سرویس جامعه جوان آنلاین: ایست قلبی ناشی از سپسیس یک رویداد شایع با نرخ نجات پایین است. پیشبینی زود هنگام ایست قلبی زمان لازم برای انجام مداخلات ضروری جهت پیشگیری از وقوع ایست قلبی را فراهم میآورد.
سمانه لایقیان که این پژوهش در قالب رساله دکتری تخصصی وی در رشته مهندسی فناوری اطلاعات (سیستمهای اطلاعاتی) انجام شد، گفت: از آنجا که پزشکان نمیتوانند به طور مداوم خطر ایست قلبی برای همه بیماران تحت مراقبت را بررسی کنند، خودکارسازی جمعآوری و تحلیل دادههای سلامت و اعلام هشدارهای لازم به بیمار و پزشک میتواند گام بزرگی در کاهش میزان مرگ و میر و هزینهها باشد.
وی افزود: در این پژوهش با استفاده از الگوریتمهای هوش مصنوعی به توسعه یک مدل پیشآگهی ایست قلبی برای بیماران مبتلا به سپسیس پرداختیم.
لایقیان تشریح کرد: در این راستا ۳۰ ساعت از دادههای بالینی بیماران سپسیس از پایگاه داده MIMIC III استخراج شد (۷۹ مورد ایست قلبی، ۴هزارو۵۳۲ رکورد نرمال) و سه مجموعه داده چندمتغیره، سری زمانی و ترکیب چند متغیره و سری زمانی ایجاد شد و مدلهای یادگیری ماشین مختلف، با رویکردی سیستماتیک بر این سه مجموعه داده آموزش یافتند. نهایتاً استفاده از روش یادگیری عمیق نتایج بهتری تولید کرد. وی گفت: مدل پیشنهادی در بازه ۳۰ ساعت قبل از رخداد ایست قلبی، وقوع آن را با حساسیت بالاتر از ۷۰ درصد پیشبینی میکند. مقایسه خروجی این مدل با نتایج حاصل از دو سیستم هشداردهنده استاندارد Apache II و MEWS نشان داد مدل پیشنهادی بهبود قابلتوجهی نسبت به سیستمهای استاندارد موجود تولید میکند. محقق طرح تصریح کرد: در این پژوهش تأثیر پویایی سریهای زمانی علائم حیاتی، به عنوان یک عامل پیشگو برای پیشبینی ایست قلبی نیز با رویکردهای مختلف مورد آزمون قرار گرفت که نتایج آن هم قابل قبول بود.