پیشبینی اُفت قندخون با هوش مصنوعی، یک روز قبل از وقوع
پژوهشگران موفق به توسعه یک ابزار هوش مصنوعی شدهاند که میتواند اُفت قندخون (هیپوگلیسمی) را در بیماران بستری تا ۲۴ ساعت قبل از وقوع پیشبینی کند. این مدل به کادر درمان امکان میدهد پیش از بروز عوارض جدی مانند تشنج، کما و نامنظمیهای ضربان قلب، اقدامات پیشگیرانه انجام دهند.
به گزارش چابک آنلاین، وبگاه مدیکال اکسپرس در گزارشی آورده است:
پژوهشگران مرکز پزشکی سیدرز ساینای با توسعه یک مدل هوش مصنوعی، که در مجله معتبر اِنپیجِی دیجیتال مِدیسین/ npj Digital Medicine معرفی شده، گامی مهم در مدیریت یکی از چالشهای رایج مراکز درمانی برداشتهاند. این ابزار که از نوع مدلهای پیشبینیکننده پیشرفته است، با تحلیل الگوهای موجود در دادههای پزشکی بیماران، خطر افت قند خون را تا ۲۴ ساعت پیش از وقوع شناسایی میکند.
چالش همیشگی اُفت قند خون در بیمارستانها
اُفت قندخون، یکی از عوارض شایع و بالقوه خطرناک در بیماران بستری است. این عارضه نه تنها بیماران مبتلا به دیابت را تهدید میکند، بلکه افرادی که پیش از جراحی ناشتا هستند یا در بخش مراقبتهای ویژه بستری میشوند، نیز در معرض آن قرار دارند. با این حال، تاکنون ابزار کاربردی و گستردهای برای پیشبینی این خطر در بیمارستانها وجود نداشته است.
دکتر روما گیانچاندانی (Roma Gianchandani)، نویسنده ارشد این مطالعه و مدیر برنامه دیابت مرکز پزشکی سیدرز ساینای، در این زمینه توضیح داد: در سیستم فعلی، بیشتر اقدامات بیمارستانی برای افت قندخون، واکنشی است؛ یعنی پس از اینکه قندخون بیمار افت میکند، وارد عمل میشویم؛ اما این مدل جدید میتواند این روش را متحول کند و به ما امکان دهد پیش از وقوع خطر، اقدامات پیشگیرانه انجام دهیم.
مدل هوش مصنوعی چگونه کار میکند؟
این ابزار هوش مصنوعی، الگوهای موجود در دادههای پرونده الکترونیک سلامت بیماران را تحلیل میکند. داروها، نتایج آزمایشها، وعدههای غذایی و سایر اطلاعات مرتبط، در بازههای چهارساعته طی یک دوره پنجروزه جمعآوری و پردازش میشوند تا پیشبینی شود که آیا بیمار در ۲۴ ساعت آینده دچار افت قندخون خواهد شد یا خیر.
پژوهشگران با استفاده از دادههای بیش از ۱۴۳ هزار بیمار بزرگسال بستری در سه بیمارستان وابسته به سیدرز ساینای طی سالهای ۲۰۱۴ تا ۲۰۲۵ میلادی، این ابزار را طراحی و آزمایش کردند. آنها همچنین برای تأیید یافتههای اولیه، این ابزار را بر روی دادههای جدید بیمارستانی نیز آزمایش کردند.
هشدار زودهنگام برای کادر درمان
دکتر آماندا مومنزاده (Amanda Momenzadeh)، نویسنده اول این مطالعه، توضیح داد: این مدل هوش مصنوعی بهگونهای طراحی شده که پیش از افت قندخون، به کادر درمان هشدار دهد و عوامل کلیدی مؤثر بر این خطر را شناسایی کند. هدف ما ارائه اطلاعات کاربردی به کادر درمان و پشتیبانی از برنامههای مدیریت دیابت در بیمارستانهاست.
او تأکید کرد که قرار نیست این ابزار جایگزین پزشکان شود، بلکه به آنها کمک میکند تا تصمیمات آگاهانهتری بگیرند و از بروز عوارض جلوگیری کنند.
تأثیر بالقوه در بیمارستانها
پژوهشگران تخمین میزنند که این ابزار میتواند روزانه از بروز حدود سه تا چهار مورد افت قندخون در یک بیمارستان بزرگ پیشگیری کند و در صورتی که در همه بیمارستانهای جهان استفاده شود، تأثیر آن در پیشگیری از افت قندخون بسیار چشمگیر خواهد بود.
دکتر جسی مِیِر (Jesse Meyer)، یکی دیگر از پژوهشگران این گروه، توضیح داد: مهمترین ویژگی این ابزار، کاربردیبودن آن است. این یک مدل نظری صرف نیست؛ بلکه با استفاده از دادههای معمول بیمارستانها، در لحظه عمل میکند و این امکان را به ما میدهد که بیماران در معرض خطر را زودتر شناسایی و از عوارض قابل پیشگیری جلوگیری کنیم.
چشمانداز آینده و محدودیتها
اگر این مدل بهطور گسترده در بیمارستانها استفاده شود، میتواند مراقبتهای بیمارستانی را برای افراد مبتلا به دیابت و سایر بیماریهای مؤثر بر قندخون، به سمت رویکردی پیشگیرانهتر و مبتنیبر داده سوق دهد. پژوهشگران امیدوارند که این روش، گامی مؤثر در بهبود کیفیت مراقبتها و کاهش عوارض ناشی از افت قندخون باشد.
با این حال، هنوز تاریخ دقیقی برای استفاده گسترده از این ابزار در همه بیمارستانها اعلام نشده است و نیاز به تأییدیههای بیشتر و آزمایشهای تکمیلی در مراکز درمانی دیگر وجود دارد. پژوهشگران نیز تأکید دارند که این ابزار در مراحل اولیه قرار دارد و برای اطمینان از عملکرد صحیح آن در جمعیتهای مختلف بیمارستانی، به تحقیقات بیشتری نیاز است.
