناوری چقدر مهم است و این که چقدر امیدوارم که پزشکان شروع به پذیرش استفاده از هوش مصنوعی برای کمک به ما در مراقبت از بیماران بکنند. “

هوش مصنوعی حمله قلبی

هر ساله نزدیک به ۲۰ میلیون نفر از اثرات بیماری های قلبی عروقی از جمله سکته های قلبی ، سکته های مغزی ، شریان ها و عروق مسدود شده و سایر نقص های سیستم گردش خون می میرند. در تلاش برای پیش بینی این موارد ، بسیاری از پزشکان از دستورالعمل های مشابه با دستورالعمل های کالج آمریکایی قلب و عروق / انجمن قلب آمریکا  (ACC / AHA) استفاده می کنند. این دستورالعمل ها بر اساس هشت عامل ریسک از جمله سن ، سطح کلسترول و فشار خون تنظیم شده اند که پزشکان به مرور زمان بر آن ها می افزایند. اما این دستورالعمل ها به قدری ساده هستند که پاسخگوی بسیاری از روند های درمانی که بیمار ممکن است در حال انجام آن باشد، یا سایر بیماری ها و فاکتور های سبک زندگی نباشند.

استفان ونگ ، اپیدمیولوژیک دانشگاه ناتینگهام در انگلستان می گوید: “در سیستم های بیولوژیکی تعاملات زیادی وجود دارد.” برخی از این تعامل ها گاها غیر منطقی بنظر می رسند: بسیاری از چربی های بدن در بعضی موارد در واقع می توانند از فرد در بابر بیماری های قلبی محافظت کنند. ونگ می گوید: “این واقعیت بدن انسان است. آنچه که علم کامپیوتر به ما اجازه می دهد انجام دهیم ، کشف آن ارتباط ها و تعاملات است.” در مطالعه جدید ، ونگ و همکارانش استفاده از دستورالعمل های ACC / AHA را با چهار الگوریتم یادگیری ماشین مقایسه کردند: الگوریتم های جنگل تصادفی ، رگرسیون لجستیک ، تقویت گرادیانت و شبکه های عصبی. هر چهار تکنیک داده های زیادی را به منظور دستیابی به ابزارهای پیش بینی کننده و بدون هیچگونه دستورالعمل انسانی ، تجزیه و تحلیل می کنند.

در این حالت ، داده ها، از پرونده پزشکی الکترونیکی ۳۷۸۲۵۶ بیمار در انگلستان استخراج می شود. هدف یافتن الگوهایی در سوابق پزشکی بیمار مرتبط با حوادث قلبی عروقی بود. ابتدا، الگوریتم های هوش مصنوعی ( AI ) باید خود را تعلیم می دادند. آن ها حدود ۷۸٪ از داده ها – حدود ۲۹۵٫۲۶۷ هدد از سوابق بیماران – را برای جستجوی الگوها و ساخت “دستورالعمل های” داخلی خود استفاده کردند. این الگوریتم ها سپس توانایی خود را بر روی سوابق باقیمانده آزمایش کردند. آن ها با استفاده از داده های سوابق موجود در سال ۲۰۰۵ ، پیش بینی کردند که کدام بیماران اولین واقعه قلبی عروقی خود را داشته در ده سال آینده خواهند داشت و حدس ها را در برابر سوابق بیمارن در سال ۲۰۱۵ بررسی کردند. برخلاف دستورالعمل های ACC / AHA ، در روش های یادگیری ماشین این امکان فراهم شد تا ۲۲  فاکتور دیگر به عنوان داده از جمله قومیت ، آرتروز و بیماری های کلیوی نیز در نظر گرفته شود.

هوش مصنوعی پیشبینی حمله قلبی

هر چهار روش مبتنی بر هوش مصنوعی به طور قابل توجهی بهتر از دستورالعمل های ACC / AHA به کار گرفته شدند. با استفاده از ابزار آماری بنام  AUCکه در آن نمره ۱٫۰ نشان دهنده ۱۰۰٪ دقت می باشد ، دستورالعمل  ACC / AHA نمره ی ۰٫۷۲۸ را گرفته  بود. نمره چهار روش جدید از ۰٫۷۴۵ تا ۰٫۷۶۴ متغیر است، تیم ونگ در ماه جاری این نمرات را  در PLOS ONE گزارش داده است. بهترین شبکه های عصبی به طور صحیح ۷٫۶٪ حوادث را بهتر از روش ACC / AHA پیش بینی کرده و ۱٫۶٪ هشدارهای کاذب را افزایش داده است.

در نمونه آزمایشی حدود ۸۳۰۰۰ پرونده از ۳۵۵ بیمار دیگر که جانشان نجات داده شده بود، جمع آوری شده است. از نظر ونگ دلیل این امر آن است که از طریق کاهش داروهای کلسترول یا تغییر در رژیم غذایی، پیش بینی اغلب منجر به پیشگیری می شود. Evangelos Kontopantelis استاد دیتا در دانشگاه منچستر در انگلستان که با بانک های اطلاعاتی کار می کند اظهار دارد که این کار، کاری با کیفیت است. او می گوید ، فراهم کردن قدرت محاسباتی بیشتر یا داده های آموزشی بیشتر به این مسئله “می تواند به دستاورد های حتی بزرگتری منجر شود.”

چندین عامل خطر که الگوریتم های یادگیری ماشین آن ها را به عنوان قوی ترین عوامل پیش بینی کننده شناسایی کرده اند ، در دستورالعمل های ACC / AHA وجود ندارند ، مانند بیماری های روانی شدید و مصرف داروهای کورتیکواستروئید خوراکی. در همین حال ، هیچکدام از الگوریتم ها دیابت را که در لیست ACC / AHA قرار دارد ، جزء ۱۰ پیش بینی کننده برتر نمی دانند. با پیشرفت های در پیش رو ، ونگ امیدوار است که الگوریتم های رایانه ای  سایر سبک های زندگی و فاکتورهای ژنتیکی را نیز در بر بگیرد تا صحت آن ها بیشتر شود.

Kontopantelis یک محدودیت موجود در این کار را ذکر می کند: الگوریتم های یادگیری ماشین مانند جعبه های سیاه هستند ، به این ترتیب می توانید داده های ورودی و تصمیمی که اتخاذ می شود را مشاهده کنید، اما شما نمی توانید درک کنید که در آن میان چه چیزی اتفاق می افتد. این باعث می شود که انطباق با الگوریتم برای انسان دشوار باشد و پیش بینی های انجام شده در سناریوی های جدید را خنثی کند.

آیا پزشکان به زودی روش های یادگیری ماشین را در شیوه های درمانی خود به کار خواهند گرفت؟ راس می گوید ، پزشکان واقعاً به تخصص خود افتخار می کنند و خیلی به آن متکی هستند. “اما من ، به عنوان بخشی از نسل جدید ، می بینم که می توانیم از طریق رایانه کمک بیشتری بکنیم.”

بیشتر بخوانید :

منبع Science Mag

همچنین ببینید

استفاده از هوش مصنوعی مولد برای بهبود تست نرم‌افزار

هوش مصنوعی مولد به دلیل توانایی خود در ایجاد متن و تصاویر بسیار مورد توجه …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *