هوش مصنوعی نتایج جراحی کمر را بهتر پیش بینی می کند

محققانی که از داده‌های Fitbit برای پیش‌بینی نتایج جراحی استفاده کردند، روش جدیدی برای اندازه‌گیری دقیق‌تر میزان بهبودی بیماران پس از جراحی ستون فقرات دارند.

محققان با استفاده از تکنیک‌های یادگیری ماشینی، راهی برای پیش‌بینی دقیق‌تر بهبودی پس از جراحی ستون فقرات ایجاد کردند.

نتایج منتشر شده در مجموعه مقالات ACM از فناوری های تعاملی، موبایل، پوشیدنی و همه جا حاضرنشان می دهد که مدل آنها برای پیش بینی نتایج جراحی ستون فقرات از مدل های قبلی بهتر عمل می کند.

این مهم است زیرا در جراحی کمر و بسیاری از انواع دیگر جراحی های ارتوپدی، نتایج بسته به بیماری ساختاری بیمار و همچنین به ویژگی های مختلف سلامت جسمی و روانی بیمار بسیار متفاوت است.

بهبودی جراحی هم تحت تأثیر سلامت جسمی و هم سلامت روانی قبل از جراحی است. برخی از افراد ممکن است در مواجهه با درد دچار اضطراب مفرط شوند که می تواند درد و بهبودی را بدتر کند. برخی دیگر ممکن است از مشکلات فیزیولوژیکی رنج ببرند که بدتر می شود درد. اگر پزشکان بتوانند با مشکلات مختلفی که یک بیمار با آن مواجه است آشنا شوند، بهتر می توانند برنامه های درمانی را تنظیم کنند.

نویسنده اول، زیکی ژو، عضو فوق دکتری در آزمایشگاه چنیانگ لو، استاد دانشکده مهندسی مک‌کلوی، گفت: «با پیش‌بینی نتایج قبل از جراحی، می‌توانیم به ایجاد برخی انتظارات و کمک به مداخلات اولیه و شناسایی عوامل پرخطر کمک کنیم. در دانشگاه واشنگتن در سنت لوئیس.

کارهای قبلی که نتایج جراحی را پیش‌بینی می‌کرد، معمولاً از پرسش‌نامه‌های بیمار که یک یا دو بار در کلینیک‌ها داده می‌شد، استفاده می‌کردند و برش ایستا از زمان را ثبت می‌کردند.

سو می‌گوید: «این نتوانست پویایی طولانی‌مدت الگوهای فیزیکی و روانی بیماران را به تصویر بکشد. او می‌افزاید: الگوریتم‌های یادگیری ماشین برای کارهای قبلی تنها بر یک جنبه از نتیجه جراحی متمرکز بودند، “اما ماهیت چند بعدی ذاتی بهبودی پس از جراحی را نادیده گرفتند.”

محققان استفاده کردند داده های سلامت تلفن همراه از دستگاه های Fitbit برای نظارت و اندازه گیری بازیابی و مقایسه سطوح فعالیت در طول زمان. جاکوب گرینبرگ، استادیار جراحی مغز و اعصاب در دانشکده پزشکی می‌گوید، مطالعه جدید نشان داد که داده‌های فعالیت، به علاوه داده‌های ارزیابی طولی، در پیش‌بینی عملکرد بیمار پس از جراحی دقیق‌تر هستند.

کار فعلی “اثبات اصل” را ارائه می دهد که نشان می دهد با یادگیری ماشینی چندوجهی، پزشکان می توانند “تصویر بزرگ” دقیق تری از عوامل مرتبط با هم که بر بهبودی تأثیر می گذارند ببینند. قبل از شروع این کار، تیم ابتدا روش‌ها و پروتکل‌های آماری را برای اطمینان از اینکه سیستم هوش مصنوعی رژیم غذایی متعادل و مناسبی از داده‌ها را تغذیه می‌کنند، ارائه کردند.

