به گزارش ایسنا و به نقل از تک‌تایمز، ممکن است اکنون «ماشین حساب مرگ» دانشگاه "استنفورد" بتواند با دقت به این پرسش پاسخ دهد: «من چه زمانی می‌میرم؟»

یک سیستم جدید یادگیری عمیق هوش مصنوعی می‌تواند در زمینه مراقبت تسکینی پیشرفت ایجاد کند.

"مراقبت تسکینی"(Palliative Care) بنا به تعریف سازمان بهداشت جهانی دربرگیرنده همه اقدامات فعال و کامل برای کاستن از رنج و درد و بهبود کیفیت زندگی در بیمار است.

این روش در حالت عمده مختص بیماران مبتلا به یک بیماری خاص است که به درمان پاسخ نمی‌دهند و نتیجه مستقیم بیماری، مرگ است و تنها به آرام نمودن بیمار و کم کردن نشانه‌های بیماری در وی برمی‌گردد.

در کنار نام مراقبت تسکینی می‌توان به داروهای تسکینی اشاره کرد که دربرگیرنده تجویز دارو برای از بین بردن درد یا کاهش یک "سمپتوم"(نشانه بیماری) می‌شود، برای مثال می‌توان به دارودرمانی در رفع تهوع پس از شیمی‌درمانی یا حتی کاستن سمپتوم‌ها در آنفلوانزا اشاره نمود.

محققان دانشگاه "استنفورد" یک الگوریتم جدید هوش مصنوعی را آزمایش کرده‌اند که می‌تواند به بیمارستان‌ها کمک کند که مراقبت‌های تسکینی را برای بیماران سرطانی و بیماران مبتلا به بیماری‌های خاص و صعب العلاج بهبود بخشند.

الگوریتم مبتنی بر یک دستگاه شبکه عصبی یادگیری عمیق می‌تواند پرونده‌های مهم پزشکی یا پرونده‌های بهداشت الکترونیکی ثبت شده بیماران مبتلا به بیماری حاد را تحلیل می‌کند تا نیاز آنان به مراقبت تسکینی را مشخص کند.

این الگوریتم می‌تواند زمان مرگ بیماران را با دقت 3 تا 12 ماه پیش‌بینی کند و از این پیش‌بینی برای مراجعه بیماران برای مراقبت تسکینی استفاده می‌کند.

محققان می‌گویند: پیش‌بینی‌های ما می‌تواند تیم مراقبت تسکینی بیمارستان‌ها را در جهت رسیدگی موثر به چنین افرادی به جای استفاده از درمان نافرجام پزشکان یا انجام بررسی‌های وقت‌گیر برای همه بیماران به کار گیرند.

مطالعات قبلی نشان داد که تقریبا 80 درصد از آمریکایی‌ها مایل هستند روزهای آخر عمر را در خانه بگذرانند، اما تنها 20 درصد قادر به انجام این کار هستند و بیش از نیمی از مرگ و میر بیماران در بیمارستان‌ها و در بخش‌های مراقبت‌های ویژه اتفاق می‌افتد.

در واقع بیماران مبتلا به بیماری حاد اغلب در طول روزهای واپسین‌شان به جای راحت گذاشته شدن، به شدت تحت مراقبت‌های ویژه بیهوده پزشکی قرار می‌گیرند.

به این دلیل است که توانایی بیمارستان‌ها برای ارائه مراقبت‌های تسکینی در سال‌های اخیر بهبود یافته است. با این حال، مطالعه نشان می‌دهد که تنها 7 تا 8 درصد از بیماران در واقع آن را دریافت می‌کنند.

عواملی مانند فقدان متخصص مراقبت تسکینی از بیماران که تک تک داده‌های بیمار را تجزیه و تحلیل کند، آگاهی بخشی به بیمار و امید به زندگی موجب بروز این مشکل شده است. اینجا جایی است که الگوریتم یادگیری عمیق هوش مصنوعی وارد عمل می‌شود.

"آناند آواتی" از دانشکده علوم کامپیوتر دانشگاه استنفورد می‌گوید: ما می‌توانیم یک مدل پیش‌بینی کننده را با استفاده از داده‌های عملیاتی به طور منظم در محیط مراقبت‌های پزشکی ایجاد کنیم. مقیاس داده‌های موجود به ما امکان داد تا مدل همه جانبه پیش‌بینی مرگ را بسازیم.

روش یادگیری که به عنوان الگوریتم یادگیری عمیق شناخته می‌شود از شبکه‌های عصبی برای فیلتر کردن و تجزیه و تحلیل حجم زیادی از داده‌ها استفاده می‌کند.

این تحقیق پیش‌بینی مرگ و میر را با توجه به وجود نوعی بیماری، سن بیمار و ضرورت پذیرش در مقایسه با دیگران انجام می‌دهد.

از داده‌های پرونده الکترونیک بیمار(EHR) از اولین تماس در سال قبل برای تعیین زمان مرگ آنها ظرف 12 ماه استفاده می‌شود.

برای این مطالعه، محققان دو میلیون پرونده بیماران بزرگسال و کودکانی که به بیمارستان استنفورد و بیمارستان کودکان "لوسیل پکارد" بستری شده بودند، بررسی کردند.

آنها 200 هزار بیمار مناسب برای مطالعه را شناسایی کردند. پرونده الکترونیک بیماران مذکور برای پیش‌بینی زمان مرگ به وسیله سیستم مورد تجزیه و تحلیل قرار گرفت.

برای این مطالعه آزمایشی، الگوریتم موظف بود زمان مرگ را در هر یک از 160 هزار بیمار طی 12 ماه از تاریخ داده شده پیش‌بینی کند.

این مطالعه توانست سیستم را برای پیش‌بینی زمان مرگ بیماران طی 3 تا 12 ماه آینده آموزش دهد.

پس از آن این الگوریتم، داده‌های 40 هزار بیمار باقی‌مانده را برآورد کرد و در 9 مورد از 10 مورد قادر به پیش‌بینی دقیق زمان مرگ آنها طی 3 تا 12 ماه بود.

اکثر بیماران با احتمال پایین مواجهه با مرگ در بررسی یک سال اخیر، ارزیابی شدند.

"کن جونگ"، دانشمند علوم پزشکی و سرپرست مطالعه می‌گوید: ما می‌خواهیم مطمئن شویم که بیماران مبتلا به بیماری حاد و خانواده‌هایشان قبل از آن که دیر شود، فرصتی برای گفتگو داشته باشند.

یافته‌های این مطالعه با عنوان "بهبود مراقبت تسکینی با یادگیری عمیق" در Arxiv منتشر شده است.