محققان دانشگاه صنعتی امیرکبیر سیستمی را برای تشخیص و روند درمانی بیماران هنگام عدم حضور پزشک یا بالا بودن هزینههای تشخیصی ارائه کردند که منجر به کاهش هزینهها و ریسک درمانی میشود.
به گزارش گروه فناوری خبرگزاری دانشجو به نقل از روابط عمومی دانشگاه صنعتی امیرکبیر؛ راحله داودی کهکی، حجم بالا، تنک بودن، ناهمگون بودن، ثبتهای نامنظم زمانی و عدم توازن کلاسی را از ویژگیهای دادههای کلینیکی و پزشکی دانست و اظهار کرد: وجود دادههای پراکنده و وسیع منجر به پیچیدگی فرآیند تحلیل توسط پزشک میشود؛ از این رو بهرهگیری از روشهای ماشینی در مدلهای تشخیصی و پیشآگهی پزشکی امری متداول شده است.
وی در عین حال غفلت از قابلیت تفسیرپذیری مدل توسط پزشک، ناتوانی در به کارگیری دانش پزشکی در فرآیند یادگیری و دادهکاوی و عدم توجه به زمان با حفظ ماهیت اطلاعات را از جمله مشکلات بسیاری از روشهای داده کاوی پزشکی عنوان کرد و یادآور شد: به منظور رفع این چالش مطالعاتی را در قالب رساله دکتر با عنوان " طراحی مدل عمیق فازی مبتنی بر تجرید دادههای زمانی برای مقاصد پیش آگهی پزشکی" اجرایی کردیم.
داودی در این باره خاطر نشان کرد: برای این منظور در این رساله، با استفاده از دادگان عظیم MIMIC که شامل پروندههای پزشکی بیماران بستری در بخش مراقبتهای ویژه در طول مدت بیش از یک دهه بود، چارچوبی مبتنی بر همجوشی طراحی کردیم که قادر به تلفیق اطلاعات از منابع گوناگون است.
مجری طرح اضافه کرد: برای این منظور در ابتدا با توجه به اهمیت نقش تشخیص دانش پزشکی در تحلیلهای پزشکی، مدل احتمالاتی بر اساس تشخیص پزشک ارائه شد و سپس برمبنای رویکرد تفسیر پذیر و با توجه به عدم قطعیت موجود در دانش پزشکی، قواعد فازی مبتنی بر رخدادهای زمانی معرفی شد.
وی رویکرد مورد استفاده در استخراج قواعد فازی زمانی در این تحقیق را تجریدهای زمانی دانست و ادامه داد: تجریدهای زمانی قادر هستند اطلاعات خام سریهای زمانی را به سطح بالاتری از اطلاعات تبدیل کند. یکی از پیشنهادهای ارائه شده در این رساله، تجریدهای زمانی فازی است که علاوه بر توجه به ماهیت زمانی سریهای زمانی، با استخراج بازههای زمانی فازی به تحلیل روابط زمانی رخدادها میپردازد.
این محقق خاطر نشان کرد: در فرآیند تصمیمگیری، با هدف همجوشی تصمیمهای پزشک متخصص، قواعد فازی زمانی در کنار اطلاعات دیگر، دو چارچوب فازی عمیق برای همجوشی اطلاعات ناهمگون پیشنهاد شد.
وی چالش اصلی اجرای این تحقیقات را دسترسی به پایگاه داده با تعداد قابل توجه پروندههای پزشکی ذکر کرد و یادآور شد: در این کار نیاز به یک پایگاه داده با تعداد قابل توجه پرونده پزشکی برای آموزش مدل داشتیم و از آنجایی که در کشور پروندههای پزشکی مناسبی در داخل کشور وجود نداشت، ناگزیر به پروندههای پزشکی الکترونیکی خارجی روی آوردیم.
داودی با اشاره به کاربردهای نتایج این تحقیقات یادآور شد: رویکرد تحلیل دادههای کلان با نگاه ترکیبی در بسیاری از حوزهها کاربرد دارد و نتیجه این پژوهش نیز بر روی تحلیل دادگان ناهمگون به منظور طراحی یک سیستم پیش بینی و تشخیصی در پزشکی است که در کلیه مراکز درمانی و تحقیق با دارا بودن یک پایگاه داده قابل پیاده سازی و استفاده است.
به گفته وی از این مطالعات ۴ مقاله "روش یادگیری عمیق فازی معرفی شده برای تحلیل دادههای پزشکی"، "کاربرد سطح بندی شدت افسردگی با استفاده از روش یادگیری عمیق فازی"، "تعیین اتصالات مغزی با استفاده از روش یادگیری عمیق فازی" و "تصمیم گیری برای پیش بینی مرگ ومیر در بخش مراقبتهای ویژه مبتنی بر تحلیل دادههای متنوع و ناهمگون پزشکی با استفاده از رویکرد عمیق فازی" استخراج شده است.
وی قابلیت تعامل با پزشک، تحلیل دادههای کلان پروندههای پزشکی، کمک در کاهش هزینههای درمان و پزشکی، کمک به کاهش ریسک درمان و تشخیصهای نادرست، کمک در تصمیم گیری در شرایطی که پزشک حضور نداشته باشد را از مزایای این روش دانست.
داودی خاطر نشان کرد: از این روش میتوان برای سیستمهای تشخیصی پزشکی، سیستمهای تصمیم یار پزشکی، تصمیم گیری برای انجام روند خاصی از درمان و تشخیص در شرایطی که تجهیزات تشخیصی گران باشد یا در دسترس نباشد بهره برد.
این طرح از سوی راحله داودی کهکی دانش آموخته و با راهنمایی محمد حسنمرادی عضو هیات علمی دانشگاه صنعتی امیرکبیر اجرایی شد.