امروز : جمعه ۲۴ مرداد ۱۳۹۹ - ۱۸:۳۳
سرویس : اجتماعی زمان :   ۱۳۹۹/۵/۲ - ۱۱:۰۸ شناسه خبر : ۷۹۵۸

نقش هوش مصنوعی در شناسایی و شدت بیماری کرونا محققان بریتانیایی از یک برنامه ردیابی علائم و یادگیری ماشین برای گروه‌بندی رایج‌ترین علائم کووید-۱۹استفاده کردند، آنان با این برنامه احتمال بروز هر نوع علامت و شدت بیماری را ارزیابی کردند.

وارش نیوز؛ به گزارش ساینس، تخمین زده می‌شود که بیش از ۴میلیون نفر از برنامه ردیابی علائم کووید (Covid Symptom Tracker) استفاده می‌کنند. این برنامه به‌منظور ردیابی نحوه مشاهده موارد کروناویروس در جوامع مختلف و همچنین در مورد علائم مرتبط با کووید-۱۹به‌منظور ردیابی بیماران ارائه‌شده است.

محقق این تحقیق گفت: هرگونه اطلاعات می‌تواند نجات‌دهنده زندگی باشد و ما قبلا دیده‌ایم که ویروس می‌تواند بسیار غیرقابل‌پیش‌بینی عمل کند. علائم این بیماری ممکن است از اسهال و پریشانی گرفته تا درد در قفسه سینه و خستگی شدید باشد، اما هنوز مطمئن نیستیم که این علائم چقدر مشترک هستند و چقدر احتمال دارد موجب رویداد اتفاقات بد شود. دانستن اینکه احتمال نیاز به دستگاه تنفس برای بیماران وجود دارد، می‌تواند موارد پشتیبانی متفاوتی برای بیمارستان‌ها و بیماران ایجاد کند.

در این تحقیق، گروه تحقیقاتی از یک الگوریتم یادگیری ماشین استفاده کردند تا قرار گرفتن این علائم در کنار یکدیگر را بررسی کنند. به‌طورکلی، این گروه اطلاعات ۱۶۵۳ کاربر با آزمایش مثبت را که به‌طور مرتب علائم و وضعیت سلامتی خود را ثبت می‌کردند، جمع‌آوری کردند. از بین آنان، ۳۸۳ نفر حداقل یک‌بار به بیمارستان رفتند و ۱۰۷ نفر نیز به اکسیژن یا دستگاه تنفسی نیاز داشتند. به گفته محققان، علائم را می‌توان در کنار هم جمع کرد و از آن‌ها برای ارزیابی احتمال بروز یک مورد شدید استفاده کرد.

محققان خاطرنشان کردند: نکته اصلی این است که چندین علائم در کنار هم قرار گیرند.

محققان اظهار کردند: "ازآنجاکه هیچ‌کدام از علائم نمی‌توانند شدت بیماری یا نیاز به حمایت ویژه پزشکی در بیماری کووید-۱۹ را پیش‌بینی کنند، مستندسازی مجموعه زمانی علائم در چند روز اول بعد از اطلاع نتیجه، سندیت دارد."

دسته بندی علائم کروناویروس

بعدازاینکه محققان داده‌های بیماران را جمع‌آوری کردند از یک الگوریتم یادگیری ماشین برای جمع‌بندی این موارد استفاده کردند و نتایج ذیل حاصل شد.

دسته اول

 تا حد زیادی علائم دستگاه تنفسی فوقانی (خصوصا سرفه مداوم) و درد عضلانی را تجربه کردند. حدود ۱.۵درصد از بیماران در این خوشه به حمایت تنفسی نیاز داشتند و ۱۶درصد حداقل یک‌بار به بیمارستان مراجعه کردند. این گروه رایج‌ترین خوشه بود.

دسته دوم

علائم دستگاه تنفسی فوقانی و تعداد بیشتر حذف وعده‌های غذایی و تب بالاتر داشتند. در این گروه ۴/۴ درصد نیاز به حمایت تنفسی وجود داشت و ۵/۱۷ درصد به بیمارستان مراجعه کردند.

