อัลกอริทึมขั้นสูงทำนายผลลัพธ์สำหรับผู้ป่วยที่มีอาการบาดเจ็บที่สมองอย่างรุนแรง

ทีมนักวิจัยในสหรัฐอเมริกาได้สร้างโมเดลการเรียนรู้เชิงลึกที่เป็นนวัตกรรมใหม่ที่วิเคราะห์การสแกน CT และข้อมูลทางคลินิกเพื่อทำนายผลลัพธ์ในหกเดือนสำหรับผู้ป่วยที่มีอาการบาดเจ็บที่สมองอย่างรุนแรง (TBI) อัลกอริทึมยังสามารถนำทางผู้ป่วย TBI ไปยังการดูแลช่วยชีวิตได้อย่างแม่นยำการตัดสินใจทางคลินิกที่ดีขึ้นส่วนหนึ่งของงานวิจัยนี้ นักวิทยาศาสตร์ข้อมูลแห่งคณะแพทยศาสตร์มหาวิทยาลัย

พิตส์เบิร์ก

ได้ทำงานร่วมกับศัลยแพทย์โรคระบบประสาทที่ศูนย์การแพทย์มหาวิทยาลัยพิตส์เบิร์ก ( UPMC ) เพื่อสร้างแบบจำลองปัญญาประดิษฐ์แบบใหม่ที่ประมวลผลการสแกน CT ศีรษะของผู้ป่วย TBI ขั้นรุนแรงหลายครั้ง อัลกอริทึมที่อธิบายไว้ยังวิเคราะห์สัญญาณชีพของผู้ป่วย การตรวจเลือด 

และการทำงานของหัวใจ ตลอดจนการประเมินความรุนแรงของอาการโคม่าในการรับรู้ข้อเท็จจริงที่ว่าเทคนิคการสร้างภาพสมองมีวิวัฒนาการไปตามกาลเวลา และคุณภาพของภาพอาจแตกต่างกันอย่างมากในแต่ละผู้ป่วย ทีมงานจึงพิจารณาความไม่สม่ำเสมอของข้อมูลโดยการฝึกอัลกอริทึมบนโปรโตคอล

การสร้างภาพต่างๆนักวิจัยซึ่งนำโดยผู้เขียนร่วมคนแรกได้ตรวจสอบความถูกต้องของแบบจำลองโดยการทดสอบกับกลุ่มผู้ป่วยสองกลุ่ม กลุ่มหนึ่งประกอบด้วยผู้ป่วย TBI รุนแรงมากกว่า 500 รายที่เคยรักษาที่ UPMC และอีก 220 รายจาก 18 สถาบันทั่วทั้ง ประเทศผ่านสมาคม TRACK-TBI พวกเขาเปรียบเทียบ

ประสิทธิภาพของแบบจำลองกับ แบบจำลอง อิมแพ็คและการคาดคะเนของศัลยแพทย์ระบบประสาทสามคนแบบจำลองที่พัฒนาขึ้นสามารถทำนายความเสี่ยงต่อการเสียชีวิตและผลลัพธ์ที่ไม่พึงประสงค์ของผู้ป่วยได้อย่างแม่นยำในเวลา 6 เดือนหลังจากเหตุการณ์ที่กระทบกระเทือนจิตใจ ที่สำคัญ 

แบบจำลองยังคงรักษาความสามารถไว้ได้เมื่อทดสอบกับกลุ่มคนอิสระหลายสถาบันจากกลุ่ม TRACK-TBI แบบจำลองนี้ยังแสดงให้เห็นว่ามีประสิทธิภาพดีกว่าการคาดการณ์ของศัลยแพทย์ระบบประสาทที่เข้าร่วมสามคนอธิบายว่า TBI เป็นโรคที่รบกวนการทำงานของสมองปกติและอาจนำไปสู่

ความพิการ

ทางระบบประสาท อารมณ์ และอาชีพอย่างถาวร ในการรักษาอาการบาดเจ็บดังกล่าว แพทย์ต้องอาศัยการพยากรณ์โรคเพื่อเป็นแนวทางในการรักษาทางคลินิก แต่ก็ต้องดิ้นรนเพื่อพยากรณ์ผลลัพธ์ที่ถูกต้องแม่นยำใน TBI ที่รุนแรง ด้วยเหตุนี้ Wu จึงตั้งข้อสังเกตว่า “มีความจำเป็นอย่างยิ่งและมีศักยภาพ

ในการใช้ประโยชน์จากข้อมูลทางคลินิกหลายรูปแบบและการเรียนรู้ของเครื่องเพื่อพัฒนาแบบจำลองการคาดการณ์ที่ขับเคลื่อนด้วยข้อมูลเพื่อปรับปรุงการทำนายผลลัพธ์สำหรับผู้ป่วย TBI ที่มีอาการรุนแรง”

“เราใช้เทคนิคการเรียนรู้เชิงลึกและการเรียนรู้ตามหลักสูตรเพื่อพัฒนาแบบจำลองการทำนาย

ที่ประมวลผลทั้งข้อมูลภาพ CT ของศีรษะและตัวแปรทางคลินิกอื่นๆ ของผู้ป่วย” Wu กล่าว “ในทางปฏิบัติ โมเดลนี้สามารถคาดการณ์อัตโนมัติถึงศักยภาพในการฟื้นตัวของผู้ป่วยแต่ละราย เพื่อให้ข้อมูลการตัดสินใจทางคลินิกและการดูแลผู้ป่วยดีขึ้น” การคาดการณ์เป็นรายบุคคล