این تیم قبلاً کار خود را در مجله منتشر کرده است جراحی مغز و اعصاب برای اولین بار نشان می دهد که اندازه گیری های پوشیدنی گزارش شده و عینی بیمار، پیش بینی های بهبودی اولیه را در مقایسه با ارزیابی های سنتی بیمار بهبود می بخشد.

علاوه بر گرینبرگ و سو، مادلین فرومکین، دانشجوی دکترا که در آزمایشگاه توماس رودباگ در زمینه روانشناسی و علوم مغز تحصیل می‌کند، این اثر را با هم نویسندگی کرده است. ویلسون “زک” ری، استاد جراحی مغز و اعصاب در دانشکده پزشکی، به همراه رودباو و لو یکی از نویسندگان ارشد بود. رودباگ اکنون در دانشگاه کارولینای شمالی در چپل هیل است.

در این مطالعه، آنها نشان می‌دهند که داده‌های Fitbit را می‌توان به مطالعات متعددی که وضعیت اجتماعی و عاطفی یک فرد را ارزیابی می‌کنند، مرتبط کرد. آن‌ها این داده‌ها را از طریق «ارزیابی‌های لحظه‌ای محیطی» (EMA) جمع‌آوری کردند، که از تلفن‌های هوشمند برای ارائه درخواست‌های مکرر به بیماران برای ارزیابی خلق و خوی استفاده می‌کنند. سطوح دردو رفتار چندین بار در روز.

ما ابزارهای پوشیدنی، EMA و سوابق بالینی را ترکیب می کنیم تا طیف گسترده ای از اطلاعات بیمار، از فعالیت های فیزیکی گرفته تا گزارش های ذهنی درد و سلامت روانلو می گوید و ویژگی های بالینی.

گرینبرگ می‌افزاید که ابزارهای آماری پیشرفته‌ای که رودباگ و فرومکین به توسعه آنها کمک کردند، مانند مدل‌سازی معادلات ساختاری پویا، کلیدی در تجزیه و تحلیل داده‌های طولی و پیچیده EMA هستند.

برای آخرین مطالعه، آنها همه این عوامل را در نظر گرفتند و یک تکنیک جدید یادگیری ماشینی “آموزش چندوظیفه ای چندوجهی” را برای ترکیب موثر این انواع مختلف داده ها برای پیش بینی نتایج بازیابی چندگانه ایجاد کردند.

لو می‌افزاید: در این رویکرد، هوش مصنوعی یاد می‌گیرد که رابطه بین نتایج را در حالی که تفاوت‌های آنها را از داده‌های چندوجهی می‌گیرد، وزن کند.

طبق گفته Xu، این روش اطلاعات مشترک در مورد وظایف مرتبط با یکدیگر را برای پیش‌بینی نتایج مختلف می‌گیرد و سپس از اطلاعات مشترک برای کمک به مدل برای درک چگونگی پیش‌بینی دقیق استفاده می‌کند.

همه اینها در بسته نهایی جمع می شوند و یک تغییر پیش بینی شده را برای ارزیابی درد پس از عمل و عملکرد فیزیکی هر بیمار ایجاد می کنند.

گرینبرگ می‌گوید این مطالعه ادامه دارد زیرا محققان به اصلاح مدل‌های خود ادامه می‌دهند تا بتوانند ارزیابی‌های دقیق‌تری انجام دهند، نتایج را پیش‌بینی کنند و مهم‌تر از همه «درک کنند که چه عواملی می‌توانند به طور بالقوه برای بهبود نتایج بلندمدت اصلاح شوند».

بودجه این مطالعه توسط AO Spine آمریکای شمالی، انجمن تحقیقات ستون فقرات گردنی، انجمن تحقیقات اسکولیوز، بنیاد بیمارستان یهودی بارنز، مسابقه ایده‌های بزرگ سلامت دانشگاه واشنگتن/BJC، بنیاد Fulgraph و موسسه ملی سلامت روان .

منبع: دانشگاه واشنگتن در سنت لوئیس