کاهش خطر قطع عضو بیماران دیابتی با الگوریتم‌های هوش مصنوعی | ایران مدلبز

به گزارش روابط عمومی دانشگاه علوم پزشکی شهیدبهشتی، طرح تحقیقاتی مقایسه عملکرد شش ابزار طبقه‌بندی موجود و ارایه یک مدل جدید برای پیشبینی بهبود زخم پای دیابتی در ایران و با هدف کاهش قطع عضو در بیماران زخم پای دیابتی با ارایه یک مدل مبتنی بر الگوریتم یادگیری ماشین به همت پژوهشگران دانشگاه در دانشکده بهداشت و ایمنی انجام شد.

پژوهشگران دانشگاه درباره اهداف و دستاوردهای این پروژه توضیح دادند: این پروژه، با هدف کمک به بیماران مبتلا به زخم پای دیابتی انجام شد، در این مطالعه بیماران مبتلا به زخم دیابتی و افرادی که در معرض خطر، عدم بهبود یا حتی قطع عضو بودند زودتر شناسایی شدند.

در این مطالعه طبق بررسی‌های برای اولین بار در ایران، شش ابزار استاندارد بین‌المللی برای ارزیابی زخم پای دیابتی همزمان در بین بیماران مقایسه شد.

در این طرح به جای روش‌های سنتی، از الگوریتم‌های پیشرفته یادگیری ماشین کمک گرفته شد تا داده‌های پیچیده و متغیرهای بالینی بیماران بهتر تحلیل شده و ارتباطات پنهان میان این داده‌ها و وضعیت زخم‌ها شناسایی شود.

در نهایت با استفاده از ۱۰ الگوریتم‌ پیشرفته یادگیری ماشین (جنگل تصادفی، درخت‌های تصمیم‌گیری، ماشین‌های بردار پشتیبان شامل تابع پایه شعاعی و ماشین‌های بردار پشتیبان خطی،XGBoost ، K– نزدیک‌ترین همسایگان، فرآیندگاوسی، بیزساده، رگرسیون لجستیک و شبکه‌های عصبی یادگیری عمیق)، بهترین مدل‌های پیش‌بینی ایجاد شد.

 این مدل‌ها می‌تواند پزشکان را در تشخیص بهتر بیماران در معرض خطر کمک کرده و موجب کاهش قطع عضو و بهبود کیفیت درمان در مراحل اولیه بیماری شود.

وزارت بهداشت، درمان و آموزش پزشکی (معاونت بهداشت، معاونت درمان، معاونت پرستاری)، کمیته ملی بیماری‌های غیرواگیر، دانشگاه‌های علوم پزشکی سراسر کشور، مراکز درمانی و کلینیک‌های تخصصی دیابت در سراسر کشور در بخش‌های دولتی و خصوصی از جمله مراکزی هستند که می توانند از نتایج این طرح استفاده کنند.

این طرح می‌تواند به شناسایی سریع‌تر بیماران در معرض خطر بهبودی کم یا قطع عضو کمک کند، همچنین گزارش‌های علمی قابل استفاده برای سیاست‌گذاران حوزه سلامت برای انجام مداخلات موثر در کنترل زخم پای دیابتی تهیه شده و کاهش ناتوانی، قطع عضو و مرگ و میر ناشی از زخم پای دیابتی در کشور را موجب شود.

با وجود دستاوردهای این طرح، پژوهشگران برای انجام این تحقیق به چالش‌هایی مانند محدودیت تجهیزات پیشرفته پزشکی مانند دستگاه‌های اندازه‌گیری ایسکمی در مراکز درمانی محل مطالعه، تفاوت در روش‌های تشخیص پزشکان، داده‌های ناقص بیماران و حجم نمونه پایین به ویژه در گروه بیماران دچار قطع عضو اشاره کردند. 

 این طرح در قالب مقاله‌ای با عنوان « Machine Learning Insights Into Amputation Risk: Evaluating Wound Classification Systems in Diabetic Foot Ulcers» در مجله معتبر «International Wound Journal » به چاپ رسیده است.

انتهای پیام/