Υγειονομική περίθαλψη: Αν και η εφαρμογή της τεχνητής νοημοσύνης σε περιβάλλοντα υγειονομικής περίθαλψης είναι στα σπάργανα, μια νέα εργασία προσφέρει ένα πρώτο βήμα προς την οικοδόμηση ενός χρήσιμου μοντέλου ΤΝ για την πρόβλεψη των αποτελεσμάτων των ασθενών.
Το TransMED μπορεί να βοηθήσει στην πρόβλεψη των αποτελεσμάτων ασθενών με COVID-19, δημιουργώντας προβλέψεις από διαφορετικά είδη κλινικών δεδομένων, συμπεριλαμβανομένων κλινικών σημειώσεων, εργαστηριακών εξετάσεων, κωδικών διάγνωσης και συνταγογραφούμενων φαρμάκων. Η άλλη μοναδικότητα του TransMED έγκειται στην ικανότητά του να μεταφέρει μάθημα από υπάρχουσες ασθένειες για την καλύτερη πρόβλεψη και αιτιολογία για την εξέλιξη νέων και σπάνιων ασθενειών.
Ερευνητές στο Εθνικό Εργαστήριο Βορειοδυτικού Ειρηνικού (PNNL), στο Πανεπιστήμιο του Στάνφορντ, στη Βιρτζίνια Tech και στα εργαστήρια John Snow ανέπτυξαν το TransMED, ένα πρώτο στο είδος του εργαλείο πρόβλεψης τεχνητής νοημοσύνης (AI) που στοχεύει στην αντιμετώπιση προβλημάτων που προκαλούνται από αναδυόμενες ή σπάνιες ασθένειες. «Καθώς ο COVID-19 ξεδιπλώθηκε το 2020, έφερε πολλούς από εμάς στο σημείο να σκεφτούμε πώς και πού θα μπορούσαμε να συνεισφέρουμε ουσιαστικά», δήλωσε ο επικεφαλής επιστήμονας Sutanay Choudhury. «Αποφασίσαμε ότι θα μπορούσαμε να έχουμε τον μεγαλύτερο αντίκτυπο εάν εργαζόμασταν στο πρόβλημα της πρόβλεψης των αποτελεσμάτων των ασθενών».
«Ο COVID παρουσίασε μια μοναδική πρόκληση», δήλωσε ο Khushbu Agarwal, επικεφαλής συγγραφέας της μελέτης που δημοσιεύτηκε στο Nature Scientific Reports. «Είχαμε πολύ περιορισμένα δεδομένα ασθενών για την εκπαίδευση ενός μοντέλου τεχνητής νοημοσύνης που θα μπορούσε να μάθει τα περίπλοκα μοτίβα που κρύβονται πίσω από τις τροχιές ασθενών με COVID». Η πολυϊδρυματική ομάδα ανέπτυξε το TransMED για να αντιμετωπίσει αυτήν την πρόκληση, αναλύοντας δεδομένα από υπάρχουσες ασθένειες για να προβλέψει τα αποτελέσματα μιας αναδυόμενης νόσου.
Μια νέα προσέγγιση για την καταπολέμηση άγνωστων ασθενειών
Τα πρώτα αποτελέσματα υποδεικνύουν ότι το TransMED υπερτερεί των τρεχόντων μοντέλων πρόβλεψης της έκβασης των ασθενών, ιδιαίτερα για πιο σπάνια αποτελέσματα. Ο Agarwal το αποδίδει εν μέρει στην ικανότητα του TransMED να ελέγχει μια μεγάλη ποικιλία ιατρικών πληροφοριών, συμπεριλαμβανομένων άλλων αναπνευστικών ασθενειών. «Το TransMED λαμβάνει υπόψη σχεδόν όλους τους τύπους ηλεκτρονικών αρχείων υγειονομικής περίθαλψης, όπως ιατρικές καταστάσεις, φάρμακα, διαδικασίες, εργαστηριακές μετρήσεις και πληροφορίες από κλινικές σημειώσεις», δήλωσε ο Agarwal. “Η λήψη αυτής της ολιστικής εικόνας του ασθενούς επιτρέπει στο TransMED να κάνει προβλέψεις με τον ίδιο τρόπο που θα έκανε ένας κλινικός γιατρός.”
Ο άλλος παράγοντας που συμβάλλει στην επιτυχία του TransMED είναι η μεταβίβαση μάθησης. Στην περίπτωση του TransMED, οι ερευνητές εκπαίδευσαν το μοντέλο σε γνωστά αποτελέσματα ασθενών με σοβαρή αναπνευστική νόσο και εφάρμοσαν αυτή τη γνώση στην πρόβλεψη των εκβάσεων του COVID-19. Η εφαρμογή της τεχνητής νοημοσύνης σε περιβάλλοντα υγειονομικής περίθαλψης του πραγματικού κόσμου είναι στα σπάργανα, αλλά αυτή η εργασία είναι ένα πολλά υποσχόμενο πρώτο βήμα προς την οικοδόμηση ενός χρήσιμου μοντέλου για την πρόβλεψη των αποτελεσμάτων των ασθενών. Αν και το TransMED δεν έχει ακόμη δοκιμαστεί σε κλινικό περιβάλλον, προσφέρει μια ενθαρρυντική ματιά στο μέλλον της υγειονομικής περίθαλψης.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
