خب بریم سراغ یه موضوع خیلی مهم: “یوروسپسیس” یا همون شوک عفونی که از عفونت ادراری پیش میاد. شاید بدونین که عفونت ادراری (UTI) تو آمریکا خیلی شایع هست، اما چیزی که خیلی خطرناکه اینه که اگر این عفونت پیشرفت کنه، می‌تونه تبدیل بشه به یوروسپسیس. یعنی باکتری‌ها از طریق دستگاه ادراری وارد خون میشن و باعث یک جور شوک عفونی جدی میشن. جالبه بدونین حدود ۲۵٪ از کل موارد سپسیس تو آمریکا، همین یوروسپسیس هست! و متاسفانه میزان مرگ و میرشم بالاست.
حالا خبر خوب! یه تیم محقق از UCLA اومدن و با استفاده از داده‌هایی که از پرونده پزشکی الکترونیک بیماران (Electronic Health Record)، اونم به صورت کاملاً ناشناس و محرمانه، مدل‌های یادگیری ماشین (Machine Learning) ساختن تا بتونن همین یوروسپسیس رو پیش‌بینی کنن. یادگیری ماشین یعنی نوعی هوش مصنوعی که با خوندن داده، خودش یاد می‌گیره الگوها رو کشف کنه و مثلاً پیش‌بینی انجام بده. این مدل‌ها می‌تونن به پزشک‌ها کمک کنن که اون بیمارایی که ریسک بیشتری دارن رو راحت‌تر شناسایی کنن و زودتر براشون درمان درست تجویز کنن.
این مطالعه اومده روی افرادی تمرکز کرده که به کلینیک مراجعه داشتن و دکتر براشون عفونت ادراری تشخیص داده. کدهای تشخیصی که استفاده کردن، ICD-10 هست که یه سیستم دسته‌بندی بین‌المللی برای بیماری‌هاست. مثلاً اگر کد N30/N93.0 برای یکی ثبت شده باشه و جواب آزمایش ادرارش نشون بده باکتری داره، وارد مطالعه شدن. همینطور اطلاعات دموگرافیک (یعنی مشخصاتی مثل سن و جنسیت)، نتیجه‌های آزمایش و داروهای مصرفی مثل آنتی‌بیوتیک‌ها رو هم براشون ثبت کردن.
یه نکته جالب تو این مطالعه اینه که اومدن چیزی به اسم «دوباره مراجعه» یا همون Reencounter تعریف کردن. یعنی اگر یه مریض، تا هفت روز بعد از تشخیص عفونت، دوباره برگشت پیش پزشک، اون رو یه Encounter جدید حساب کردن. اگه تو این مراجعه مجدد، هم آزمایش ادرارش و هم آزمایش خونش عفونت نشون بده و کدهای سپسیس مثل A41/R78/R65 تو پرونده ثبت شده باشه، اون رو مورد یوروسپسیس حساب کردن.
حالا نوبت بخش هیجان‌انگیزشه؛ اومدن دوتا وظیفه اصلی برای مدل هوش مصنوعیشون تعریف کردن: یکی اینکه مدل پیش‌بینی کنه کدوم بیمارا دوباره به بیمارستان برمی‌گردن (اونم در فاصله کوتاه)، و یکی هم اینکه اصلاً احتمال اینکه این افراد دچار یوروسپسیس بشن چقدره. بعدشم برای اینکه بدونن آیا مدل برای همه گروه‌های نژادی و قومی درست کار می‌کنه یا نه، عملکرد مدل رو برای گروه‌های قومی مختلف جداگانه بررسی کردن.
مدلی که بهترین جواب رو داد، مدل «جنگل تصادفی» (Random Forest) بود. این یه الگوریتم یادگیری ماشینه که با ساختن چندین درخت تصمیم‌گیری (decision tree) و ترکیب نتیجه‌ها، سعی می‌کنه پیش‌بینی دقیق‌تری انجام بده. مشکل اصلی اینه که پیش‌بینی یوروسپسیس آسون نیست، چون فقط تو 0.4% موارد واقعا این بیماری پیش میاد (یعنی اتفاق خیلی کمیه و داده نامتقارن داریم!). اما با این حال، مدل تونست عملکرد قابل‌توجهی نشون بده. مقدار APR (که یه شاخص اندازه‌گیری دقت تو پیش‌بینی موارد نادره) برای پیش‌بینی مراجعه مجدد شد 0.15 و برای پیش‌بینی خود یوروسپسیس به 0.31 رسید. اگه بدونیم که عملکرد پایه‌ای فقط 0.004 بوده، این ارتقا عالیه!
برای اینکه بفهمن مدل چرا یه پیش‌بینی خاص داده، از روش Shapley Values استفاده کردن. این Shapley Value یه جور روش تحلیل ریاضیه که کمک می‌کنه بفهمیم هر ویژگی بیمار (مثلاً سن، جنسیت، یا تعداد سلول‌های سفید ادرار) چقدر تو نتیجه مدل تاثیر داشته. جالب اینجاست که سه تا چیز از همه تاثیرگذارتر بودن: سن بیمار، جنسیتش، و تعداد WBC (یا همون گلبول سفید) تو آزمایش ادرار. هرچی این WBC بیشتر باشه، نشونه عفونت فعال‌تره و احتمال خطر هم بالاتر میره.
در کل، این مطالعه نشون داد که مدل‌های هوش مصنوعی، مخصوصاً یادگیری ماشین، واقعا می‌تونن به پزشکا کمک کنن تا بین بیماران عفونت ادراری اونایی که واقعا در معرض یوروسپسیس هستن رو زودتر و راحت‌تر پیدا کنن. اینطوری هم داروها بهتر انتخاب میشن، هم مریض‌ها سریع‌تر نجات پیدا می‌کنن، و نرخ مرگ و میر هم پایین میاد.
منبع: +
