به گزارش خرید بک لینک دانشمندان آمریکایی، یک مدل یادگیری ماشینی ابداع نموده اند که می تواند به شناسایی افراد مبتلا به کووید-۱۹ بلندمدت کمک نماید.
به گزارش خرید بک لینک به نقل از ایسنا و به نقل از نیوز وایز، دانشمندان بالینی از مدلهای یادگیری ماشینی جهت بررسی داده های “پرونده الکترونیکی سلامتی” (EHR) بهره برده اند که یک پایگاه داده بالینی ملی است و با بودجه مؤسسه ملی سلامت آمریکا پشتیبانی می شود. هدف دانشمندان، تشخیص دادن خصوصیت های افراد مبتلا به کووید-۱۹ بلندمدت و عواملی بود که امکان دارد به شناسایی چنین بیمارانی با استفاده از داده های سوابق پزشکی آنها کمک کنند.
یافته های این پژوهش می توانند به بهبود پژوهش های بالینی در مورد کووید-۱۹ بلندمدت و عرضه یک رژیم مراقبت استانداردتر برای این بیماری کمک کنند.
“امیلی پفاف” (Emily Pfaff)، پژوهشگر “دانشکده پزشکی دانشگاه کارولینای شمالی” (UNC School of Medicine) و پژوهشگر ارشد این پروژه اظهار داشت: تشخیص، درمان و مراقبت از بیماران مبتلا به کووید-۱۹ بلندمدت، به علت نشانه های بیماری که به صورت مداوم درحال تغییر هستند، یک چالش ثابت شده است. ما نیاز داشتیم که درک بهتری از پیچیدگی های کووید-۱۹ بلندمدت به دست بیاوریم و برای این کار، منطقی بود که از فناوری های نوین تجزیه و تحلیل داده ها و یک منبع بی نظیر و بزرگ از داده استفاده نماییم که خیلی از خصوصیت های کووید-۱۹ بلندمدت در آن نشان داده شده اند.
این مجموعه داده هم اکنون شامل اطلاعاتی است که به بیشتر از ۱۳ میلیون نفر در سرتاسر آمریکا تعلق دارند. این منبع، امکان پژوهش سریع برای پاسخ دادن به پرسش های نوظهور را در مورد واکسن ها، روش های درمانی، عوامل خطر و نتایج کووید-۱۹ فراهم می آورد.
پژوهشگران، مدلهای یادگیری ماشینی معروف به “XGBoost” را ابداع کردند تا خصوصیت های بیمار را بفهمند و بیمارانی را که احتمال مبتلا شدن به کووید-۱۹ بلندمدت در آنها بیشتر است، بهتر شناسایی کنند.
پژوهشگران با استفاده از این مدلها، میزان استفاده از مراقبت های بهداشتی، تشخیص ها و داروها را برای ۹۷ هزار و ۹۹۵ بیمار بزرگسال مبتلا به کووید-۱۹ مورد بررسی قرار دادند.
مدلهای یادگیری ماشینی، در شناسایی بیماران مبتلا به کووید-۱۹، توانایی خویش را ثابت کردند. استفاده از این مدل در یک گروه بزرگتر می تواند طی آزمایش های بالینی، به هدف شناسایی فوری بیماران مبتلا به کووید-۱۹ بلندمدت برسد.
همینطور مدلها، خیلی از خصوصیت های مهم را نشان دادند که بیماران مبتلا به کووید-۱۹ بلندمدت را از سایر بیماران متمایز می کند. آنها روی بیمارانی با نتیجه مثبت کووید-۱۹ تمرکز کردند که حداقل ۹۰ روز از عفونت حاد خود فاصله داشتند.
“جونی روتر” (Joni Rutter)، از پژوهشگران این پروژه اظهار داشت: این نتایج، تاثیر قوی داده های بالینی در دنیای واقعی و قابلیت های بالقوه پایگاه داده را جهت کمک به درک بهتر مشکلات مهم سلامت عمومی مانند کووید-۱۹ بلندمدت و یافتن چاره هایی برای آنها نشان می دهند.

“جاش فسل” (Josh Fessel)، از پژوهشگران این پروژه اظهار داشت: هنگامی که در پایگاه داده بزرگی از افراد بتوانید تشخیص دهید چه کسانی مبتلا به کووید-۱۹ بلندمدت هستند، می توانید سؤالاتی را در مورد آنها بپرسید. آیا نکته متفاوتی در مورد این افراد قبل از ابتلای بلندمدت به کووید-۱۹ وجود داشته است؟ آیا آنها عوامل خطر خاصی داشته اند؟ آیا چیزی در مورد نحوه درمان آنها طی کووید-۱۹ حاد وجود داشته که امکان دارد خطر مبتلا شدن به کووید-۱۹ بلندمدت آنها را افزایش یا کاهش داده باشد؟
“پفاف” اظهار داشت: پرونده الکترونیک سلامت فقط در مورد افرادی که به پزشک رجوع می کنند، اطلاعاتی دارد. همچنین، اطلاعات بیشتری را در مورد افرادی شامل می شود که زیاد به پزشک رجوع می کنند. بنابراین، ما اطلاعاتی در مورد افرادی که دسترسی خوبی به مراقبت ندارند یا افرادی که به پزشک رجوع نمی کنند، در اختیار نداریم. این یک اخطار برای من در مورد هر پژوهشی است که برپایه این پایگاه داده انجام می دهم. ما باید تشخیص دهیم که چه کسی در مجموعه داده نیست.
این گروه پژوهشی همچنان به اصلاح مدلهای خود با استفاده از داده های دنیای واقعی ادامه می دهند. داده های آنها در مورد بیماران مبتلا به کووید-۱۹ می تواند پایه و اساس جامعی برای توسعه مدل هایی باشد که به شناسایی بیماران مبتلا به کووید-۱۹ بلندمدت کمک می کنند.
با عنایت به اینکه پژوهشها به کجا منتهی می شوند، امکان دارد متوجه شویم که بیمارانی با نشانه های متفاوت کووید-۱۹ بلندمدت، آنقدر فرق دارند که به درمان های متفاوتی نیاز پیدا کنند. بنابراین، برای ما مهم می باشد که تعیین نماییم آیا کووید-۱۹ طولانی، یک بیماری است یا مجموعه ای از بیماری ها به کووید-۱۹ حاد منجر می شوند.
با این روش جدید، تلاشهای کارآمد می توانند برای درک عمیق تر پیچیدگی های بلندمدت کووید-۱۹ در دسترس باشند. فراتر از شناسایی گروه ها جهت بررسی های پژوهشی، درک و تأیید رابطه بین کووید-۱۹ بلندمدت و عوامل اجتماعی تعیین کننده سلامتی، سایر بیماری ها و نتایج درمان، الگوریتم را در این مدلها بهبود می بخشد.
این پژوهش در مجله “Lancet Digital Health” به چاپ رسید.

منبع: mpo-kr.ir

آمریكا استاندارد الكترونیكی توسعه