پژوهشگران گروه مهندسی فناوری اطلاعات دانشگاه تربیت مدرس با بهره گیری از الگوریتم های هوش مصنوعی یک مدل پیش آگهی ایست قلبی برای بیماران مبتلا به سپسیس ارائه کردند.
به گزارش خط رند ۹۱۲ به نقل از دانشگاه تربیت مدرس، ایست قلبی ناشی از سپسیس یک رویداد شایع با نرخ نجات پایین است. پیش بینی زود هنگام ایست قلبی زمان لازم برای انجام مداخلات ضروری جهت پیش گیری از وقوع ایست قلبی را فراهم می آورد.
دکتر سمانه لایقیان که این پژوهش را در چارچوب رساله دکتری تخصصی در رشته مهندسی فناوری اطلاعات (سیستم های اطلاعاتی) انجام داده است، اظهار داشت: از آنجائیکه پزشکان نمی توانند بطور مداوم خطر ایست قلبی برای همه بیماران تحت مراقبت را بررسی نمایند، خودکارسازی جمع آوری و تحلیل داده های سلامت و اعلام هشدارهای لازم به بیمار و پزشک می تواند گام بزرگی در کاهش میزان مرگ و میر و هزینه ها باشد.
وی اضافه کرد: در این پژوهش با بهره گیری از الگوریتم های هوش مصنوعی به توسعه یک مدل پیش آگهی ایست قلبی برای بیماران مبتلا به سپسیس پرداختیم.
لایقیان تشریح کرد: در این راستا ۳۰ ساعت از داده های بالینی بیماران سپسیس از پایگاه داده MIMIC III استخراج شد (۷۹ مورد ایست قلبی، ۴۵۳۲ رکورد نرمال) و سه مجموعه داده چندمتغیره، سری زمانی و ترکیب چند متغیره و سری زمانی به وجود آمد مدلهای یادگیری ماشین مختلف، با نگاهی سیستماتیک بر این سه مجموعه داده آموزش یافتند. نهایتاً استفاده از روش یادگیری عمیق نتایج بهتری تولید کرد.
وی در ادامه اظهار داشت: مدل پیشنهادی در بازه ۳۰ ساعت پیش از رخداد ایست قلبی، وقوع آنرا با مقدار sensitivity بالاتر از ۷۰ درصد پیش بینی می کند. مقایسه خروجی این مدل با نتایج حاصل از دو سیستم هشداردهنده استاندارد Apache II و MEWS نشان داد مدل پیشنهادی بهبود قابل توجهی نسبت به سیستم های استاندارد موجود تولید می کند.
در این پژوهش تاثیر پویایی سری های زمانی علایم حیاتی، بعنوان یک عامل پیشگو برای پیش بینی ایست قلبی نیز با رویکردهای مختلف مورد آزمون قرار گرفت. تحلیل سری های زمانی برای پیش بینی ایست قلبی یک ساعت پیش از رخداد، مقدار sensitivity=۷۷% را تولید کرد.
در گام بعد، بمنظور هوشمندسازی عملیات جمع آوری و تحلیل داده ها، با بهره گیری از تکنولوژی های جدید به طراحی نمایی سطح بالا از یک معماریIOT، برای نظارت زمان واقعی بر افراد بستری در بخش مراقبت های ویژه پرداختیم. این معماری، مدل پیش آگهی هوشمند پیشنهادی را بعنوان قسمتی از خدمات خود فراهم آورده و از فناوری ها بمنظور تسریع عملیات پردازش بلادرنگ استفاده می نماید.
