ابزار هوش مصنوعی می تواند عوارض فتق بعد از عمل را پیش بینی کند

نوشته کارن بلوم

بر اساس تحقیقات جدید، می توان از یک الگوریتم هوش مصنوعی برای کمک به جراحان برای شناسایی بیماران فتق با موارد پیچیده استفاده کرد که برای مراقبت در مراکز ارجاع بزرگتر من، هستند.

هنگامی که با پی،ل هایی از سی تی اسکن بیماران فتق قبل از عمل، ابزار هوش مصنوعی توسعه یافته توسط محققان مرکز پزشکی کارولیناس، در شارلوت، کارولینای شمالی، ارائه شد، که یاد گرفت پیش بینی کند که کدام بیماران به دلیل نارسایی ریوی نیاز به جداسازی یا انتقال به بخش مراقبت های ویژه دارند. ، یا توسعه … عفونت محل جراحی (ssI)، با دقت 64% تا 83%. این اثر در جلسه سالانه مجازی انجمن فتق قاره آمریکا ارائه شد و جایزه بهترین مقاله 2020 انجمن را دریافت کرد.

دکتر Charbel El Haj، نویسنده ارشد و ژنرال، گفت: «مطالعات اولیه هوش مصنوعی نتایج امیدوارکننده‌ای را نشان می‌دهد که به جراحان کمک می‌کند تومورهای بدخیم، بیماری‌های چشمی و پوستی، و خونریزی‌های مغزی را با موفقیت شناسایی کنند. جراح اینکه کدام یک از بیماران فتق به تکنیک های جراحی پیچیده یا مراقبت های تخصصی بعد از عمل نیاز دارند، یک فرآیند تصمیم گیری دشوار و اغلب ذهنی است. هدف از مطالعه ما توسعه یک الگوریتم یادگیری ماشینی بود که می تواند عوارض را در بیماران فتق تنها بر اساس CT قبل از عمل پیش بینی کند.

تیم دکتر الحاج داده های داخلی بیماران فتق را که تحت بازسازی دیواره شکم باز قرار گرفته بودند و سی تی اسکن حاوی کل نقص فتق را انجام دادند، است،اج ،د. نتایج مورد علاقه آنها جداسازی اجزا بود که به ،وان رهاسازی عرضی شکمی یا رهاسازی مورب خارجی تعریف شد. نارسایی ریوی، به ،وان انتقال به ICU به دلیل عوارض تنفسی یا لوله گذاری تعریف می شود. و عوارض زخم، به ویژه SSI.

محققان تصاویر را با استفاده از نرم افزار TeraRecon Aquarius iNtuition تجزیه و تحلیل ،د و ابزار خود را با استفاده از زبان برنامه نویسی پایتون و چارچوب های متن باز Tensorflow و OpenCV ساختند. آنها تمام تصاویر مقطعی را در 150×150 پی،ل استاندارد ،د که توسط یک شبکه عصبی کانولوشنال هشت لایه برای تعیین ویژگی های کلیدی تصویر تجزیه و تحلیل شدند. سپس، آنها تصاویر را در مجموعه های آموزشی و اعتبارسنجی گروه بندی ،د.

به طور کلی، تیم تصاویر 233 بیمار را ارزیابی کرد. عرض متوسط ​​فتق 9.4 سانتی متر است. میزان جدایی بیماران 46.2 درصد، نارسایی ریوی 7.3 درصد و نرخ ssI 22.5 درصد بود.

دکتر الحاج گفت که محققان ابتدا توانایی ابزار هوش مصنوعی در پیش بینی جداسازی اجزا را ارزیابی ،د. پس از بررسی 8000 بار تصاویر سی تی با اطلاعات صحیح ارائه شده، الگوریتم در ارزیابی تصاویر مجموعه آموزشی به دقت 100% رسید. در مرحله بعد، تصاویر سی تی اسکن از مجموعه اعتبارسنجی بیماران ارسال شد و ابزار رایانه ای به طور دقیق پیش بینی کرد که آیا این بیماران به تکنیک جداسازی با دقت 74 درصد نیاز دارند یا خیر.ص<0.001). با ارزیابی عوارض بعد از عمل، این ابزار همچنین به طور قابل اعتماد پیش بینی کرد که کدام بیماران در 83 درصد مواقع دچار نارسایی ریوی می شوند.ص<0.001). نرم‌افزار هوش مصنوعی همچنین پیش‌بینی می‌کرد که کدام بیماران بعد از عمل به SSI با نرخ 64 درصد مبتلا می‌شوند، اما این به م،ی‌دار آماری نبود.ص= 0.081).

دکتر الحاج گفت: “این کار نشان می دهد که “هوش مصنوعی می تواند با موفقیت برای پیش بینی عوارض در بیماران فتق تنها بر اساس سی تی اسکن قبل از عمل” استفاده شود اطلاعات را می توان در حین و بعد از عمل جراحی از طریق تجزیه و تحلیل هوش مصنوعی به دست آورد. این ابزارها، پس از اصلاح، می توانند تجزیه و تحلیل عینی بیماران فتق را قبل از عمل، جایگزین بسیاری از ذهنیت فعلی درگیر در ارزیابی و طبقه بندی خطر بیماران فتق کنند، و امکان ایجاد یک سیستم ارجاع فتق مبتنی بر داده ها را فراهم کنند که باید بهبود یابد. مراقبت از بیماران فتق در سراسر جهان.

دکتر الحاج افزود که آزمایش‌های اولیه نشان داد که این برنامه موفق‌تر از گروهی از جراحان متخصص فتق در پیش‌بینی اینکه کدام بیماران نیاز به جداسازی اجزا دارند، بوده است. این تیم به کار برای بهبود الگوریتم‌ها ادامه می‌دهد، از طریق روش‌هایی مانند افزودن تصاویر اضافی از بیمار، ارزیابی آنچه الگوریتم مهم‌ترین آن را در نظر می‌گیرد، و افزودن متغیرهای پایگاه داده مانند مصرف دخ،ات، وضعیت دیابت و شاخص توده بدنی برای آزمایش. او گفت که این ابزار در آزمایشات چند مرکزی آینده نگر است.