به گزارش علمی نیوز و به نقل از Psychology Today، یکی از کلیدهای زندگی سالم، پیشگیری و تشخیص زودهنگام بیماری هاست. یک مطالعه جدید منتشر شده در npj Digital Medicine، یک مجله Nature Portfolio، نشان می‌دهد که چگونه یادگیری ماشینی هوش مصنوعی پتانسیل تسریع پزشکی شخصی را با ارائه خطر ابتلا به بیماری دو یا چند دهه قبل با شناسایی مسیرهای بیماری برای بیمار فراهم میکند.
پیتر کلیمک، Ph.D. نویسنده مسئول این مطالعه، دریافت کننده باشگاه خبرنگاران علوم و آموزش و پرورش اتریش در سال 2021 نوشت: "تشخیص و شناسایی زودهنگام مسیر بیماری پیش بینی شده بیمار ممکن است درمان های سریع و به موقع را در کنار اقدامات پیشگیرانه هدفمند انجام دهد." جایزه دانشمند سال و عضو هیئت علمی مرکز علمی پیچیدگی وین دانشگاه پزشکی وین (MedUni) به همراه نویسندگان همکار، الما درویچ، یوهانس سورگر، لیوهوایینگ یانگ، مایکل لوتنر، الکساندر کاوتزکی، استفان ترنر و الکساندرا کاوتزکی- ویلر.
این مطالعه از مجموعه داده عظیمی از 44 میلیون رکورد از بستری شدن در بیمارستان از سال 2003 تا 2014 استفاده کرد که از یک پایگاه داده ثبت سلامت الکترونیکی شامل 8.9 میلیون بیمار، تقریباً کل جمعیت، از تمام بیمارستان‌های اتریش از سال 1997 تا 2014 انتخاب شده بود.
داشتن مجموعه داده آموزشی بزرگ به طور مطلوب بر عملکرد کلی الگوریتم تأثیر می گذارد. مدل‌های یادگیری ماشینی هوش مصنوعی ویژگی‌هایی را از داده‌های آموزشی در مقابل برنامه‌نویسی انسانی، کدگذاری سخت دستورالعمل‌های صریح یاد می‌گیرند. در هوش مصنوعی، کیفیت و کمیت داده های آموزشی به عملکرد الگوریتم کمک می کند. الگوریتم هوش مصنوعی می تواند از داده های آموزشی که دارای برچسب یا بدون برچسب هستند، یاد بگیرد. یادگیری نظارت شده جایی است که داده های آموزشی با برچسب گذاری داده ها، که به عنوان حاشیه نویسی داده نیز شناخته می شود، از قبل پردازش می شوند و یادگیری بدون نظارت از داده های بدون برچسب استفاده می کند.
محققان تصمیم گرفتند از یک الگوریتم خوشه‌بندی هوش مصنوعی بدون نظارت برای این مطالعه استفاده کنند. در علم داده، خوشه‌بندی روشی برای تقسیم یک مجموعه داده بدون برچسب به زیر گروه‌های داده مرتبط است. یادگیری ماشینی بدون نظارت، با تجزیه و تحلیل و خوشه‌بندی مجموعه‌های داده بدون برچسب، گروه‌بندی‌ها و الگوهای داده‌های معنی‌داری را بدون دخالت انسانی پیدا میکند.
دانشمندان 1260 مسیر بیماری را کشف کردند که به طور متوسط 9 تشخیص مختلف و میانگین 23 سال تا 70 سال دارند. و از مسیرهای بیماری شناسایی شده، 49 درصد مربوط به زنان و 51 درصد مربوط به مردان بوده است.
دانشمندان نوشتند: "چارچوب مسیر بیماری می تواند به ما کمک کند تا رویدادهای مهم را به عنوان ترکیبی خاص از عوامل خطر شناسایی کنیم که بیماران را در معرض خطر بالایی برای تشخیص های مختلف قرار می دهد."
جالب توجه است که الگوریتم هوش مصنوعی 70 جفت مسیر بیماری را شناسایی کرد که در برخی از تشخیص‌های اولیه در زندگی مشترک هستند اما در نهایت در مراحل بعدی زندگی به تشخیص‌های جداگانه تقسیم می‌شوند. دانشمندان خاطرنشان می کنند که اگرچه هیچ نتیجه ای در مورد علیت نمی توان انجام داد، الگوریتم هوش مصنوعی عوامل خطر اولیه بالقوه را پیشنهاد می کند.
الگوریتم هوش مصنوعی خط سیر بیماری را برای زنانی که در سنین بین 20 تا 29 سال مبتلا به اختلالات شخصیتی تشخیص داده شده بودند، برای ابتلا به اختلالات سلامت روانی متعدد در مراحل بعدی زندگی از جمله اختلالات اضطرابی، افسردگی، اختلال استرس پس از سانحه (PTSD)، غذا خوردن برجسته کرد. اختلالات در افراد 50 تا 59 ساله و سایر تشخیص های غیرمزمن در سنین 60 تا 69 سال.
مردان مبتلا به اختلالات خواب ناشی از علل ارگانیک مانند آپنه انسدادی خواب که در سنین 20 تا 39 سال تشخیص داده شد، دارای مسیر بیماری متابولیک برای تشخیص های بعدی چاقی، دیابت نوع 2، افزایش سطح اسید اوریک بودند. هیپراوریسمی) و اختلالات چربی، به علاوه یک مسیر جداگانه برای افزایش خطر ابتلا به فتق شکمی، چاقی، عفونت گوش (اوتیت میانی)، و اختلالات حرکتی در آینده.
در حالی که ارتباط با چاقی، یک خطر شناخته شده برای فتق شکمی، بین هر دو مسیر مشترک است، ارتباط با اختلالات حرکتی نشان می‌دهد که گروهی از بیماران دارای اختلالات عصبی بیشتری هستند که اختلالات خواب ارگانیک ممکن است نشانگر اولیه خطر ابتلا به اختلالات عصبی مانند اختلالات عصبی باشد. به عنوان بیماری پارکینسون، محققان نوشتند.
فشار خون بالا (فشار خون بالا) یکی دیگر از عوامل خطر بالقوه اولیه است. برای زنان مبتلا به فشار خون بالا در سنین 10 تا 19 سالگی، هوش مصنوعی مسیر بیماری را شناسایی کرد که چند دهه بعد به یک مسیر متابولیک یا مسیر کلیوی تقسیم شد. هوش مصنوعی دریافت که 1027 بیمار زن بعداً به ترکیبی از مسائل متابولیک مانند چاقی و اختلالات متابولیسم لیپوپروتئین و اختلالات گوارشی مانند بیماری های کبدی و سنگ کیسه صفرا (سنگ کیسه صفرا) با سوء مصرف نیکوتین مبتلا شدند و 2289 بیمار زن به بیماری مزمن کلیوی مبتلا شدند.
"نتایج ما نشان می دهد که برخی از مسیرهای خاص وجود دارد که باید توجه بیشتری را به خود جلب کند، به ویژه از نظر بالینی. از این رو باید مشخص شود که آیا دلیل تفاوت در ایجاد بیماری‌های همراه ناشی از تفاوت در انطباق، درمان یا مراقبت‌های بهداشتی است.»
یادگیری ماشینی هوش مصنوعی به سرعت به عنوان یک ابزار امیدوارکننده برای پزشکان و محققان در حال ظهور است تا الگوهای معنی‌داری را از مقادیر انبوه داده‌های پیچیده مراقبت‌های بهداشتی برای تسریع پزشکی دقیق، افزایش طول عمر انسان و ارائه درمان بهتر و شخصی‌تر در آینده پیدا کنند.
