مدل یادگیری ماشینی و پیش بینی سکته مغزی
محققان از دادههای موجود برای ایجاد یک مدل دقیق و حساس برای پیش بینی سکته مغزی استفاده کردهاند.
امتیاز:
به گزارش پایگاه اطلاع رسانی بنیان، تشخیص سکته مغزی میتواند دشوار باشد زیرا بیماران همیشه با علائم کلاسیک ظاهر نمیشوند و سایر شرایط میتوانند آن را تقلید کنند. محققان از دادههای موجود برای توسعه یک مدل یادگیری ماشینی استفاده کردهاند که سکته مغزی را به دقت پیش بینی میکند و ممکن است تشخیص را آساتر کند. خطاهای تشخیصی یک مشکل عمده بهداشت عمومی است و به آسیب قابل پیشگیری بیمار و هزینه بیش از حد سلامت کمک میکند. مرگ و میرهای قابل پیشگیری ناشی از سکته مغزی به دلیل اشتباهات تشخیصی 30 برابر بیشتر از حملات قلبی تشخیص داده شده اشتباه است. تشخیص سکته میتواند به خصوص دشوار باشد، زیرا علائم و نشانههای آن را میتوان با شرایط دیگری مانند تشنج، میگرن، اختلالات روانپزشکی و مسمومیت با مواد مخدر و الکل تقلید کرد. علاوه بر این، سکته مغزی میتواند با علائم غیر معمول ظاهر شود. تقریباً 25 درصد از مبتلایان به سکته مغزی با مشکلات معمول گفتاری، افتادگی صورت و ضعف اندامها ظاهر نمیشوند که توانایی پزشک را برای تشخیص دقیق پیچیدهتر میکند. محققان دانشگاههای کارنگی ملون، فلوریدا بین المللی و سانتا کلارا یک ابزار غربالگری خودکار را با استفاده از فناوری یادگیری ماشین توسعه دادند تا برخی از حدس و گمانها را از تشخیص سکته مغزی حذف کنند. رما پادمن، نویسنده مسئول این مطالعه گفت: " روش های یادگیری ماشینی برای کمک به تشخیص سکته مغزی با تفسیر داده های دقیق مانند یادداشت های بالینی و نتایج تصویربرداری تشخیصی مورد استفاده قرار گرفتهاند، اما هنگامی که بیماران در ابتدا در بخش های اورژانس بیمارستان، به ویژه در جوامع روستایی و محروم تریاژ می شوند، چنین اطلاعاتی ممکن است به راحتی در دسترس نباشد."
برای توسعه الگوریتم پیشبینی سکته مغزی، محققان از بیش از 143000 سوابق فردی بیمار از بستری شدن در بیمارستانهای مراقبتهای حاد فلوریدا بین سالهای 2012 تا 2014 استفاده کردند. آنها همچنین دادههای نظرسنجی جامعه آمریکا را که توسط اداره سرشماری ایالات متحده انجام شده بود، ترکیب کردند که شامل جمعیت شناسی مانند سن، جنسیت، نژاد، و شرایط پزشکی موجود بود. مدل یادگیری ماشینی سکته مغزی را با دقت 84 درصد پیش بینی کرد. همچنین بسیار حساس بود و از مدلهای تشخیصی موجود که تا 30 درصد سکتههای مغزی را از دست میدهند، بهتر عمل میکرد. مین چن، نویسنده اصلی این مطالعه، گفت: "حساسیت متوسط مدلهای موجود این نگرانی را ایجاد میکند که درصد قابل توجهی از افراد مبتلا به سکته مغزی را از دست میدهند. در بیمارستانهایی که کمبود منابع پزشکی و کارکنان بالینی دارند، الگوریتم ما میتواند مدلهای فعلی را تکمیل کند تا به اولویتبندی سریع بیماران برای مداخله مناسب کمک کند."
یافتههای این مطالعه نشان میدهد که این مدل یادگیری ماشینی میتواند بهطور دقیق احتمال سکته مغزی را پیش از تأیید از طریق تصویربرداری تشخیصی یا آزمایشهای آزمایشگاهی پیشبینی کند. ژوان تان، یکی از نویسندگان این مطالعه گفت: "از آنجایی که مدل ما به یادداشتهای بالینی یا نتایج آزمایشهای تشخیصی نیاز ندارد، ممکن است به ویژه در رسیدگی به چالشهای تشخیص اشتباه هنگام برخورد با بیماران مبتلا به سکته مغزی با علائم خفیفتر و غیر معمول مفید باشد. همچنین میتواند در بخشهای اورژانس مراکز کم حجم یا بدون سکته، جایی که ارائهدهندگان در معرض سکتههای مغزی روزانه محدود هستند، و در مناطق روستایی با دسترسی محدود به ابزارهای تشخیصی حساس مفید باشد." اما محققان خاطرنشان میکنند که الگوریتم آنها به عنوان یک مدل مستقل در نظر گرفته نشده است. باید در ارتباط با مدلهای موجود تشخیص سکته مغزی استفاده شود. به توصیه محققان بهتر است که، الگوریتم پیشبینی سکته مغزی در یک ابزار غربالگری خودکار و رایانهای که در زمان بستری در بیمارستان قابل دسترسی است، گنجانده شود.
پایان مطلب./