دسته سوم

علائم گوارشی (مانند اسهال)، اما به طرز شگفت‌آوری علائم دیگر کمتری داشتند. در این گروه، ۸.۶ درصد نیاز به حمایت تنفسی مشاهده شد و ۶/۲۳ درصد حداقل یک‌بار به بیمارستان مراجعه کردند.

دسته چهارم

علائم اولیه خستگی، درد شدید قفسه سینه و سرفه مداوم گزارش کردند. در این دسته، ۸/۸ درصد نیاز به حمایت تنفسی مشاهده شد و ۶/۲۳درصد به بیمارستان مراجعه کردند.

دسته پنجم

گیجی، خستگی شدید و حذف بسیاری از وعده‌های غذایی اعلام شد. از این گروه ۹/۹درصد نیاز به حمایت تنفسی داشتند و ۶/۲۴درصد به بیمارستان مراجعه کردند.

دسته ششم

مشکلات تنفسی، ازجمله نفس‌نفس زدن و درد قفسه سینه، علاوه بر خستگی، پریشانی و مشکلات گوارشی تجربه کردند. تقریبا ۲۰درصد به پشتیبانی تنفسی نیاز داشتند و ۴۵.۵درصد حداقل یک‌بار به بیمارستان مراجعه کردند.

محققان همچنین خاطرنشان کردند که شاخص توده بدنی بیشتر، سن و بیماری مزمن ریه با علائم شدیدتر ارتباط دارد. مردان نیز بیشتر احتمال دارد علائم شدید را گزارش دهند.

دو دسته اول با موارد خفیف‌تر بیماری در ارتباط بودند. مورد سوم نسبتا غیرمعمول بود، زیرا علائم به‌جای تنفس در سطح دستگاه گوارش ظاهر می‌شدند. سپس در دسته های دیگر علائم به‌تدریج بدتر می‌شوند. دسته‌های پنج و ۶ با خطر بیشتر و بستری در بیمارستان مرتبط بودند و به‌احتمال‌زیاد به دستگاه تنفس مصنوعی احتیاج داشتند. خوشه‌های سه و چهار نیز خطر نسبتا بالایی داشتند.

در صورت استفاده گسترده، این روش می‌تواند اطلاعات مهم را به ارائه‌دهندگان مراقبت‌های بهداشتی ارائه دهد. این امر می‌تواند بیماران را از راه دور تحت نظارت قرار دهد و به‌پیش بینی تعداد تختخواب‌های بیمارستانی و میزان نیاز به دستگاه‌های تنفسی در آینده نزدیک کمک کند.

این گروه می‌گوید که این یافته‌ها می‌تواند چندین روز در مورد تقاضای مراقبت در بیمارستان و پشتیبانی تنفسی را به ارائه‌دهندگان خدمات درمانی هشدار دهد.

همچنین می‌تواند به بیماران در معرض خطر بیماری جدی کمک کند و پشتیبانی از خانه مانند یک دستگاه اکسیژن یا ویزیت‌های پرستاری را هدایت کند. در حال حاضر محققان میانگین زمان مراجعه به بیمارستان را ۱۳ روز اعلام کردند.

بااین‌حال، اندازه نمونه فقط شامل چند صد بیمار برای هر خوشه بود که ممکن است برای به دست آوردن یک تصویر دقیق ازآنچه اتفاق می‌افتد کافی نباشد. این خوشه‌بندی صرفا توسط یک الگوریتم انجام‌شده و بر اساس ارزیابی واضح نیست. تایید این تحقیق مستلزم تحقیقات بیشتر است.

نتایج این تحقیق در بخش قبل از چاپ medRxiv قرارگرفته است./ایسنا

ارسال نظر

نام :
ایمیل:(اختیاری)
متن نظر:
ارسال

• نظرات حاوی توهین و هرگونه نسبت ناروا به اشخاص حقیقی و حقوقی منتشر نمی‌شود.


• نظراتی که غیر از زبان فارسی یا غیر مرتبط با خبر باشد منتشر نمی‌شود.


آخرین اخبار
بیشتر