به گزارش ایسنا، یک آزمایش بالینی تصادفی به سرپرستی پژوهشگران «موسسه رگنستریف»(Regenstrief Institute) نشان می‌دهد یک مدل یادگیری ماشینی که اطلاعات ثبت‌شده در پرونده سلامت الکترونیکی کودک را تجزیه و تحلیل می‌کند، به متخصصان کودک کمک کرده است تا خطر آسم را در شرایط بالینی استاندارد با دقت بیشتری ارزیابی کنند.

به نقل از مدیکال‌اکسپرس، این پژوهش یک ابزار پشتیبانی از تصمیم‌گیری مبتنی بر یادگیری ماشینی به نام «نشانگر دیجیتال غیرفعال» را ارزیابی کرد که از داده‌های پرونده الکترونیک بیمار جمع‌آوری‌شده‌ برای طبقه‌بندی کودکان به عنوان افراد مبتلا به خطر بالا یا پایین ابتلا به آسم مداوم استفاده می‌کند.

آسم یکی از شایع‌ترین بیماری‌های مزمن دوران کودکی به شمار می‌رود، اما پیش‌بینی اینکه کدام کودکان مبتلا به خس‌خس سینه یا سایر علائم تنفسی به آسم مداوم مبتلا می‌شوند، همچنان دشوار است. برخی از کودکان با بزرگ شدن این علائم را پشت سر می‌گذارند، اما برخی دیگر به درمان مداوم نیاز دارند و این امر، ارزیابی زودهنگام خطر را به بخشی مهم اما چالش‌برانگیز در مراقبت از کودکان تبدیل می‌کند.

دکتر «آرتور اوورا»(Arthur Owora)، پژوهشگر ارشد این پروژه گفت: این مدل جایگزین قضاوت بالینی پزشک متخصص کودکان نمی‌شود. این مدل به گردآوری سال‌ها اطلاعات بالینی کمک می‌کند که در پرونده الکترونیکی سلامت وجود دارند و منبع اطلاعاتی دیگری را در اختیار پزشکان قرار می‌دهد تا درباره خطر آسم کودک تصمیم‌گیری کنند.

برخلاف بسیاری از مدل‌های پیش‌بینی، نشانگر دیجیتال غیرفعال نیازی به آزمایش یا پرسشنامه اضافی ندارد. در عوض، اطلاعاتی مانند علائم تنفسی، آلرژی‌ها، سابقه دارویی، عفونت‌های تنفسی و سابقه خانوادگی را که در پرونده الکترونیکی سلامت ثبت شده‌اند، تجزیه و تحلیل می‌کند و سپس یک ارزیابی ساده را از ریسک بالا یا پایین در اختیار پزشکان قرار می‌دهد.

متخصصان کودکان با استفاده از این مدل، احتمال ابتلا به آسم در آینده را بیشتر از کسانی که فقط از ارزیابی استاندارد استفاده کرده بودند، به درستی پیش‌بینی کردند و به طور میانگین ​​به دقت ۸۳ درصد در مقایسه با ۶۱ درصد دست یافتند. این بهبود تا حد زیادی به دلیل شناسایی بهتر کودکانی بود که بعداً به آسم دائمی مبتلا شدند.

پژوهشگران تأکید کردند که این مدل برای پشتیبانی از تصمیم‌گیری بالینی طراحی شده است، نه جایگزینی آن. این مدل به پزشکان کمک می‌کند تا سال‌ها اطلاعات بیمار را در یک ارزیابی ریسک که به راحتی قابل تفسیر باشد، به سرعت ترکیب کنند.

از آنجا که این پژوهش با استفاده از موارد استاندارد بیمار به جای رویارویی بالینی در دنیای واقعی انجام شده، تحقیقات بیشتری برای تعیین این موضوع مورد نیاز است که آیا این مدل می‌تواند نتایج را در عمل روزمره کودکان بهبود ببخشد.

این پژوهش در مجله «Scientific Reports» به چاپ رسید.

انتهای پیام