گروهی از محققان بر روی یک ابزار یادگیری ماشینی نسخه تجاری بررسی هایی انجام دادند. آن ها به این نتیجه رسیدند که این ابزار خیلی خوب می تواند ریسک بروز آسیب آسیب حاد کلیه به دلیل بستری شدن در بیمارستان را پیش بینی کند.
اسم این ابزار، مدل پیش بینی کننده اپیک ریسک است. به گفته محققان، عملکرد این ابزار و مدل کمی نسبت به ابزارهای دیگر کمتر است؛ این امر نشان می دهد که اول از همه باید مدل های هوش مصنوعی مورد بررسی قرار گرفته و بعدا در زمینه بالینی و پزشکی استفاده شوند.
پیش بینی ریسک بروز آسیب حاد کلیه با کمک یادگیری ماشینی؛ پیش زمینه
آسیب حاد کلیه به دلیل بستری شدن در بیمارستان، یکی از پیامدها و عواقب شایع در بیمارانی است که مجبور هستند مدت زیادی را در بیمارستان بستری شوند.
ابتلا به این عارضه مساوی با ابتلا به بیماری کلیوی مزمن و افزایش مدت زمان بستری در بیمارستان است. به طبع آن، هم هزینه های درمان بیشتر می شود و هم انسان های بیشتری جان خودشان را از دست می دهند.
با وجود به این مسائل، اگر جلوی بروز آسیب حاد کلیه به دلیل بستری شدن در بیمارستان گرفته شود، بیمار هم با هیچ کدام از این پیامدها مواجه نمی شود. با این حال، پیش بینی زمان شروع این عارضه اصلا کار آسانی نیست؛ به این خاطر که فاکتورهای زیادی در این امر دخیل هستند.
درباره مطالعه
طرز کار مدل اپیک به این صورت است که با در نظر گرفتن افزایش میزان کراتینین خون، ریسک آسیب حاد کلیه به دلیل بستری شدن در بیمارستان را در بزرگسالان ارزیابی می کند.
محققان از داده های به دست آمده از چندین بیمارستان استفاده کرده و این مدل را آموزش دادند. سپس این مدل را بر روی نزدیک به 40.000 بیمار سرپایی امتحان کردند. آن ها بررسی های خود را پنج ماه ادامه دادند.
یافته های مطالعه
بررسی های محققان نشان داد که این مدل زمانی قابل اعتمادترین نتیجه را نشان می دهد که از آن بر روی بیمارانی استفاده شود که ریسک بروز آسیب حاد کلیه به دلیل بستری شدن در بیمارستان در آن ها کمتر باشد.
با این که این ابزار به راحتی می تواند افراد کم ریسک که ممکن است به این عارضه مبتلا شوند را با قطعیت شناسایی کند اما یک مشکل دارد: نمی تواند زمان ابتلای افراد پرریسک به این عارضه را پیش بینی کند.
علاوه بر این، با توجه به مرحله ای که بیمار تحت بررسی قرار می گرفت، نتایج هم متفاوت بود. اگر بیمار در مرحله یک ارزیابی میشد، در مقایسه با مراحل بعدی که وخیم تر هستند، احتمال پیش بینی این عارضه هم بیشتر می شد.
به طور کلی، محققان بر این باور هستند که با به کارگیری این مدل، دستگاه موارد مثبت زیادی را به اشتباه تشخیص می دهد. از همین رو، باید مطالعات بیشتری درباره عواقب بالینی استفاده از این مدل انجام شود.
