4 دقیقه
هوش مصنوعی جدید هزاران نتیجه پزشکی را پیشبینی میکند
یک تیم تحقیقاتی چندملیتی مدل هوش مصنوعی‌ای توسعه داده است که میتواند احتمال بروز بیش از ۱,۰۰۰ بیماری را سال‌ها جلوتر بر اساس سابقه پزشکی بیمار پیشبینی کند. این سیستم که بر پایه معماری شبکه‌های عصبی ترنسفورمر — همان خانواده مدل‌هایی که عامل‌های مکالمه‌ای مانند ChatGPT را تغذیه می‌کنند — ساخته شده و Delphi-2M نام دارد، وعده مقیاس جدیدی از پیشبینی ریسک بالینی بلندمدت را می‌دهد.
نحوه عملکرد Delphi-2M
Delphi-2M با استفاده از پرونده‌های سلامتی طولی از UK Biobank بریتانیا، پایگاه داده زیست‌پزشکی حاوی تقریباً نیم میلیون شرکت‌کننده، آموزش داده شد و در برابر نزدیک به دو میلیون رکورد از ثبت سلامت عمومی دانمارک اعتبارسنجی شد. با برخورد به توالی تشخیص‌ها مانند جملات، مدل ترنسفورمر الگوها، هموقوعی و ترتیب رویدادها در تاریخچه بیماران را می‌آموزد — در واقع «گرامر» مسیرهای بالینی را شناسایی میکند که میتواند نشانه‌ای از بیماری‌های آینده باشد.
پژوهشگران گزارش می‌دهند که مدل میتواند افرادی را که ریسک بسیار بالاتر یا پایین‌تری برای رویدادهایی مانند حملات قلبی دارند نسبت به آنچه فاکتورهای جمعیت‌شناختی به تنهایی نشان می‌دهند برجسته کند. برخلاف نمره‌های ریسک تک‌شرطی که در مراقبت‌های روتین استفاده می‌شوند، Delphi-2M برای تولید پیش‌بینی‌های همزمان و بلندمدت برای صدها وضعیت طراحی شده است.
اعداد کلیدی
- دادههای آموزش: تقریباً ۵۰۰,۰۰۰ شرکت‌کننده UK Biobank
- دادههای اعتبارسنجی: نزدیک به ۲ میلیون رکورد سلامت دانمارکی
- دامنه: پیشبینی برای بیش از ۱,۰۰۰ بیماری
اعتبارسنجی، محدودیت‌ها و ملاحظات اخلاقی
تیم نتایج را در یک مجله داوری‌شده منتشر کرده است، اما هشدار می‌دهد که Delphi-2M برای استقرار بالینی آماده نیست. کارشناسان خارجی نکات مهمی را گوشزد می‌کنند: هر دو مجموعه داده بریتانیایی و دانمارکی به‌طور کامل نماینده تمام گروه‌های سنی، قومیتی و نتایج سلامتی نیستند و این میتواند تعصبات دادهای را وارد پیش‌بینی‌ها کند. آزمایش‌های اضافی در جمعیتهای متنوع، اعتبارسنجی آیندهنگر و بازبینی نظارتی قبل از هر کاربرد بالینی لازم خواهد بود.
پژوهشگران فناوری سلامت دو اولویت موازی را برجسته می‌کنند: قابلیت تبیین و نظارت اخلاقی. هوش مصنوعی قابل‌تبیین به پزشکان کمک میکند بفهمند چرا مدل برآوردهای ریسک مشخصی تولید میکند، که به اعتماد و ایمنی می‌افزاید. برخی از هم‌نویسندگان معتقدند Delphi-2M گامی به سمت مدل‌سازی پیش‌بینی‌پذیر و مسئولانه از نظر اخلاقی است، اما بازبینی گسترده‌تر همچنان ضروری است.
موارد کاربرد بالقوه و تأثیر سیستم
در صورتی که به‌دقت اعتبارسنجی و ادغام شود، Delphi-2M ممکن است در نهایت اطلاع‌رسانی به پزشکی پیشگیرانه و برنامه‌ریزی نظام سلامت را امکان‌پذیر کند. کاربردهای ممکن شامل موارد زیر است:
- پایش هدفمند افراد در معرض ریسک بالا
- مداخلات بالینی زودتر برای جلوگیری از پیشرفت بیماری
- تخصیص منابع و برنامه‌ریزی در نظامهای سلامت تحت فشار
برای مقایسه، ابزارهای گسترده‌پذیری مانند QRISK3 ریسک قلبی‌عروقی نزدیک‌مدت را برای بیماران فردی برآورد می‌کنند؛ Delphi-2M هدف دارد همزمان تعداد بیشتری از شرایط و افقهای زمانی طولانی‌تر را پوشش دهد و کلاس متفاوتی از پشتیبانی تصمیم بالینی را ارائه دهد.
چرا این موضوع برای هوش مصنوعی در مراقبت‌های بهداشتی اهمیت دارد
این کار نشان می‌دهد چگونه مدل‌های مبتنی بر ترنسفورمر می‌توانند فراتر از زبان طبیعی سازگار شوند تا پرونده‌های الکترونیک سلامت طولی را تحلیل کرده و تشخیص‌های آینده را پیشبینی کنند. این پیشرفت فرصت گسترش مراقبت پیشگیرانه توسط هوش مصنوعی و همچنین مسئولیت پرداختن به تعصب، شفافیت و اعتبارسنجی قبل از انتقال تحقیق به عمل را برجسته میکند.
«مدل‌هایی مانند Delphi-2M می‌توانند راهنمای پایش و مداخلات زودهنگام باشند،» یکی از پژوهشگران گفت، در حالی که دیگران خواستار ادامه آزمایش‌ها و احتیاط هستند. هرچه نظامهای سلامت و ناظران نقش مدل‌های بزرگ هوش مصنوعی را بررسی کنند، قابلیت تبیین و عملکرد عادلانه محورهای اصلی پذیرش ایمن خواهند بود.
منبع: smarti
نظرات