خبرگزاری علم و فناوری

با طراحی سیستم پایش هوشمند توسط محققان کشور؛

پیش‌بینی ایست قلبی با هوش مصنوعی ممکن می شود

گروهی از پژوهشگران مهندسی فناوری اطلاعات دانشگاه تربیت مدرس با بهره گیری از الگوریتم‌های هوش مصنوعی یک مدل پیش‌آگهی ایست قلبی برای بیماران مبتلا به سپسیس ارائه کردند.

به گـــزارش خبرگزاری علم وفناوری استان سمنان؛ایست قلبی ناشی از سپسیس یکی از شایع ترین رویدادهای حمله و آسیب قلبی است که با نرخ نجات پایینی دارد. پیش‌بینی قبل از موعد ایست قلبی زمان لازم برای انجام مداخلات ضروری جهت پیشگیری از وقوع ایست قلبی را فراهم می‌آورد.

سپسیس

سپسیس عارضه خطرناکی است که در اثر واکنش بیش از حد سیستم ایمنی بدن نسبت به عفونت پدید می آید و به تدریج سراسر بدن را درگیر می کند.این بیماری به علت واکنش شدید نسبت به عفونت رخ می‌دهد؛ بدن برای مقابله با تهدید، حجم بالایی مواد شیمیایی را به جریان خون می‌فرستد. این امر باعث التهاب شدید شده در نتیجه با گذشت زمان خونرسانی را کند کرده و به اندام‌ها آسیب می‌رساند. گاهی‌ اوقات افراد، مبتلا به سپسیس شدید یا شوک سپتیک می‌شوند که مرگ آن ‌ها را به همراه دارد.

لازم به دانستن است که موارد شدید سپسیس می تواند منجر به شوک سپتیک شود که یک اورژانس پزشکی است. طبق این آمار ، سالانه بیش از 1.5 میلیون مورد ابتلا به سپسیس وجود دارد.

علائم بیماری سپسیس

سه مرحله از سپسیس وجود دارد: سپسیس ، سپسیس شدید و شوک سپتیک. سپسیس می تواند در حالی  رخ دهد  که شما هنوز در بیمارستان در حال بهبودی از یک بیماری هستید ، اما همیشه اینگونه نیست. در صورت بروز هر یک از علائم زیر ، مراقبت فوری پزشکی ضروری است. هرچه زودتر به دنبال معالجه باشید ، احتمال زنده ماندن بیشتر می شود.

سپسیس :

علائم بیماری سپسیس شامل موارد زیر است:

• تب بالا  (38ºC) و یا یک درجه حرارت زیر  (36ºC)

• ضربان قلب بیش از 90 ضربان در دقیقه

• تنفس بالاتر از 20 تنفس در دقیقه

• عفونت احتمالی یا تأیید شده

قبل از اینکه پزشک بتواند بیماری سپسیس را تشخیص دهد ، باید دو مورد از این علائم را داشته باشید.

---------------------------------------------------------------------------------

در همین رابطه گـــروهی از محققان دانشگاه تربیت مدرس موفق به طراحی سامانه پایش شدند که می تواند عارضه های قلبی مانند ایست قلبی را زودهنگام تشخیص و شناسایی نماید.

دکتر سمانه لایقیان که این پژوهش را در قالب رساله دکتری تخصصی در رشته مهندسی فناوری اطلاعات (سیستم‌های اطلاعاتی) انجام داده است، گفت: از آنجا که پزشکان نمی‌توانند به طور مداوم خطر ایست قلبی برای همه بیماران تحت مراقبت را بررسی کنند، خودکارسازی جمع‌آوری و تحلیل داده‌های سلامت و اعلام هشدارهای لازم به بیمار و پزشک می‌تواند گام بزرگی در کاهش میزان مرگ و میر و هزینه‌ها باشد.

وی افزود: در این پژوهش با استفاده از الگوریتم‌های هوش مصنوعی به توسعه یک مدل پیش‌آگهی ایست قلبی برای بیماران مبتلا به سپسیس پرداختیم.

لایقیان تشریح کرد: در این راستا ۳۰ ساعت از داده‌های 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 ایجاد شد مدل‌های یادگیری ماشین مختلف، با رویکردی سیستماتیک بر این سه مجموعه داده آموزش یافتند. نهایتاً استفاده از روش یادگیری عمیق نتایج بهتری تولید کرد.

وی در ادامه گفت: مدل پیشنهادی در بازه ۳۰ ساعت قبل از رخداد ایست قلبی، وقوع آن را با مقدار sensitivity بالاتر از ۷۰ درصد پیش‌بینی می‌کند. 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 سیستم‌های استاندارد موجود تولید می‌کند.

در این پژوهش تاثیر پویایی سری‌های زمانی علائم حیاتی، به عنوان یک عامل پیشگو برای پیش‌بینی ایست قلبی نیز با رویکردهای مختلف مورد آزمون قرار گرفت. تحلیل سری‌های زمانی برای پیش‌بینی ایست قلبی یک ساعت قبل از رخداد، مقدار sensitivity=۷۷% را تولید کرد.

در گام بعد، به منظور هوشمندسازی عملیات جمع‌آوری و تحلیل داده‌ها، با استفاده از فناوری‌های نوین به طراحی نمایی سطح بالا از یک معماریIOT، برای نظارت زمان واقعی بر افراد بستری در بخش مراقبت‌های ویژه پرداختیم. این معماری، مدل پیش‌آگهی هوشمند پیشنهادی را به عنوان بخشی از خدمات خود فراهم آورده و از فناوری ها به منظور تسریع عملیات پردازش بلادرنگ استفاده می‌کند.

انتهای متن/ص