پیشبینی شدت بیماری کرونا با روش های یادگیری عمیق
به گزارش بیست و یکم، طرح تحقیقاتی پیشبینی میزان شدت بیماری کووید ۱۹ از روی اطلاعات دموگرافی، بالینی و آزمایشگاهی با استفاده از روش های یادگیری عمیق از جانب بنیاد علم ایران مورد حمایت قرار گرفت.
به گزارش بیست و یکم به نقل از معاونت علمی، فناوری و اقتصاد دانش بنیان ریاست جمهوری، احمد شالباف دانشیار گروه مهندسی پزشکی دانشگاه علوم پزشکی شهید بهشتی، در رابطه با این طرح توضیح داد: شیوع بیماری کووید ۱۹ به سرعت در سراسر جهان رواج یافت و با افزایش مداوم تعداد موارد تأیید شده و متوفی به یک نگرانی بهداشت جهانی تبدیل شد. این بیماری، اقتصاد و زیرساخت های مراقبت های بهداشتی را در سراسر دنیا به طرز قابل ملاحظه ای گرفتار مشکل کرد و اندام هایی مانند ریه ها، قلب، کلیه ها و دستگاه گوارش را هدف قرار می دهد. شدت طیف این بیماری از خفیف بدون علامت تا مشکلات تنفسی جدی با تنگی نفس، هیپوکسیمی و سندرم زجر تنفسی حاد (ARDS) متغیر است.
وی اضافه کرد: سندرم زجر تنفسی حاد، یک حالت شدید از التهاب ریه است که باعث کم اکسیژنی یا هیپوکسی می شود و سطح بالایی از مرگ ومیر را بهمراه دارد. این بیماران برای مراقبت مناسب باید به بخش مراقبت های ویژه (ICU) مراجعه نمایند و احتیاج به دستگاه ونتیلاتور دارند.
به گفته این پژوهشگر، عوامل مختلفی می توانند سبب بیماری شدیدتر یا نتایج ضعیف بیماری باشند. این عوامل را میتوان به خصوصیت های دموگرافی، علایم حیاتی و داده های آزمایشگاهی طبقه بندی کرد.
شالباف، عوامل دموگرافی در رابطه با شدت بیماری را سن، جنس، چاقی، سابقه مصرف سیگار و وضعیت اقتصادی، همینطور بیماری های زمینه ای مانند دیابت، فشار خون بالا، بیماری مزمن ریه، سرطان، بیماری مزمن کلیه و بیماری های قلبی عروقی دانست و اظهار داشت: دمای بدن، سطح اشباع اکسیژن خون، حداکثر و حداقل فشار خون، ضربان قلب و نرخ میزان تنفس هم از عوامل حیاتی ای است که باید در جریان این بیماری بررسی شود.
وی خاطرنشان کرد: در این مطالعه، هدف ما ابداع یک سامانه پیشبینی سریع و اتوماتیک مدل پیشرفت بیماری کووید ۱۹ از روی اطلاعات دموگرافی، بالینی و آزمایشگاهی با استفاده از روش های هوش مصنوعی پیشرفته همچون استفاده از الگوریتم شبکه عصبی عمیق با دقت و حساسیت بالا بوده است. به بیانی دیگر در این پژوهش با یافتن ارتباط بین متغیرهای مستقل با تشدید بیماری، از آنها بعنوان عامل های ویژه پیشبینی کننده برای شدت بیماران کرونایی بهره بردیم. پیشبینی زودهنگام وضعیت بیماران دچار کووید ۱۹ می تواند با تخصیص منابع و برنامه ریزی درمانی، خطر مرگ ومیر را در این بیماران کم کند.
شالباف تاکید کرد: مدل ما مبتنی بر داده هایی است که در روز اول پذیرش بیمار جمع آوری شده است. چونکه یک مدل پیشبینی کننده هنگامی ایده آل و مفید خواهد بود که در روز ابتدای پذیرش بیمار، میزان پیشرفت بیماری رو پیش بینی نماید. چون که این زمان، زمانی است که باید توسط تیم پزشکی تصمیم گیری شود که بیمار احتیاجی به بستری و مراقبت های ویژه دارد یا خیر و تخت های بیمارستان رو برای بیماران با شدت بحرانی ذخیره کند.
این محقق و پژوهشگر در ادامه بیان نمود: از آنجائیکه در زمان شروع این طرح، هیچ پژوهش جامعی در مورد پیشبینی میزان شدت بیماری کووید ۱۹ گزارش نشده بود؛ بنابراین هدف این پژوهش، استفاده از الگوریتم های متفاوت هوش مصنوعی و یادگیری ماشین بخصوص روش های یادگیری عمیق به منظور تعیین پیشبینی میزان شدت بیماری کووید ۱۹ از روی اطلاعات دموگرافی، بالینی و آزمایشگاهی بود که خوشبختانه محقق شد.
این مطلب بیست و یکم را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب