تیم تحقیقاتی از هوش مصنوعی برای بهبود تشخیص سپسیس و درمان موثر استفاده می کند

سپسیس به دست آمده در محیط های بالینی زندگی ده ها میلیون نفر در سراسر جهان را هر ساله تهدید می کند. شرایطی که در آن بدن به یک عفونت واکنش نشان می‌دهد و اساساً وارد حالت رانندگی بیش از حد می‌شود، به طور ناخواسته با انتشار بیش از حد مواد شیمیایی برای دفاع از بدن به بدن حمله می‌کند.

یک مطالعه سازمان جهانی بهداشت نشان داد که بیش از 44 میلیون نفر در سال 2017 به سپسیس مبتلا بودند که باعث مرگ 11 میلیون نفر در اثر سپسیس و سایر عوارض جانبی مهم مانند قطع عضو شد.

سپسیس اگر به موقع تشخیص داده شود قابل درمان است، اما بسیاری از بیماران تا زمانی که برای درمان موثر و سریع خیلی دیر شده باشد، هیچ نشانه ای از این عارضه نشان نمی دهند.

آناهیتا خجندی، عضو هیئت علمی دانشکده بازرگانی و مهندسی و دانشیار گروه مهندسی صنایع و سیستم‌ها در دانشگاه تنسی، ناکسویل، گفت: «باید زودتر به آن پی ببرید». “با ابزارهای پیش بینی جدید ما، ما فکر می کنیم متخصصان مراقبت های بهداشتی می توانند حداقل چهار تا شش ساعت زودتر آن را تشخیص دهند، که منجر به درمان موثرتر و نتایج سلامتی بهتری می شود. ممکن است زمان زیادی به نظر نرسد، اما سپسیس به این ترتیب حرکت می کند. به سرعت آن چهار تا شش ساعت می تواند تفاوت بین مرگ و زندگی باشد.”

خجندی و یک تیم چند رشته ای از محققان دانشگاه UT این فرضیه را مطرح کردند که با ساخت مجموعه داده های توسعه یافته از پرونده های الکترونیک سلامت و تجزیه و تحلیل آنها برای الگوهای بیمارانی که بعداً دچار سپسیس شدند، می توانند شروع این بیماری را پیش بینی کنند. یکی از همکاران ISE – زوپینگ لی، عضو هیئت علمی و استاد دن دولت – توانست تیم را به مجموعه اولیه صاحبان داده متصل کند تا آنها را شروع کند.

خجندی گفت: «او یک همکار در مرکز نوآوری سیستم‌های سلامت در دانشگاه ایالتی اوکلاهاما داشت که به داده‌های پرونده الکترونیک سلامت دسترسی داشت که ما برای شروع این سفر برای ساخت مدل‌هایی برای پیش‌بینی اولیه سپسیس نیاز داشتیم.» “از آنجا، ما شروع به یادگیری بیشتر در مورد قدرت داده های پرونده الکترونیک سلامت و کاستی های بالقوه آنها کردیم. ما توانستیم به مجموعه داده های اضافی دسترسی داشته باشیم و یک سری مطالعات را، هر ساختمان بر روی ساختمان قبلی، انجام دهیم تا در نهایت بتوانیم به مشکل رسیدگی کنیم. به روشی جامع».

یکی از کاستی های اصلی اولیه، نبود جزئیات در برخی از پرونده های الکترونیک سلامت بود. خوشبختانه، رابرت دیویس، رئیس آزمایشگاه ملی UT–Oak Ridge برای انفورماتیک بیوپزشکی در مرکز علوم بهداشت UT، با ارائه مجموعه داده جدیدی از خوانش‌های حیاتی بیماران، مانند ضربان قلب و تنفس، به تیم کمک کرد تا این چالش کلیدی را برطرف کند. نرخ، به طور مداوم از مانیتورهای ICU جمع آوری می شود.

