در عصر داده‌های بزرگ (Big Data)، حجم بسیار زیادی از اطلاعات پزشکی در قالب سوابق سلامت الکترونیکی یا EHR (Electronic Health Records) ثبت می‌شود. این سوابق شامل داده‌هایی مانند تشخیص بیماری، داروهای مصرف‌شده، نتایج آزمایش‌ها، روند بستری و ترخیص، سابقه خانوادگی، و پاسخ بیمار به درمان هستند.

با وجود ارزش بالای این داده‌ها، تحلیل آن‌ها به دلایل مختلفی دشوار است:

• پراکندگی زمانی اطلاعات (ثبت در چندین زمان مختلف)
• ناهمگونی در فرمت داده‌ها (متن، کد، عدد)
• پیچیدگی روابط میان مفاهیم بالینی

اینجاست که هوش مصنوعی (AI)، به‌ویژه یادگیری عمیق (Deep Learning)، با توانایی بالای خود در استخراج الگوهای پیچیده، می‌تواند نقش بسیار مهمی ایفا کند.

در سامانه تله ویزیت، بصورت آنلاین توسط  دکتر سیروس مومن زاده  ویزیت شوید. جهت تله ویزیت روی لینک زیر کلیک کنید.

https://www.televisit24.com/drmomenzadeh

هدف اصلی پژوهش این بود که نشان دهد چگونه می‌توان با استفاده از مدل‌های یادگیری عمیق، داده‌های EHR را به‌صورت بردارهای عددی فشرده (Representation) درآورد و سپس با تحلیل این بردارها، الگوهای پنهانی از گروه‌های بیماران با شرایط مشابه را کشف کرد. این فرآیند به ما کمک می‌کند که بیماران را بهتر دسته‌بندی کنیم، روند بیماری‌ها را پیش‌بینی کنیم، و درمان‌های هدفمندتری طراحی کنیم.

در سامانه تله ویزیت، بصورت آنلاین توسط  دکتر فاطمه نعمت اللهی  ویزیت شوید. جهت تله ویزیت روی لینک زیر کلیک کنید.

https://www.televisit24.com/drnematolahi

روش‌شناسی و مدل یادگیری

محققان از مدلی به نام ConvAE (Convolutional AutoEncoder) استفاده کردند. این مدل شامل دو بخش اصلی است:

1. Encoder که اطلاعات خام بیماران را به یک نمایش عددی فشرده تبدیل می‌کند.
2. Decoder که تلاش می‌کند از این نمایش فشرده، اطلاعات اولیه را بازسازی کند.

مدل روی داده‌های واقعی بیش از ۱.۶ میلیون بیمار که شامل بیش از ۵۷٬۰۰۰ کد بالینی بودند، آموزش داده شد. این کار بدون برچسب و به صورت بدون نظارت (Unsupervised Learning) انجام گرفت، یعنی مدل خودش بدون کمک انسان، الگوها را یاد گرفت.

نتایج کلیدی پژوهش

•  (Clustering)خوشه‌بندی:
  مدل توانست بیماران را به صورت خوشه‌های مشخصی دسته‌بندی کند. برای مثال، در بیماران دیابتی، خوشه‌هایی با شدت‌های مختلف بیماری (با یا بدون عوارض کلیوی، چشمی یا قلبی) از هم جدا شدند.
• معیارهای عملکرد مدل:
  دقت مدل با معیارهایی مثل entropy و purity اندازه‌گیری شد.
  • خلوص خوشه‌ها (Purity) به عدد 0.31 رسید.
  • مدل ConvAE نسبت به روش‌های سنتی مثل PCA و NMF عملکرد بهتری داشت.

کاربردهای بالینی

• تشخیص زودهنگام بیماری‌ها
• تعیین مسیر درمان بهتر برای بیماران با ریسک بالا
• پشتیبانی از تصمیم‌گیری پزشکان
• توسعه داروهای هدفمندتر 

مقایسه با سایر مدل‌ها

پژوهشگران این مدل را با مدل‌های دیگر مثل Deep Patient و Doctor AI مقایسه کردند:

• Deep Patient مدلی برای پیش‌بینی آینده پزشکی بیماران با استفاده از autoencoderها.
• Doctor AI مدلی مبتنی بر شبکه‌های عصبی بازگشتی برای پیش‌بینی ویزیت‌های آینده و داروهای احتمالی.

در مقایسه، مدل ConvAE ساده‌تر، مقیاس‌پذیرتر و دقیق‌تر در تحلیل بردارهای بالینی شناخته شد.

پژوهش حاضر نشان می‌دهد که ترکیب داده‌های عظیم پزشکی با الگوریتم‌های پیشرفته یادگیری عمیق می‌تواند راهی برای کشف الگوهای ناشناخته در وضعیت سلامت بیماران باشد. این تکنولوژی نه‌تنها در بهبود روند درمان فردی، بلکه در ارتقاء سطح سلامت عمومی و کشف مسیرهای نو برای درمان‌های پیشرفته نقش مهمی ایفا می‌کند.

همچنین بخوانید:

تأثیر هوش مصنوعی بر سیستم‌های سوابق سلامت الکترونیکی

بهبود مراقبت از بیماران با هوش مصنوعی

تشخیص زودهنگام آلزایمر فقط با آزمایش خون

منابع علمی

1. Landi, I. et al.
   Deep Representation Learning of Electronic Health Records to Unlock Patient Stratification at Scale.
   arXiv preprint
2. Miotto, R., Li, L., Kidd, B. A., & Dudley, J. T
   Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records.
   Scientific Reports, 6, Article number: 26094.
   Link
3. Choi, E. et al
   Doctor AI: Predicting Clinical Events via Recurrent Neural Networks.
   arXiv