هوش مصنوعی و یادگیری ماشین در دیالیز
به سختی یک روز بدون اعلام موفقیت های جدید توسط هوش مصنوعی (Artificial Intelligence) و یادگیری ماشین (Machin Learning) می گذرد.
هوش مصنوعی و یادگیری ماشین به فضای دیالیز رسیده است، و اگر چنین است، کجا و تا چه حد؟
فهرست برنامه های کاربردی هوش مصنوعی یا یادگیری ماشین که به طور مستقیم یا غیرمستقیم زندگی ما را تحت تأثیر قرار می دهند، از جمله مراقبت های بهداشتی به سرعت در حال رشد است. اما، آیا AI/ML (هوش مصنوعی و یادگیری ماشین ) به فضای دیالیز رسیده است، و اگر چنین است، کجا و تا چه حد؟ اگرچه هیچ تعریف قابل قبول جهانی وجود ندارد، هوش مصنوعی را می توان به عنوان هوش مبتنی بر رایانه توصیف کرد که توانایی یادگیری از داده ها را در بر می گیرد.
تعریف هوش مصنوعی و یادگیری ماشین:
هوش مصنوعی مفاهیمی را از چندین زمینه مانند علوم کامپیوتر، ریاضیات، آمار و علوم داده ترکیب می کند. یادگیری ماشین زیرشاخه ای از هوش مصنوعی است که هدف آن شناسایی تداعی ها یا الگوهای موجود در داده ها توسط کامپیوتر با استفاده از الگوریتم های ریاضی است. به طور کلی، فرآیند یادگیری ماشین (ML) را می توان به عنوان یادگیری تحت نظارت یا بدون نظارت طبقه بندی کرد. یادگیری نظارت شده به دنبال تداعی در موقعیت هایی است که داده های ورودی و خروجی هر دو شناخته شده هستند. در مقابل، هدف یادگیری بدون نظارت شناسایی الگوها در داده های ورودی است بدون اطلاع قبلی از یک هدف، صرف نظر از تفاوت های روش شناختی، مدل های AI/ML معمولاً به مقادیر زیادی از داده های آموزشی نیاز دارند.
هوش مصنوعی و داده های دیالیز در پرونده الکترونیک پزشکی
این امر دیالیز را به یک زمینه جذاب برای کاربردهای AI/ML تبدیل میکند، زیرا دیالیز یک فرآیند بسیار استاندارد است که حجم زیادی از دادههای طولانی مدت در سطح بیمار را تولید میکند. نسخه دیالیز (به عنوان مثال، زمان درمان، حجم اولترافیلتراسیون، سرعت جریان) و درمان دارویی (به عنوان مثال، اریتروپوئتین) معمولاً در پرونده الکترونیک سلامت (EHRs) ثبت می شود. این داده ها با اطلاعات دموگرافیک بیمار، بیماری های همراه و نتایج آزمایشگاهی تکمیل می شوند.
بیوسیگنال های دیالیز(Biosignals) و پردازش زبان طبیعی(NLP)
در بسیاری از مراکز ایالات متحده، بیوسیگنال های حین همودیالیز به طور خودکار ثبت می شوند (به عنوان مثال، BP، ضربان قلب). علاوه بر این، یادداشتهای متن آزاد ذخیره شده الکترونیکی برای پردازش زبان طبیعی مبتنی بر هوش مصنوعی در دسترس هستند. در برخی موارد استفاده، ارزش بالقوه ترکیب انواع دیگر اطلاعات، مانند عوامل اجتماعی تعیین کننده وجود دارد دادههای بهداشتی، که ممکن است به همان اندازه یا حتی بیشتر از اطلاعات پزشکی استاندارد بر نتایج تأثیر بگذارد.
در آینده، دادههای دستگاههای پوشیدنی ممکن است بینشهایی را درباره دوره بیندیالیزی ارائه دهند (شکل 1).
نمونه هایی از منابع داده و کاربردهای AI/ML در دیالیز. نمادها و فلش ها اجزای مختلف و مسیرهای جریان را نشان می دهند. در سمت ورودی، مثالهای بالای فلشها نقاط قوت را نشان میدهند، در حالی که مثال های زیر فلشها (به صورت مورب) چالشها را نشان میدهند. در سمت خروجی، چند نمونه از موارد استفاده نشان داده شده است. هوش مصنوعی، هوش مصنوعی؛ نوار قلب، نوار قلب؛ EHR، پرونده الکترونیک سلامت؛ فناوری اطلاعات، فناوری اطلاعات؛ ML، یادگیری ماشینی.
