كيف يتعامل الذكاء الصناعي مع بيانات المرضي

في جامعة كارنيجي ميلون ، طور الباحثون أداة تعلم آلي قابلة للتكرار لتسهيل التنبؤات السريرية وتصور البيانات.
22 مارس 2021 للوهلة الأولى ، يبدو استخراج البيانات السريرية لاستخراج رؤى ذات مغزى مهمة مناسبة تمامًا لخوارزميات التعلم الآلي. الهدف الرئيسي من أدوات التحليلات المتقدمة هو تقييم مصادر متعددة للمعلومات واكتشاف الأنماط والاتجاهات ، وقد أثبت التعلم الآلي قيمته في إنجاز هذه المهمة.

ومع ذلك ، بعد الفحص الدقيق ، من الواضح أن تطبيق نماذج التعلم الآلي على السجلات الصحية يمكن أن يمثل تحديًا كبيرًا. نظرًا لأن هذه المعلومات ليست ثابتة ولا يتم جمعها بانتظام ، فمن الصعب تطوير خوارزميات شفافة وقابلة للتكرار.

أدرك باحثون من جامعة كارنيجي ميلون (CMU) الحاجة إلى بناء خوارزميات من شأنها تسهيل تحليل المعلومات الصحية بشكل أفضل. صمم الفريق Temporal Learning Lite (TL Lite) ، وهي أداة تصور وتوقع تهدف إلى سد الفجوة بين التصور السريري وتحليل التعلم الآلي.
قال جيريمي فايس ، الأستاذ المساعد للمعلوماتية الصحية في كلية هاينز بجامعة CMU: TL Lite هي أداة تصور مصممة لتقريب خبراء الرعاية الصحية من التعلم الآلي.

النموذج الحالي لاستخدام التعلم الآلي في الرعاية الصحية يأتي في شكلين. الأول هو حيث تعمل فرق من خبراء الرعاية الصحية مع فرق من علماء البيانات ، ويحاولون تطوير خوارزميات تنبؤية لتقسيم المرضى إلى طبقات. في الشكل الثاني ، يطور باحثو التعلم الآلي خوارزميات جديدة ويريدون تطبيقها على الرعاية الصحية ، لكن ليس لديهم الخبرة اللازمة لمعالجة قضايا محددة ومهمة .

وأشار فايس إلى أن هاتين العمليتين أبطأ نسبيًا من الطريقة التي توفرها أداة TL Lite.

يمكن لخبير الرعاية الصحية استخدام TL Lite لبناء نموذج للتعلم الآلي لمجموعتهم بشكل مباشر ، دون الحاجة إلى الاعتماد على الآخرين. من خلال عدم اشتراط أن يكون الفريق وسيطًا ، والقدرة على تشغيل التعلم الآلي ، يمكن لخبراء الرعاية الصحية إنشاء المجموعة بسرعة وكفاءة ثم بناء نماذج للتفسير بأنفسهم .

البديل عن استخدام أداة مثل TL Lite هو استخدام نتائج البحث من المؤسسات الأخرى في مؤسستك المحلية ، ولكن هناك العديد من المشاكل في ذلك. على سبيل المثال ، قد لا تبدو أنواع البيانات متشابهة تمامًا ، أو قد يختلف عدد المرضى قليلاً. هناك أسئلة حول صحة النتائج في الدراسات التي أجريت في أماكن أخرى.

يساعد النموذج الجديد في تسهيل عملية التنبؤ الإكلينيكي ، مما يؤدي إلى تنبؤات محددة جيدًا ومُحكمة.

قال فايس: تتيح هذه الأداة للباحثين إجراء هذا التحليل في مواقعهم المحلية الخاصة بهم حتى يحصلوا على تقدير أفضل لما قد يحدث لمرضىهم.