Wu สังเกตว่าในช่วงไม่กี่ปีที่ผ่านมา การเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกได้เปลี่ยนการวิเคราะห์ข้อมูลทางการแพทย์และปรับปรุงประสิทธิภาพในการสนับสนุนการวินิจฉัยการตรวจหาโดยใช้คอมพิวเตอร์ช่วยและการคัดแยกโรคทางการแพทย์ อันที่จริง โมเดลและเครื่องมือที่ใช้

แมชชีนเลิร์นนิง

จำนวนมากกำลังอยู่ภายใต้การตรวจสอบทางวิชาการและการประเมินทางคลินิกในมุมมองของ Wu ข้อได้เปรียบที่สำคัญของโมเดลใหม่คือความสามารถในการวิเคราะห์ข้อมูลหลายมิติและหลายรูปแบบ เช่น รูปภาพและข้อมูลทางคลินิกที่ไม่ใช่ภาพถ่ายในลักษณะอัตโนมัติได้อย่างมีประสิทธิภาพ 

“วิธีการของเรายังสามารถคาดการณ์เป็นรายบุคคลเมื่อเปรียบเทียบกับแบบจำลองที่มีอยู่ เช่น แบบจำลองอิมแพ็ค ซึ่งออกแบบมาเพื่อเป็นแนวทางการทดลองทางคลินิกและไม่พยากรณ์ผู้ป่วยแต่ละราย” เขากล่าวในปัจจุบัน แบบจำลองอิงตามข้อมูลที่ได้มาจากการรับผู้ป่วยเข้าห้องฉุกเฉิน

แต่ทีมงานโครงการมีแผนที่จะปรับปรุงให้ดียิ่งขึ้นโดยการรวมข้อมูลระยะยาวที่ได้รับระหว่างการดูแลผู้ป่วย TBI“เรายังวางแผนที่จะสำรวจการประเมินและระบุอุปสรรคที่อาจเกิดขึ้นเกี่ยวกับการปรับใช้โมเดลดังกล่าวในเวิร์กโฟลว์และการตั้งค่าทางคลินิก” Wu กล่าวเสริมซึ่งหมายความว่าแมชชีนเลิร์นนิง

สามารถเรียนรู้ข้อมูลที่จำเป็นจากข้อมูลที่ซับซ้อนเหล่านี้ได้ ซึ่งอาจเป็นเรื่องยากสำหรับแพทย์ที่เป็นมนุษย์ในการย่อยและประมวลผลได้ดีขึ้นเป็นอย่างน้อย ในความเป็นจริง มลพิษที่มีอนุภาคขนาดเล็กมาจากการกระทำของเบรกและยางรถมากกว่าจากควันไอเสียของเครื่องยนต์สันดาปภายในในปัจจุบัน

ซึ่งเป็นข้อพิสูจน์ถึงประสิทธิภาพของเครื่องฟอกไอเสียและระบบฉีดเชื้อเพลิงสมัยใหม่ การสั่นสะเทือนเหล่านั้นอาจเล็กน้อย แต่ประโยชน์ของมันยิ่งใหญ่แต่เขา “มั่นใจอย่างยิ่งว่าลำแสงมีมากกว่า 20%” และเชื่อว่าการเพิ่มอัตราขยายต่อไปน่าจะพิสูจน์ได้ค่อนข้างง่าย

ซึ่งเป็นแนวคิดที่ว่ากฎของฟิสิกส์ยังคงตายตัวแม้หน่วยจะเปลี่ยนไป แต่เขาให้เหตุผลว่าการแนะนำการเปลี่ยนแปลงใหม่และอนุภาคสายพันธุ์ใหม่เพื่อแก้ปัญหาความผิดปกติเพียงครั้งเดียวนั้น “ค่อนข้างเป็นการลงทุนครั้งใหญ่” เขายังกังวลเกี่ยวกับการไม่มีมุมมองใหม่ๆ เกี่ยวกับพลังงานมืด ซึ่งเขากล่าวว่า 

“ปัจจุบันเป็นส่วนที่ท้าทายที่สุดของแบบจำลองจักรวาลวิทยามาตรฐาน”โดยการเปลี่ยนอัตราส่วนของฮีเลียมต่อไฮโดรเจน แต่พบว่าจำนวนที่แก้ไขขัดแย้งกับจำนวนฮีเลียมและดิวเทอเรียมที่คิดว่ามีอยู่ในเอกภพยุคแรกมันคุ้มค่าที่จะซื้อแผงโซลาร์เซลล์ที่มีประสิทธิภาพมากกว่าเล็กน้อยหรือไม่? สำหรับฉัน คำตอบอาจขึ้นอยู่กับปัจจัยระยะสั้นที่ไม่เกี่ยวข้องกับฟิสิกส์ 

credit: sellwatchshop.com kaginsamericana.com NeworleansCocktailBlog.com coachfactoryoutletswebsite.com lmc2web.com thegillssell.com jumpsuitsandteleporters.com WagnerBlog.com moshiachblog.com