وقتی صحبت از درمان به عمل میآید، طیف وسیعی از واژهها روبرویمان سبز میگردند. درمان میتواند از تشخیص شروع و در نهایت با پروسیجرهای مختلف پزشکی یا دارودرمانی ختم شود. هوش مصنوعی که در این حین نقل و نبات بیشتر محافل شده است، در اینجا نیز خودنمایی میکند و میتواند در تسریع اعمال مختلف در درمان افراد ظهور پیدا کند. در این متن سعی داریم تا به شما مفهوم ساده و به دور از پیچیدگی از کاربردهای مختلف هوش ماشینی نشان دهیم. در واقع استفاده از الگوریتمهای هوش مصنوعی در حوزههای مختلفی در بالین میتواند سبب تشخیص بهتر و جلوگیری از هزینههای متعاقب هم برای مجموعه درمانی و هم بیمار شود.
عوارض دارویی ناخواسته
در سال 2014، حدود 1.6 میلیون بستری ناشی از عوارض دارویی در آمریکا وجود داشت. هزینه ناشی از این بستریها چیزی حدود سی میلیارد دلار است. الگوریتمهای هوش مصنوعی، نه تنها قادرند که عوارض دارویی ناخواسته گزارشنشده را رصد کنند، بلکه میتوانند ساختار شیمیایی، مکانیسم عمل و دیگر عوارض را بر حسب اطلاعات واردشده پیش بینی کنند. در واقع الگوریتمهایی موسوم به شبکههای عصبی، میتوانند علاوه بر سوابق بیمار و دیتای ژنومی، برهمکنش دارویی ناخواسته شخصی هر فرد را پیشبینی و ارزیابی کنند.
همچنین بخوانید: پایش سلامت از راه دور | تله فارمسی
تشخیص ترومبوز وریدی با هوش مصنوعی
یکی دیگر از عوامل تهدیدکننده حیات برای بیماران، ترومبوز وریدی میتواند باشد که در نوع خود حدود 15 الی 30 میلیارد دلار در سال 2019 را تشکیل داده است. روشهای هوش مصنوعی میتوانند سبب شناسایی زودتر بیماران در خطر بیشتر ترومبوز، استفاده شوند. این امر با توجه به تشخیصها یا تصاویر رادیولوژیک امکان پذیر است.
پیشبینی عوارض اعمال جراحی
حدود 16 درصد از بیمارانی که عملهای جراحی مداخلهای (interventional) را دریافت میکنند، به یک عارضه پس از عمل مبتلا میشوند که خود میتواند شامل خونریزی داخلی، تهوع و درد باشد. الگوریتمها در این بخش میتوانند به پیشبینی ریسک فاکتورها و همچنین با ترکیب یا ادغام با واقعیت افزوده، در اعمال جراحی موفقتر ظاهر شوند. برای مثال، یک مدل الگوریتم ماشینی قادر است که ریسک خونریزی ناشی از بایپس قلبی به هنگام عمل جراجی را پیشبینی و ارزیابی کند.
شناسایی محلهای زخم بستر با هوش مصنوعی
حدود 2.7 درصد بیماران بستریشده در آمریکا علائم زخم بستر را در خود نشان دادهاند. هزینه درمان ناشی از این زخمها حدود 28 میلیارد دلار تخمین زده میشود. در حال حاضر از هوش مصنوعی به همراه سنسورهای هوشمند بهمنظور شناسایی محلهایی که زخم بستر در آن محتمل است به کار میرود. مثلا الگوریتمهای ماشینی نظارتشده نظیر جنگل تصادفی(Random forest) میتواند بهمنظور طبقهبندی بیماران حساستر به زخم بستر با توجه به وضعیتشان مورد استفاده قرار بگیرد. استفاده از چنین راهکارهایی در عمل تا 90 درصد صحت و درستی پیشبینی را به همراه داشته است.
سقوط و ضربات ناشی از آن
طبق آمار سالانه حدود 7 میلیون ضربه ناشی از سقوط در ایالات متحده بین بزرگسالان رخ میدهد. در واقع کاربرد هوش مصنوعی در اینجا خیلی مشهود نیست، اما میتوان به استفاده از الگوریتمهای مختلف در طراحی سنسورهای حرکتی و پوششی به منظور جلوگیری از صدمات ثانویه استفاده کرد.
همچنین بخوانید: تشخیص سلامت روان در 10 دقیقه | معرفی استارتآپ Senseye
خسارتهای جبران ناپذیر
اشتباهات بالینی هنوز امر رایجی در بیمارستانها میباشد. برای مثال 3.6 درصد از بیماران دچار sepsis میگردند که هزینه آن سالانه 25.7 میلیارد دلار تخمین زده میشود. نرخ شکست در نجات افرادی که دچار تروما شدهاند، حدود 13.2 درصد تخمین زده میشود. الگوریتمهای هوش مصنوعی در اینجا، از سنسورهای هوشمند تا بررسی میزان بیان ژنی نشانگرهای مولکولی پاتولوژیک، میتوانند کاربرد داشته باشند. در نتیجه اقدامات بعدی برای بیمار صورت میگیرد.
هوش مصنوعی در خطاهای تشخیصی
خطاهای تشخیص خود هردو شامل تشخیص اشتباه و تشخیص دیرهنگام میباشند که این خطاها، در نوع خود، تا 100 میلیارد دلار میتوانند خسارتزننده باشند. در این قسمت، یادگیری ماشین میتواند بهمنظور تشخیص و یا اطمینان از تشخیص درست مورد استفاده قرار بگیرد. برای مثال مدلهای یادگیری ماشین میتوانند برای اطمینان از تشخیص سرطان یا طبقهبندی بیماران بر حسب شدت اورژانسیبودن وضع آنها و ارائه پیشنهاد استفاده گردند.
ممنون عالی بود
مرسی بابت نظرتون