روش یادگیری عمیق و پیش‌بینی میزان شدت کرونا
به گزارش روابط عمومی بنیاد ملی علم ایران (INSF)، «پیش‌بینی میزان شدت بیماری کووید ۱۹ از روی اطلاعات دموگرافی، بالینی و آزمایشگاهی با استفاده از روش‌های یادگیری عمیق» عنوان طرح پژوهشی احمد شالباف دانشیار گروه مهندسی پزشکی دانشگاه علوم پزشکی شهید بهشتی است که با حمایت بنیاد ملی علم ایران انجام داده است.
شالباف با مدرک دکتری تخصصی مهندسی پزشکی - بیوالکتریک از دانشگاه علم و صنعت درباره این طرح توضیح داد: شیوع بیماری کووید ۱۹ به سرعت در سرتاسر جهان رواج یافت و با افزایش مداوم تعداد موارد تأیید شده و متوفی به یک نگرانی بهداشت جهانی تبدیل شد. این بیماری، اقتصاد و زیرساخت‌های مراقبت‌های بهداشتی را در سراسر جهان به طرز چشمگیری دچار مشکل کرد. این بیماری اندام‌هایی مانند ریه‌ها، قلب، کلیه‌ها و دستگاه گوارش را هدف قرار می‌دهد. شدت طیف این بیماری از خفیف بدون علامت تا مشکلات تنفسی جدی با تنگی نفس، هیپوکسیمی و سندرم زجر تنفسی حاد (ARDS) متغیر است.
وی افزود: سندرم زجر تنفسی حاد، یک حالت شدید از التهاب ریه است که موجب کم‌اکسیژنی یا هیپوکسی می‌شود، سطح بالایی از مرگ‌و‌میر را به همراه دارد. این بیماران برای مراقبت مناسب باید به بخش مراقبت‌های ویژه (ICU) مراجعه کنند و نیاز به دستگاه ونتیلاتور دارند.
عوامل مختلفی می‌توانند باعث بیماری شدیدتر یا پیامد‌های ضعیف بیماری باشند. این عوامل را می‌توان به ویژگی‌های دموگرافی، علائم حیاتی و داده‌های آزمایشگاهی طبقه‌بندی کرد.
این محقق و پژوهشگر در ادامه بیان کرد: عوامل دموگرافی مرتبط با شدت بیماری شامل سن، جنس، چاقی، سابقه مصرف سیگار و وضعیت اقتصادی، همچنین بیماری‌های زمینه‌ای مانند دیابت، فشار خون بالا، بیماری مزمن ریه، سرطان، بیماری مزمن کلیه و بیماری‌های قلبی عروقی است. علائم حیاتی نیز عبارتند از: دمای بدن، سطح اشباع اکسیژن خون، حداکثر و حداقل فشار خون، ضربان قلب و نرخ میزان تنفس.
وی ادامه داد: در این مطالعه، هدف ما ابداع یک سامانه پیش‌بینی سریع و اتوماتیک مدل پیشرفت بیماری کووید ۱۹ از روی اطلاعات دموگرافی، بالینی و آزمایشگاهی با استفاده از روش‌های هوش مصنوعی پیشرفته از جمله استفاده از الگوریتم شبکه عصبی عمیق با دقت و حساسیت بالا بوده است. به عبارت دیگر در این تحقیق با یافتن ارتباط بین متغییر‌های مستقل با تشدید بیماری، از آن‌ها به‌عنوان فاکتور‌های ویژه پیش‌بینی‌کننده برای شدت بیماران کرونایی بهره بردیم.
شالباف تصریح کرد: پیش‌بینی زودهنگام وضعیت بیماران مبتلا به کووید ۱۹ می‌تواند با تخصیص منابع و برنامه‌ریزی درمانی، خطر مرگ‌و‌میر را در این بیماران کاهش دهد.
وی تأکید کرد: مدل ما مبتنی بر داده‌هایی است که در روز اول پذیرش بیمار جمع‌آوری شده است. زیرا یک مدل پیش‌بینی‌کننده هنگامی‌ایده‌آل و مفید خواهد بود که در روز ابتدای پذیرش بیمار، میزان پیشرفت بیماری رو پیش‌بینی کند. چرا که این زمان، زمانی است که باید توسط تیم پزشکی تصمیم‌گیری شود که بیمار نیازی به بستری و مراقبت‌های ویژه دارد یا خیر و تخت‌های بیمارستان رو برای بیماران با شدت بحرانی ذخیره کند.
این محقق و پژوهشگر در ادامه بیان کرد: از آنجا که در زمان شروع این طرح، هیچ تحقیق جامعی در مورد پیش‌بینی میزان شدت بیماری کووید ۱۹ گزارش نشده بود؛ لذا هدف این پژوهش، استفاده از الگوریتم‌های متفاوت هوش مصنوعی و یادگیری ماشین به‌خصوص روش‌های یادگیری عمیق به‌منظور تعیین پیش‌بینی میزان شدت بیماری کووید ۱۹ از روی اطلاعات دموگرافی، بالینی و آزمایشگاهی بود که خوشبختانه محقق شد.