تا حالا شده پیش دکتر بری و حس کنی اون پرسش‌نامه‌ها و تست‌هایی که برات مینویسه خیلی کلی و شبیه همه‌سن؟ خیلی وقت‌ها ارزیابی‌های پزشکی که انجام میشه، یه نسخه سراسری‌ـه و زیاد با وضعیت خاص هر مریض جور در نمیاد؛ مخصوصاً اگه هنوز اول راه تشخیص هستی، این قضیه می‌تونه حسابی بدرد بخوره که یه چیزی دقیقاً برای خودت تنظیم بشه.
حالا یه تیم محقق به اسم Devin Setiawan و بقیه همکاراش اومدن یه کار خفن انجام دادن! اونا یه سیستمی درست کردن به اسم iCARE (یه جور سیستم پیشنهادی ارزیابی بالینی هوشمند و شخصی)، که کمک می‌کنه دقیق‌تر و مخصوص خود هر نفر تشخیص بدن چی لازمه. این iCARE از هوش مصنوعی و یادگیری ماشین استفاده می‌کنه، اون‌هم نه به صورت ساده، بلکه با مدل‌های خاص مثل locally weighted logistic regression (یعنی رگرسیون لجستیک وزن‌دار محلی که ترجمه راحتش این میشه: هر کسی نسبت به شرایط خودش یه وزن و اهمیت متفاوت داره) و SHAP value analysis (یعنی ابزاری که باهاش میشه فهمید هر ویژگی چقدر به نتیجه‌ی مدل کمک کرده).
این سیستم رو اومدن هم روی داده‌های آزمایشگاهی (دیتاست‌های مصنوی، یعنی داده‌های ساختگی برای تست الگوریتم) و هم واقعی امتحان کردن. برای مثال، پیش‌بینی خطر دیابت در مراحل اولیه و اطلاعات بیماران با ناراحتی قلبی از دیتاست معروف UCI Machine Learning Repository (یه بانک داده مشهور برای تمرین و تست الگوریتم‌های هوش مصنوعی).
قسمت جالبش اینه که این iCARE رو با روشِ کلی (Global Approach یعنی روشی که بدون شخصی‌سازی به همه یکجور نگاه می‌کنه) مقایسه کردن و با عدد و رقم نشون دادن که چقدر توی تشخیص دقیق‌تر عمل می‌کنه. مثلاً توی یکی از تست‌هاشون (synthetic dataset 1) با سیستم iCARE به دقت 0.999 و AUC برابر با 1 رسیدن – حالا AUC چیه؟ Area Under the Curve، یعنی مساحت زیر منحنی! یه معیار برای اینکه مدل چقدر خوب می‌تونه افراد سالم رو از بیماران تشخیص بده. درحالی‌که روش کلی فقط دقت 0.689 و AUC معادل 0.639 آورده بود. این یعنی یه جهش عجیب و غریب!
حتی در تست‌های دیگه با دیتای واقعی دیابت یا بیماری قلبی، iCARE بین ۶ تا ۱۲ درصد نسبت به روش‌های انتخاب ویژگی دیگه بهتر عمل کرد از نظر دقت و همین عدد AUC. اما یه جاهایی که داده‌ها فرق خاصی با هم ندارن (توی دیتاست‌های synthetic 4 و 5 و یه سری اطلاعات بیماران دچار نارسایی قلبی)، این iCARE هم دیگه معجزه نمی‌کنه و تفاوت چشم‌گیری با روش کلی نشون نمیده؛ طبیعیه، چون بالاخره وقتی داده‌ها شبیه‌هم باشن، فرق زیادی هم نمیشه ایجاد کرد.
در کل این سیستم iCARE به پزشکان کمک می‌کنه بفهمن چه ویژگی‌هایی برای هر مریض خاص‌تر و مهم‌تره و بر اون اساس دستورالعمل یا تست جدید توصیه کنن. اینجوری تشخیص بیماری دقیق‌تر و موثرتر میشه؛ مخصوصاً جاهایی که واقعا شخصی‌سازی مهمه، جلوی کلی‌نگری‌های بی‌فایده رو می‌گیره و باعث میشه هر کسی نسخه خودش رو بگیره نه یه چیز عمومی و بی‌اثر! اگر به هوش مصنوعی تو پزشکی علاقه داری یا دوست داری یه آینده با پزشکی هوشمند رو تجربه کنی، قطعاً چنین ایده‌هایی می‌تونن دنیا رو عوض کنن.
منبع: +
