5 راهکار موثر هوش مصنوعی (AI)در بیماری های کلیوی

مقدمه:

پزشکان به طور مداوم به دنبال راه هایی برای بهبود رفاه و آسایش بیماران خود هستند. در حوزه نفرولوژی، پیشرفت های امیدوارکننده ای از طریق استفاده از هوش مصنوعی (AI) رخ داده است. فناوری هوش مصنوعی برنامه‌های رایانه‌ای را قادر می‌سازد تا رفتارها، وظایف و نتایج داده ها را بررسی کنند.

مدیران Fresenius Medical Care در آمریکای شمالی (FMCNA) معتقدند که راه حل های بیماری های کلیوی مبتنی بر هوش مصنوعی به تغییر آینده مراقبت از کلیه ها کمک می کنند. از طریق یادگیری ماشینی (ML)، می‌توان ابزارهای پیشرفته‌تری برای مراقبت از افراد مبتلا به بیماری مزمن کلیوی (CKD) در اختیار پزشکان و پزشکان قرار داد. ابزارهایی که می‌توانند به شناسایی و کاهش ریسک فاکتورها، کاهش بستری شدن در بیمارستان، بهبود نتایج و پیش‌بینی عوارض جانبی کمک کنند.

کاهش بستری شدن بیماران دیالیزی با مدل های هوش مصنوعی:

بنا بر گزارش مراکز کنترل و پیشگیری از بیماری ها، بیماران همودیالیز (HD) تقریباً دو بار در سال در بیمارستان بستری می شوند که بیشتر از 99 درصد از کل بزرگسالان در آمریکا است. اقامت در بیمارستان ممکن است باعث اختلال در برنامه های درمانی دیالیز شود و می تواند کیفیت زندگی بیماران را کاهش دهد و در عین حال هزینه مراقبت را به طور قابل توجهی برای سیستم های مراقبت های بهداشتی افزایش دهد. برای کمک به مقابله با این روند، FMCNA از هوش مصنوعی برای ساخت مدل‌ها و ابزارهای پیش‌بینی‌کننده استفاده می‌کند که نشان می‌دهد چه زمانی بیماران در معرض خطر بیشتری برای بستری شدن هستند.

مدل پیش‌بینی بستری قریب‌الوقوع (IHPM) بیش از 1000 متغیر را از سوابق مرکز دیالیز بررسی می‌کند. این اطلاعات و داده ها شامل، نتایج آزمایشگاهی، گزارشات پرستاران و متخصصان تغذیه، و .... است. الگوریتم‌های رایانه‌ای این اطلاعات را پردازش می‌کنند و نمره ریسک عددی و فهرستی از 10 پیش‌بینی‌کننده اصلی بستری شدن بیمار در بیمارستان را در هفت روز آینده تعیین می‌کنند.

در حالی که این مدل برای پیش‌بینی بستری شدن قریب‌الوقوع طراحی شده است، مدل و ابزار ML دیگر، برنامه کاهش بستری بیمار در بیمارستان، می‌تواند خطر بستری شدن چندگانه در بیمارستان را برای یک بیمار طی 12 ماه آینده محاسبه کند.

این مدل نیز با استفاده از داده های 150،000 بیمار همودیالیزی ، الگوهایی را در عواملی که منجر به پذیرش بیمار در بیمارستان می شود را شناسایی می کند. با تجزیه و تحلیل متغیرهای دموگرافیک، بیماری های زمینه ای، سابقه بستری یا درمان، نتایج آزمایشگاهی، نتایج نظرسنجی، و حتی منطقه جغرافیایی بیماران، این مدل می تواند تعداد بستری شدن بیمار در بیمارستان را در یک سال پیش بینی کند.

در یک مطالعه دانشمندان، بیماران را در 54 مرکز دیالیز در یک دوره دو ساله مورد آزمایش قرار دادند. آنها نسبت به سایر کلینیک‌هایی که( DHRP) یا برنامه کاهش بستری بیمار در بیمارستان اجرا نمی‌شد، از نظر آماری میزان پایین‌تری از بستری بیماران را مشاهده کردند.