مجموعه داده جدید به تیم اجازه داد تا با استفاده از مدل‌سازی مبتنی بر سری‌های زمانی و رویکردهای تصمیم‌گیری متوالی، یک چارچوب هوش مصنوعی قدرتمند ایجاد کند. در آخرین کار خود، آنها رویکرد جدیدی را توسعه داده‌اند که به مدل هوش مصنوعی اجازه می‌دهد تا وضعیت سلامت پنهان یک بیمار را در زمان واقعی بررسی کند و در عین حال پیشرفت بیماری زمینه‌ای بیمار را در نظر بگیرد. سپس این مدل می تواند تصویر دقیقی از وضعیت بیمار ایجاد کند و روند تصمیم گیری را بهبود بخشد.

خجندی گفت که همکاری برای موفقیت او بسیار مهم است، زیرا مشکلات سخت اغلب به تخصص و روش های چند رشته ای نیاز دارند. او افزود که محققان مهندسی، ریاضیات و مراقبت‌های بهداشتی – از جمله پزشکان و پرستاران، مددکاران اجتماعی و دیگر متخصصان – باید با هم کار کنند تا مطمئن شوند که به‌طور کلی به مشکلات نگاه می‌کنند تا راه‌حل‌های تأثیرگذار ایجاد کنند.

مسیرهای آینده برای هوش مصنوعی

پروژه سپسیس قدرت بالقوه هوش مصنوعی را در کاربردهای پزشکی نشان می دهد. خجندی اکنون در حال همکاری با همکاران جدید است تا از تخصص و ابزارهای خود برای حل مشکلات مختلف استفاده کند.

او با Vasileios Maroulas، دستیار معاون، معاون مدیر AI Tennessee Initiative، و استاد ریاضیات، و اسکات امریش، دانشیار علوم کامپیوتر کار می کند. آنها از داده‌ها در پرونده‌های سلامت الکترونیکی، از جمله داده‌های فیزیولوژیکی و تصویربرداری، برای توسعه مدل‌هایی استفاده می‌کنند که به برنامه‌ریزی درمان کمک می‌کنند.

برای مثال، مارولاس و خجندی با جیسون بوهلر و پاتریک مک فارلند در بخش بیهوشی در مرکز پزشکی UT برای توسعه مدل‌های هوش مصنوعی که می‌تواند نارسایی تنفسی ناشی از مواد افیونی را در بیماران بستری پیش‌بینی کند، کار می‌کنند. آنها همچنین با Stefanos Boukovalas و Devin Clegg از بخش جراحی در UTMC برای پیش بینی خطر ادم لنفاوی به دنبال سرطان سینه و شناسایی عوامل اضافی برای کمک به برنامه ریزی درمان همکاری می کنند.

امریش و خجندی با جیل میپلز، کیمبرلی فورتنر، نیکی زایت و کالی ریدر – همگی از دپارتمان زنان و زایمان در UTMC – کار می کنند تا از هوش مصنوعی برای بهبود مراقبت از مادر و جنین استفاده کنند. علاوه بر موقعیت های خود در UTMC، Buehler، Boukovalas، Clegg، Maples، Zite و Reeder نیز اعضای هیئت علمی دانشکده پزشکی مرکز علوم بهداشت UT هستند.

در مجموع، من صمیمانه معتقدم که مدل‌های ما می‌توانند سلامت و مراقبت‌های بهداشتی را متحول کنند و از متخصصان بهداشتی که از بیماران در کنار تخت مراقبت می‌کنند، حمایت زیادی کنند؛ با این حال، هنگام توسعه مدل‌ها باید دقت شود تا مطمئن شویم که آنها منصفانه، بی‌طرفانه و کاربردی هستند. خجندی گفت و نتایج آنها قابل تکرار است. بنابراین ما راه طولانی در پیش داریم، اما من نسبت به آینده خوشبین و هیجان زده هستم.

در حالی که این مطالعه تنها اولین گام است، پایه‌ای برای موفقیت‌های آینده ایجاد کرده است – همه این‌ها با روحیه همکاری و تعهد به اطمینان از اینکه تحقیقات UT زندگی و زندگی را بهتر می‌کند ممکن می‌شود.