با توجه به در دسترس بودن پایگاههای داده بزرگ و دادههای چندوجهی، مانند متن، تصاویر و دادههای شکل موج، تعجب آور نیست که ادبیاتی که کاربردهای AI/ML برای دیالیز را توصیف میکند، بیشتر در مطالعات تحقیقاتی و بسیار کمتر در مورد استفاده معمول در دنیای واقعی، در حال گسترش است. به طور کلی، گزارشهای AI/ML در دیالیز بر تشخیص، پیشآگهی و توصیههای درمانی تمرکز دارند. به عنوان مثال، چان و همکاران، پردازش زبان طبیعی را به EHR ها برای شناسایی بار علائم در بیماران دیالیزی اعمال کردند. مطالعه آنها نشان داد که پردازش زبان طبیعی در مقایسه با کدهای طبقه بندی بین المللی بیماری ها (ICD) برای شناسایی علائم رایج مرتبط با همودیالیز حساسیت بالاتری دارد.
پیش آگهی (Prognosis)پرکاربردترین زمینه هوش مصنوعی و یادگیری ماشین در دیالیز:
Zhang و همکاران، با موفقیت از تجزیه و تحلیل تصویر مبتنی بر هوش مصنوعی/ML مبتنی بر ابر برای طبقهبندی آنوریسمهای دسترسی عروقی به عنوان غیرپیشرفته یا پیشرفته با ناحیه زیر منحنی مشخصه عملکرد سیستم (Receiver operating characteristic) 0.96 استفاده کردند.
تعیین Prognosis پرکاربردترین کاربرد هوش مصنوعی و یادگیری ماشین در دیالیز است.
استفاده از داده های بیش از 260،000 جلسه همودیالیز، لی و همکاران 3 یک مدل شبکه عصبی عودکننده ای(recurrent neural network model) ایجاد کردند که افت فشار خون حین دیالیز را با ناحیه زیر منحنی مشخصه عملکرد گیرنده(ROC) 0.94 پیشبینی میکرد. نمونه های دیگر عبارتند از: پیش آگهی بستری شدن در بیمارستان، 4 مرگ و میر، 5 بیماری کروناویروس 2019، 6 و الگوی غیرطبیعی اشباع اکسیژن. همانطور که Correa و Mc Causland اشاره کردند، AI/ML می تواند به بهبود ایمنی بیماران دیالیزی کمک کند.
استفاده از هوش مصنوعی درکنترل کم خونی و کاهش نرخ بستری بیماران دیالیز:
با این حال، همانطور که قبلا ذکر شد، استفاده معمول از برنامه های کاربردی AI/ML در دیالیز نادر است. مدل کنترل کم خونی که قبلا ذکر شد و مداخلات مبتنی بر ML برای کاهش نرخ بستری شدن در بیمارستان از استثناهای قابل توجه هستند. تردید مراکز دیالیز و ارائهدهندگان مراقبتهای بهداشتی برای پیادهسازی مدلهای AI/ML در گردش کار روزانهشان قابل درک است.
توسعه و پیادهسازی روشهای AI/ML در دیالیز چالشهای مشترکی همانند سایر زمینهها دارد، مانند ملاحظات حفظ حریم خصوصی دادهها و فقدان یک تفسیر علت و معلولی روشن از خروجی مدل. مدلهای AI/ML به ندرت به کاربر اجازه میدهند بفهمند که چگونه به یک نتیجه خاص رسیده است. ماهیت جعبه سیاه ذاتی آنها می تواند برای کاربران خسته کننده باشد و ممکن است باعث ایجاد مشکلات ارتباطی با ارائه دهندگان مراقبت های بهداشتی و بیماران شود. مشکلات دیگری در رابطه با قابلیت حمل مدل های AI/ML بین جمعیت های بیمار به وجود می آید.
حتی اگر یک مورد استفاده موفق به خوبی در ادبیات توصیف شده باشد و کد در دسترس عموم قرار گیرد، چنین است به احتمال زیاد مدل AI/ML مربوطه نیاز به تنظیم زمانی دارد که برای یک جمعیت بیمار متفاوت اعمال شود. تجربه نشان داده است که استفاده از یک مدل (به عنوان مثال، مدلی با توپولوژی شبکه عصبی و توابع و وزن انتقال نورون یکسان) برای جمعیت متفاوت ممکن است منجر به عملکرد ضعیف شود.
چالشهای بهره گیری از هوش مصنوعی و یادگیری ماشین در دیالیز:
لزوم اتصال سریع و قابل اعتماد، منابع مختلف داده، استخراج و ادغام داده های چند وجهی، مقایس های زمانی مختلف ثبت داده های دیالیز بخشی از چالش های بهره گیری از AI در دیالیز هستند.
