پیش‌بینی شدت بیماری کرونا با روش‌های «یادگیری عمیق»
به گزارش خبرگزاری مهر به نقل از معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست جمهوری، احمد شالباف دانشیار گروه مهندسی پزشکی دانشگاه علوم پزشکی شهید بهشتی، درباره این طرح توضیح داد: شیوع بیماری کووید ۱۹ به سرعت در سرتاسر جهان رواج یافت و با افزایش مداوم تعداد موارد تأیید شده و متوفی به یک نگرانی بهداشت جهانی تبدیل شد. این بیماری، اقتصاد و زیرساخت‌های مراقبت‌های بهداشتی را در سراسر جهان به طرز چشمگیری دچار مشکل کرد و اندام‌هایی مانند ریه‌ها، قلب، کلیه‌ها و دستگاه گوارش را هدف قرار می‌دهد. شدت طیف این بیماری از خفیف بدون علامت تا مشکلات تنفسی جدی با تنگی نفس، هیپوکسیمی و سندرم زجر تنفسی حاد (ARDS) متغیر است.
وی افزود: سندرم زجر تنفسی حاد، یک حالت شدید از التهاب ریه است که موجب کم‌اکسیژنی یا هیپوکسی می‌شود و سطح بالایی از مرگ‌ومیر را به همراه دارد. این بیماران برای مراقبت مناسب باید به بخش مراقبت‌های ویژه (ICU) مراجعه کنند و نیاز به دستگاه ونتیلاتور دارند.
به گفته این پژوهشگر، عوامل مختلفی می‌توانند باعث بیماری شدیدتر یا پیامدهای ضعیف بیماری باشند. این عوامل را می‌توان به ویژگی‌های دموگرافی، علائم حیاتی و داده‌های آزمایشگاهی طبقه‌بندی کرد.
شالباف، عوامل دموگرافی مرتبط با شدت بیماری را سن، جنس، چاقی، سابقه مصرف سیگار و وضعیت اقتصادی، همچنین بیماری‌های زمینه‌ای مانند دیابت، فشار خون بالا، بیماری مزمن ریه، سرطان، بیماری مزمن کلیه و بیماری‌های قلبی عروقی دانست و گفت: دمای بدن، سطح اشباع اکسیژن خون، حداکثر و حداقل فشار خون، ضربان قلب و نرخ میزان تنفس هم از عوامل حیاتی‌ای است که باید در جریان این بیماری مورد بررسی قرار گیرد.
وی تصریح کرد: در این مطالعه، هدف ما ابداع یک سامانه پیش‌بینی سریع و اتوماتیک مدل پیشرفت بیماری کووید ۱۹ از روی اطلاعات دموگرافی، بالینی و آزمایشگاهی با استفاده از روش‌های هوش مصنوعی پیشرفته از جمله استفاده از الگوریتم شبکه عصبی عمیق با دقت و حساسیت بالا بوده است. به عبارت دیگر در این تحقیق با یافتن ارتباط بین متغیرهای مستقل با تشدید بیماری، از آن‌ها به‌عنوان فاکتورهای ویژه پیش‌بینی‌کننده برای شدت بیماران کرونایی بهره بردیم. پیش‌بینی زودهنگام وضعیت بیماران مبتلا به کووید ۱۹ می‌تواند با تخصیص منابع و برنامه‌ریزی درمانی، خطر مرگ‌ومیر را در این بیماران کاهش دهد.
شالباف تأکید کرد: مدل ما مبتنی بر داده‌هایی است که در روز اول پذیرش بیمار جمع‌آوری شده است. زیرا یک مدل پیش‌بینی‌کننده هنگامی‌ایده‌آل و مفید خواهد بود که در روز ابتدای پذیرش بیمار، میزان پیشرفت بیماری رو پیش‌بینی کند. چرا که این زمان، زمانی است که باید توسط تیم پزشکی تصمیم‌گیری شود که بیمار نیازی به بستری و مراقبت‌های ویژه دارد یا خیر و تخت‌های بیمارستان رو برای بیماران با شدت بحرانی ذخیره کند.
این محقق و پژوهشگر در ادامه بیان کرد: از آنجا که در زمان شروع این طرح، هیچ تحقیق جامعی در مورد پیش‌بینی میزان شدت بیماری کووید ۱۹ گزارش نشده بود؛ لذا هدف این پژوهش، استفاده از الگوریتم‌های متفاوت هوش مصنوعی و یادگیری ماشین به‌خصوص روش‌های یادگیری عمیق به‌منظور تعیین پیش‌بینی میزان شدت بیماری کووید ۱۹ از روی اطلاعات دموگرافی، بالینی و آزمایشگاهی بود که خوشبختانه محقق شد.
