خب بیاید یه موضوع مهم پزشکی رو با هم مرور کنیم که واقعاً جذابه! اگه کسی عمل بزرگ مثل برداشت مثانه یا همون رادیکال سیستکتومی انجام بده، معمولاً ممکنه با یه مشکلی روبرو بشه به اسم “ایلئوس بعد از عمل”، یا به زبان ساده‌تر: روده‌ش موقتاً کار نمی‌کنه و شدید اذیت میشه. این مشکل توی همین مطالعه، برای حدود ۲۹٪ از بیمارا رخ داده، یعنی تقریباً از هر سه نفر یکی دچارش میشه!
تا الان دکترها برای پیش‌بینی اینکه کدوم بیمار به این مشکل می‌خوره، از یه سری روش‌های معمولی و امتیازدهی خطی استفاده می‌کردن که زیاد دقیق نبودن. مثلاً فقط رابطه‌های ساده و خطی رو می‌فهمیدن و تفاوت‌های ظریف‌تر بین بیمارا رو نمی‌دیدن.
اینجاست که هوش مصنوعی وارد میشه! حالا چی کار کردن؟ اومدن سراغ یه روش مدرن‌تر به اسم مدل‌های یادگیری ماشین (Machine Learning). حالا “یادگیری ماشین” یعنی: به کامپیوتر یاد بدیم از روی تعداد زیادی اطلاعات واقعی، خودش یاد بگیره که بفهمه چه چیزایی باعث بروز یه مشکل میشه. البته این بار مدل‌هاشون “توضیح‌پذیر” بودن، یعنی قابل توضیح و فهم هستن—not جعبه سیاه که فقط جواب بده و کسی ندونه چجوری رسید به نتیجه.
توی این مطالعه، اطلاعات ۱۰۶۲ بیمار بین سالای ۲۰۱۳ تا ۲۰۲۳ رو که توی یه مرکز درمانی جراحی شدن برداشتند. اطلاعاتشون شامل بیماری‌هاشون قبل عمل، داروهایی که مصرف می‌کردن، روش جراحی (مثلاً آیا با ربات بوده یا عادی)، نوع بازسازی ادرار، برش غدد لنفاوی، میزان آب و خون از دست داده شده و حتی آزمایش خونی که روز اول بعد عمل گرفتن رو داشتن.
برای انتخاب مهم‌ترین فاکتورها از یه روشی به اسم LASSO استفاده کردن؛ LASSO یعنی الگوریتمی که توی انتخاب ویژگی‌های مهم کمک می‌کنه و عوامل اضافی رو حذف می‌کنه تا مدل بهتر و شفاف‌تر باشه.
پنج مدل یادگیری ماشین مختلف رو امتحان کردن و باهم مقایسه کردن که کدوم بهتر جواب میده. واسه ارزیابی، از شاخص‌هایی مثل AUC (یعنی قدرت تشخیص درست مدل)، دقت (Accuracy)، یادآوری یا حساسیت (Recall)، امتیاز بریر (Brier Score، یعنی میزان خطای پیش‌بینی) و … استفاده شد.
در نهایت، مدل شبکه عصبی پس‌رونده یا Back-Propagation Neural Network بهترین عملکرد رو داشت:
- قدرت تشخیص (AUC) برابر 0.828
- دقت کلی ۷۸.۴٪ بود
- امتیاز بریر هم ۰.۱۴۳
یعنی نتیجه‌هاش واقعاً قابل قبول بود و بهتر از مدل‌های قبلی سنتی جواب داد.
از لحاظ اینکه چه عواملی بیشترین تأثیر رو دارن، دو عامل از بقیه مهم‌تر بودن:
۱. استفاده از لوله بینی-معده (Nasogastric Tube) موقع جراحی (یه لوله‌ای که از بینی به معده میره تا مایع و هوا رو تخلیه کنه!)
۲. نوع روش جراحی
بعدش هم عواملی مثل سوابق دارویی بیمار، برداشت غدد لنفاوی، تعداد لنفوسیت‌ها (نوعی سلول خونی دفاعی بدن) و میزان پروتئین واکنشی CRP (که نشان‌دهنده التهاب تو بدن هست) خیلی مهم بودن.
یکی دیگه از تکنیک‌های خیلی باحال که استفاده کردن اسمش SHAP بود (SHapley Additive exPlanations). این یعنی یه روش برای توضیح دادن که هر عامل چقدر نقش داره، هم به صورت کلی و هم برای هر مریض جداگانه. مثلاً میشه فهمید برای یه مریض خاص، آیا استفاده از لوله بینی-معده چقدر خطرشو بالا برده یا نه.
جمع‌بندی اینکه: اگه این مدل هوشمند رو به پرونده دیجیتال بیمار (همون Electronic Health Record) وصل کنن، دکترها می‌تونن با هشدارهای لحظه‌ای به سرعت بفهمن کدوم بیمار در معرض خطره و سریع‌تر براش تصمیم بگیرن. تازه چون قابل توضیحه، میشه دقیق‌تر هم به خانواده بیمار و هم به دکترها توضیح داد که چرا اینطوری پیش‌بینی شده.
البته خودشون گفتن که لازمه این مدل تو چند مرکز مختلف و به طور آینده‌نگر (یعنی Prospective Multicentre Validation) بررسی بشه تا مطمئن بشن تو جاهای دیگه هم همینقدر خوب جواب میده.
خلاصه که هوش مصنوعی داره کمک می‌کنه حتی از روز اول بعد عمل، بیماران پرخطر رو سریع تشخیص بدیم و حتی بشه بعضی عوامل مهم رو کنترل کرد تا خطر کمتر بشه!
منبع: +