مدل‌های هوش مصنوعی IHPM و DHRP تصویری فوری از عوامل خطر بیماران را در اختیار پرستاران قرار می‌دهند که ممکن است به بهبود گردش کار کمک کند و مداخلات به موقع تیم مراقبت را امکان‌پذیر کند. تاکنون، این ابزارها برای تیم های کوچک پرستاران و بیمارانشان موفق بوده اند. هدف از این مدل ها این است که راه‌حل‌های مبتنی بر هوش مصنوعی در بیماران کلیوی به طور گسترده‌تری اتخاذ شده و به بیماران کمک می‌کند تا خارج از بیمارستان و سالم‌تر زندگی کنند.

کاهش وقفه های درمانی برای بیماران دیالیز صفاقی:

در حالی که خطر بستری شدن در بیمارستان اغلب برای بیماران دیالیزی و تیم درمان مورد توجه قرار می گیرد، تداوم مراقبت از بیماران هم، یکی دیگر از زمینه های بسیار مهم است. اخیراً نوآوری جدیدی در هوش مصنوعی ایجاد شده است که می‌تواند به به تیم درمان کمک کند تا مشکل بیمارانی که درمان دیالیز صفاقی (PD) را قطع می‌کنند تا شروع یا بازگشت به همودیالیز (HD)یا همودیالیز در منزل (HHD) را برطرف کنیم. ابزار کاهش خطر دیالیز صفاقی، داده ها و اطلاعات بیمار را در بازه زمانی منتهی به وقفه در درمان PDرا تجزیه و تحلیل کرده و سپس عوامل خطر اصلی را شناسایی و گزارش می دهد. آیتم های پیش بینی کننده، شامل نتایج آزمایشگاهی بیماران، عفونت ها، بستری شدن در بیمارستان، داروها و سایر موارد است.

با بررسی عوامل تأثیرگذار، تغییرات کوتاه‌مدت (یک تا سه ماهه) و بلندمدت (سه تا شش ماهه) از PD به HD یا HHD، ممکن است از برخی وقفه‌ها در درمان PD جلوگیری کرده و انتقال بیمار به سایر روش‌ها را امکان‌پذیر سازد.

پیش بینی و شناسایی علائم نقص دسترسی عروقی فیستول شریانی وریدی:(AVF)

برای بیماران دیالیزی با فیستول شریانی وریدی (AVF) به عنوان دسترسی عروقی، ریسک از کار افتادن دسترسی عروقی، نگرانی اولیه است. مطالعه ای در آمریکا نشان داد که 23 درصد از تعبیه AVF های اولیه برای بیماران ,HD با شکست مواجه می شوند. بررسی شرایط می‌تواند به پیش‌بینی اینکه آیا احتمالاً فیستول دچار نقص خواهد شد و یا خیر و امکان انجام روش‌های مداخله‌ای در اصلاح آن، کمک کننده باشد.

همچنین دانشمندان موسسه تحقیقات کلیوی، یک اپلیکیشن گوشی هوشمند ایجاد کردند که می تواند تصاویر دسترسی عروقی بیمار دیالیزی را تجزیه و تحلیل کند و مرحله آنوریسم دسترسی عروقی را شناسایی کند. آنوریسم ها در صورت عدم تشخیص و درمان می توانند پاره شده و باعث خونریزی شوند و نیاز به مراقبت فوری پزشکی دارند.

این برنامه از یک الگوریتم مانند الگوریتم هایی که برای تشخیص چهره استفاده می شود، برای بررسی عکس های دسترسی عروقی گرفته شده توسط بیماران یا تیم درمان استفاده می کند. این الگوریتم به دنبال الگوهای موجود در تصاویر می‌گردد و در صورت کشف آنوریسم، به سرعت به کاربران برنامه وجود و شدت آنوریسم را هشدار می‌دهد. سپس پزشکان بهترین روش مانند جراحی یا سایر اقدامات را تعیین خواهند کرد. این برنامه به طور بالقوه می تواند عمر AVF ها و گرافت های شریانی وریدی را افزایش دهد و خطر پارگی را کاهش دهد.