بنابراین، اگر عملکرد مدل ضعیف باشد، بازآموزی یک گام معقول است. برای مثال، پیشبینی بیدرنگ افت فشار خون حین دیالیز، به اتصال سریع و قابل اعتماد نیاز دارد. به همین علت هم برنامه های کاربردی عمدتا مبتنی بر وب هستند. علاوه بر این، از آنجایی که اکثر مدلهای AI/ML از دادههایی از منابع متعدد، مانند EHR، دادههای ماشین و غیره استفاده میکنند، استخراج و ادغام چنین دادههای چندوجهی میتواند چالش برانگیز باشد. مشکلی که اغلب در هنگام توسعه برنامههای AI/ML برای دیالیز با آن مواجه میشویم، مقیاسهای زمانی مختلف ضبط دادهها است که از ثانیه (مثلاً برخی از دادههای ماشینی) تا دقیقه (مانند BP) تا روزها (مثلاً تجویز داروها) و هفتهها متغیر است. یا ماه ها (به عنوان مثال، نتایج آزمایشگاهی).
روش های AI/ML برای رفع این عارضه خاص در دست توسعه هستند. چالش عملی دیگر این است که مدلهای AI/ML به زیرساخت فنی بالغ و متخصصان برای حفظ آن نیاز دارند. این وضعیت با فقدان الزامات و مسیرهای نظارتی واضح تشدید می شود زیرا برنامه های کاربردی AI/ML ممکن است به عنوان دستگاه های پزشکی یا سیستم های پشتیبانی تصمیم گیری بالینی طبقه بندی شوند.10 با توجه به این چالش ها، تعجب آور نیست که پذیرش AI/ML در دنیای واقعی مدلها در زمینه دیالیز کند هستند و تنها تعداد کمی از برنامههای کاربردی AI/ML قلمرو تحقیقات را ترک کرده و به مراقبتهای معمول بیمار راه پیدا کردهاند.
علیرغم تبلیغات فراگیر AI/ML، مدیریت انتظارات و درک این نکته مهم است که مدلهای AI/ML نمیتوانند راهحلهای کلی ارائه دهند، اما ابزارهایی برای انجام وظایف بسیار خاص و با تعریف محدود هستند. الگوریتمهای AI/ML برای کمک به کار پزشکان و نه جایگزین کردن کار پزشکان طراحی شدهاند. هر پیاده سازی موفق مدل های هوش مصنوعی در دنیای کار واقعی به بخش تجربه کاربر، بستگی دارد، اینکه چگونه آنها به راحتی در فرآیندهای مراقبت از زندگی واقعی ادغام می شوند.
الگوریتم های هوش مصنوعی یا یادگیری ماشین برای کمک به کار پزشکان طراحی شده اند نه برای جایگزین کردن آنها
سازمان غذا و داروی ایالات متحده (FDA)، بهداشت کانادا و آژانس تنظیم مقررات دارو و محصولات بهداشتی بریتانیا به طور مشترک ده اصل راهنما را شناسایی کرده اند که از توسعه عملکرد خوب ML خبر می دهد. پروتکل هایی برای اطمینان از اینکه ویژگی های مربوط به جمعیت بیمار مورد نظر به اندازه کافی در مجموعه داده های آموزشی و آزمایشی، تفسیرپذیری انسان از خروجی های مدل، و نظارت بر مدل ها در استفاده در دنیای واقعی نشان داده شده است. اعتبارسنجی عناصر داده در فرآیند توسعه مدل بسیار مهم است.
مراحل پیشبرد کاربرد AI/ML در دیالیز:
برای پیشبرد بیشتر کاربرد AI/ML در دیالیز، چندین مرحله باید انجام شود:
-
اثربخشی و ایمنی ابزارهای AI/ML باید به طور دقیق و مکرر مورد ارزیابی قرار گیرد، به طور ایده آل در آزمایشات بالینی انجام مطالعات اعتبار سنجی قبل از شروع کارآزماییهای عملی مهم است.
-
هنگام توسعه مدلهای AI/ML، برای جلوگیری از سوگیریهای ضمنی و صریح ، توسعه باید با دقت ویژهای انجام شود.
-
کادر درمان باید در تفسیر و ارتباطات خروجی مدل AI/ML آموزش ببیند. این اقدامات به تعریف بهتر موقعیت برای مدلهای AI/ML در مراقبتهای دیالیز کمک میکند.