نیروانا احسانی
به گزارش CTV، پژوهشگران دانشگاه مکگیل موفق به توسعهی یک پلتفرم هوش مصنوعی شدهاند که قادر است ابتلای فرد به عفونتهای تنفسی از جمله کووید۱۹ را پیش از آنکه علائم بیماری ظاهر شود، تشخیص دهد.
در این پژوهش که از سوی محققان بهعنوان نخستین نمونهی این فناوری در جهان توصیف شده، شرکتکنندگان حلقه، ساعت و تیشرت هوشمندی را پوشیدند که مجهز به حسگرهایی برای ثبت دادههای زیستی آنها بود.
این دادهها به هوش مصنوعی امکان داد تا بروز التهاب سیستمیک حاد، نشانهی اولیهی عفونتهای تنفسی را بهدرستی پیشبینی کند.
مطالعهی مربوط به این فناوری که درThe Lancet Digital Health منتشر شده، نشان میدهد این پلتفرم میتواند در آینده به پزشکان کمک کند تا زودتر از آنچه در حال حاضر ممکن است، به مشکلات سلامت بیماران بهویژه افراد آسیبپذیر رسیدگی کنند و از عوارض و بستریشدنهای غیرضروری جلوگیری شود.
پیشبینی عفونت از طریق دادههای فیزیولوژیکی، نه علائم
پروفسور دنیس جنسن (Dennis Jensen)، استاد دپارتمان حرکتشناسی و تربیت بدنی دانشگاه مکگیل و از محققان ارشد این پروهش علاقهمند بودند بدانند که آیا میتوان از دادههای فیزیولوژیکی ثبتشده توسط ابزارهای پوشیدنی برای آموزش سامانهی هوش مصنوعیای استفاده کرد که قادر به شناسایی بیماری یا عفونت ناشی از التهاب باشد یا خیر.
طبق گفتهی پروفسور جنسن، مدل ساختهشده توسط تیم وی نخستین مدل در جهان است که از شاخصهای فیزیولوژیکی مانند ضربان قلب، تنوع ضربان، دمای بدن، نرخ تنفس و فشار خون و نه علائم بیمار برای تشخیص مشکل استفاده میکند.
از نظر وی وقتی علائم بیماری ظاهر میشوند، ممکن است برای مداخله خیلی دیر شده باشد بنابراین باید روشی به دست میآمد که بیماری را پیش از بروز علائم تشخیص دهد.
شبیهسازی ابتلا با تزریق واکسن ضعیفشده آنفلوآنزا
در این پژوهش، ۵۵ بزرگسال سالم برای شبیهسازی واکنش ایمنی بدن، واکسن ضعیفشده آنفلوآنزا دریافت کردند. شرکتکنندگان بهمدت هفت روز پیش از واکسن و پنج روز پس از آن تحت نظارت بودند.
ابزارهای پوشیدنی شامل حلقه، ساعت و تیشرت هوشمند بودند که همزمان توسط داوطلبان استفاده شد. افزون بر این، پژوهشگران با نمونهبرداری خون، آزمایش PCR و اپلیکیشن ثبت علائم، دادههای مرتبط با التهاب سیستمیک را گردآوری کردند.
در مجموع، بیش از دو میلیارد داده برای آموزش الگوریتمهای یادگیری ماشین گردآوری شد. از میان ده مدل توسعهیافته، مدلی انتخاب شد که با کمترین میزان داده بیشترین دقت را داشت. این مدل نزدیک به ۹۰ درصد موارد مثبت واقعی را بهدرستی تشخیص داد و برای پایش روزانه عملیتر تشخیص داده شد.
پروفسور جنسن وضیح داد هیچکدام از دادههای جمعآوریشده از حلقه یا ساعت یا تیشرت بهتنهایی برای تشخیص پاسخ بدن کافی نیست.
مثلاً افزایش ضربان قلب ممکن است تنها دو ضربه در دقیقه باشد که از نظر بالینی چندان معنادار نیست. اما با کنار هم گذاشتن دادههای گوناگون، میتوان تغییرات فیزیولوژیکی جزئی را شناسایی کرد.
شناسایی کرونا پیش از علائم
الگوریتمها در چهار مورد ابتلا به کووید۱۹ نیز التهاب سیستمیک را تا ۷۲ ساعت پیش از بروز علائم یا تشخیص PCR شناسایی کردند.
پژوهشگران امیدوارند این سیستم در آینده به بیماران هشدار دهد تا بتوانند پیش از وخامت وضعیت با پزشک خود تماس بگیرند.
وی معتقد است با این فناوری و گسترش پنجرهی مداخلهی درمانی، میتوان جان افراد را نجات داد و هزینههای سیستم سلامت از جمله با مدیریت خانگی بیماریهای مزمن یا حتا سالمندی را کاهش داد.
جنسن امیدوار است از این طریق بهنوعی، «پزشکی فردی (personalized medicine)» را متحول کند.
این مطلب ابتدا با این لینک در کانال تلگرامی «مداد» منتشر شد.