بهبود نتایج دیالیز با کنترل بهتر مایعات:

یکی از حیاتی ترین جنبه های دیالیز درمانی، کنترل سطح مطلوب مایعات در این بیماران است. هم اضافه حجم مایعات (هیپرولمی) و هم کاهش مایعات می تواند باعث مشکلات جدی سلامتی مانند مشکلات قلبی یا مرگ شود. با کمک نرم‌افزار کنترل اولترافیلتراسیون (UF) ، می‌توان میزان اولترافیلتراسیون را برای دستیابی به هدف مطلوب حجم نسبی خون هدایت کرد. برنامه Breakthrough Device قصد دارد روند توسعه و بررسی را تسریع بخشد و دسترسی سریع‌تری به فناوری‌های جدید برای درمان بیماری‌های تهدید کننده زندگی فراهم کند.

برای طراحی این نرم‌افزار، داده‌های جمع‌آوری‌شده از 17 مرکز دیالیز را در یک بازه متوسط 31 ماهه بررسی شده اند. داده‌ها از دستگاه‌های همودیالیز، پرونده‌های سلامت الکترونیکی بیماران و یک ابزار غیرتهاجمی که امکان پایش حجم نسبی خون را در زمان فراهم می‌کند، گرفته شد.

کشف روند Covid-19 در بیماران همودیالیز:

تیم درمان چندین بار در هفته بیماران همودیالیزی را می بینند و از برنامه های رایانه ای برای ورود به داده های بهداشتی پس از هر بازدید استفاده می کنند. با استفاده از این اطلاعات و ساخت یک برنامه هوش مصنوعی که می تواند تغییرات در سلامت بیمار را تشخیص دهد و به طور بالقوه بیماران آلوده به Covid-19 را شناسایی کند. این مدل پیش بینی، بیش از 80 متغیر (مانند دمای بدن ، ضربان قلب و ... ) را از بیش از 40،000 بیمار HD ارزیابی کرد. این مدل در شناسایی بیماران مبتلا به عفونت COVID-19 سه روز قبل از شروع علائم بالینی مشکوک، موفقیت آمیز بود. این برنامه هوش مصنوعی می تواند به تشخیص عفونت های COVID-19 در بیماران HD کمک کند و امکان محافظت از کارکنان و سایر بیماران را فراهم می کند.

در یک مطالعه جداگانه ولی مرتبط ، همچنین یک مدل پیش بینی را با استفاده از داده های مربوط به مرگ و میر COVID-19 در بیماران HD در ایالات متحده ، آرژانتین ، کلمبیا و اکوادور بررسی شده است و مرگ و میر به سه دسته خاص اختصاص داده شد:

کوتاه مدت: بیمارانی که طی 14 روز پس از ابتلا به COVID-19 فوت شدند.

میان مدت: بیمارانی که 30-15 روز پس از ابتلا به COVID-19 فوت شدند.

طولانی مدت: بیمارانی که 30 روز یا بیشتر پس از ابتلا به COVID-19 فوت شدند.

محققان با استفاده از این نوآوری پیشرفته هوش مصنوعی، چندین عامل خطر جهانی برای مرگ را در بین گروه های مورد مطالعه کشف کردند. این موارد شامل عوامل دموگرافیک ، عوارض جانبی ، علائم حیاتی ، وزن ، التهاب مزمن و سوء تغذیه است. می توان نتیجه گرفت که پیش بینی مرگ و میر در بیماران HD با در دسترس بودن داده های خاص امکانپذیر است. با استفاده از این نوع تجزیه و تحلیل ، ممکن است بتوان به بیماران دیالیزی مبتلا به COVID-19 کمک کرد تا درمان مناسب و مورد نیاز خود را برای زنده ماندن دریافت کنند.

هوش مصنوعی و پیشرفت مراقبت از کلیه

در سالهای اخیر ، هوش مصنوعی از داستان های علمی به استفاده عملی گسترده، حتی در مراقبت های درمانی پیش رفته است. هوش مصنوعی را می توان به عنوان یک عامل اصلی در آینده فناوری کلیه نام برد و بیش از ده ها مدل پیش بینی پیشرفته را برای بهبود نحوه درمان و مراقبت از افراد مبتلا به بیماری کلیوی توسعه داده است.

هوش مصنوعی با ظرفیت خود برای تجزیه و تحلیل داده ها با حجم زیاد، می تواند ابزارهایی را برای ارائه راه حل های نوآورانه در اختیار تیم های درمانی قرار دهد. با استفاده از راه حل ها، می توان پیشرفته ترین و دقیق ترین مراقبت های درمانی را به این بیماران ارائه کرد.