به گزارش گروه اجتماعی خبرگزاری تسنیم؛ ایست قلبی ناشی از سپسیس یک رویداد شایع با نرخ نجات پایین است. پیشبینی زودهنگام ایست قلبی زمان لازم برای انجام مداخلات ضروری جهت پیشگیری از وقوع ایست قلبی را فراهم میآورد.
دکتر سمانه لایقیان که پژوهشی را در قالب رساله دکتری تخصصی در رشته مهندسی فناوری اطلاعات (سیستمهای اطلاعاتی) انجام داده است، گفت: از آنجا که پزشکان نمیتوانند به طور مداوم خطر ایست قلبی برای همه بیماران تحت مراقبت را بررسی کنند، خودکارسازی جمعآوری و تحلیل دادههای سلامت و اعلام هشدارهای لازم به بیمار و پزشک میتواند گام بزرگی در کاهش میزان مرگ و میر و هزینهها باشد.
وی افزود: در این پژوهش با استفاده از الگوریتمهای هوش مصنوعی به توسعه یک مدل پیشآگهی ایست قلبی برای بیماران مبتلا به سپسیس پرداختیم.
لایقیان تشریح کرد: در این راستا 30 ساعت از دادههای بالینی بیماران سپسیس از پایگاه داده MIMIC III استخراج شد (79 مورد ایست قلبی، 4532 رکورد نرمال) و سه مجموعه داده چندمتغیره، سری زمانی و ترکیب چند متغیره و سری زمانی ایجاد شد مدلهای یادگیری ماشین مختلف، با رویکردی سیستماتیک بر این سه مجموعه داده آموزش یافتند؛ نهایتاً استفاده از روش یادگیری عمیق نتایج بهتری تولید کرد.
وی گفت: مدل پیشنهادی در بازه 30 ساعت قبل از رخداد ایست قلبی، وقوع آن را با مقدار sensitivity بالاتر از 70 درصد پیشبینی میکند؛ مقایسه خروجی این مدل با نتایج حاصل از دو سیستم هشداردهنده استاندارد Apache II و MEWS نشان داد مدل پیشنهادی بهبود قابل توجهی نسبت به سیستمهای استاندارد موجود تولید میکند.
در این پژوهش تاثیر پویایی سریهای زمانی علائم حیاتی، به عنوان یک عامل پیشگو برای پیشبینی ایست قلبی نیز با رویکردهای مختلف مورد آزمون قرار گرفت. تحلیل سریهای زمانی برای پیشبینی ایست قلبی یک ساعت قبل از رخداد، مقدار sensitivity=77% را تولید کرد.
در گام بعد، به منظور هوشمندسازی عملیات جمعآوری و تحلیل دادهها، با استفاده از فناوریهای نوین به طراحی نمایی سطح بالا از یک معماریIOT، برای نظارت زمان واقعی بر افراد بستری در بخش مراقبتهای ویژه پرداختیم. این معماری، مدل پیشآگهی هوشمند پیشنهادی را به عنوان بخشی از خدمات خود فراهم آورده و از فناوری مه به منظور تسریع عملیات پردازش بلادرنگ استفاده میکند.
انتهای پیام/