4 دقیقه
هوش مصنوعی جدید هزاران نتیجه پزشکی را پیشبینی میکند
یک تیم تحقیقاتی چندملیتی مدلی از هوش مصنوعی توسعه داده است که میتواند احتمال بیش از ۱۰۰۰ بیماری را سال‌ها جلوتر بر اساس سابقه پزشکی بیمار پیشبینی کند. این سیستم که مبتنی بر معماری شبکه عصبی ترنسفورمر — همان خانواده مدل‌هایی که عامل‌های مکالمه‌ای مانند ChatGPT را تقویت میکنند — ساخته شده و Delphi-2M نام دارد، افق جدیدی در پیشبینی ریسک بالینی بلندمدت نوید می‌دهد.
چگونه Delphi-2M کار میکند
Delphi-2M با استفاده از سوابق سلامت طولی بانک زیستی بریتانیا (UK Biobank)، که پایگاه داده‌ای بیومدیکال با تقریباً نیم میلیون شرکت‌کننده است، آموزش دیده و با نزدیک به دو میلیون رکورد از ثبت سلامت عمومی دانمارک اعتبارسنجی شده است. با درنظر گرفتن توالی تشخیصها مانند جملات، مدل ترنسفورمر الگوها، هم‌رخدادی و ترتیب رخدادها در تاریخچه بیماران را می‌آموزد — به‌طور مؤثر «گرامر» مسیرهای بالینی را شناسایی میکند که میتواند نویدبخش بیماری‌های آینده باشد.
پژوهشگران گزارش می‌دهند که مدل میتواند افرادی را که ریسک وقوع رویدادهایی مانند حمله قلبی در آن‌ها به‌طور قابل‌توجهی بالاتر یا پایین‌تر از آن چیزی است که فاکتورهای جمعیت‌شناختی به‌تنهایی نشان می‌دهند، مشخص کند. بر خلاف امتیازهای ریسک متمرکز بر یک بیماری که در مراقبت‌های معمولی استفاده می‌شوند، Delphi-2M برای تولید پیش‌بینی‌های هم‌زمان و بلندمدت در صدها بیماری طراحی شده است.
آمار کلیدی
- داده‌های آموزش: تقریباً ۵۰۰٬۰۰۰ شرکت‌کننده از UK Biobank
- داده‌های اعتبارسنجی: نزدیک به ۲ میلیون رکورد سلامت دانمارک
- دامنه: پیشبینی برای بیش از ۱۰۰۰ بیماری
اعتبارسنجی، محدودیتها و ملاحظات اخلاقی
تیم تحقیقاتی نتایج را در یک نشریه بازبینی شده منتشر کرده است، اما هشدار می‌دهد که Delphi-2M هنوز آماده به‌کارگیری بالینی نیست. کارشناسان خارجی نکات مهمی را یادآور می‌شوند: هر دو مجموعه‌داده بریتانیایی و دانمارکی نمایانگر کامل همه گروه‌های سنی، قومیتی و نتایج سلامتی نیستند و این میتواند سوگیری را وارد پیشبینیها کند. آزمون‌های اضافی در جمعیتهای متنوع، اعتبارسنجی پیشرو و بررسیهای تنظیمی قبل از هر کاربرد بالینی ضروری خواهد بود.
پژوهشگران فناوری سلامت دو اولویت موازی را برجسته میکنند: قابل‌تبیین بودن و نظارت اخلاقی. هوش مصنوعی قابل‌تبیین به کلینیسین‌ها کمک میکند تا بفهمند چرا مدل برآوردهای ریسک مشخصی را تولید میکند و این به افزایش اعتماد و ایمنی می‌انجامد. برخی از هم‌نویسندگان معتقدند Delphi-2M گامی به‌سوی مدل‌سازی پیشبینی پذیر و اخلاقی در مقیاس است، اما نیاز به بررسیهای گسترده‌تر باقی است.
موارد استفاده احتمالی و تأثیر سیستم
در صورتی که اعتبارسنجی و یکپارچه‌سازی با احتیاط انجام شود، Delphi-2M ممکن است در نهایت به برنامهریزی پزشکی پیشگیرانه و طرح‌ریزی سیستمهای سلامت کمک کند. کاربردهای ممکن شامل موارد زیر است:
- پایش هدفمند افراد با ریسک بالا
- مداخلات بالینی زودتر برای جلوگیری از پیشرفت بیماری
- تخصیص منابع و برنامهریزی در سیستمهای سلامت تحت فشار
برای مقایسه، ابزارهای پرکاربردی مانند QRISK3 ریسک قلبی‌عروقی کوتاه‌مدت را برای بیماران به‌طور فردی برآورد میکنند؛ Delphi-2M هدف دارد که شرایط بیشتری را در افق زمانی طولانی‌تر به‌صورت هم‌زمان پوشش دهد و نوع متفاوتی از پشتیبانی تصمیم بالینی ارائه دهد.
چرا این موضوع برای هوش مصنوعی در مراقبت‌های بهداشتی اهمیت دارد
این کار نشان می‌دهد چگونه مدل‌های مبتنی بر ترنسفورمر را می‌توان فراتر از تحلیل زبان طبیعی به کار برد تا سوابق الکترونیکی سلامت طولی را تحلیل و تشخیص‌های آینده را پیشبینی کرد. این پیشرفت بر فرصت هوش مصنوعی برای گسترش مراقبت پیشگیرانه و نیز بر مسئولیت پرداختن به سوگیری، شفافیت و اعتبارسنجی پیش از ترجمه پژوهش به عمل بالینی تأکید دارد.
«مدل‌هایی مانند Delphi-2M می‌توانند در هدایت پایش و مداخلات زودتر راهنما باشند،» یکی از پژوهشگران اشاره کرد، در حالی که دیگران از ادامه آزمایش و احتیاط حمایت میکنند. هنگامی که سیستمهای سلامت و نهادهای تنظیمی نقش مدل‌های بزرگ هوش مصنوعی را بررسی میکنند، تبیینپذیری و عملکرد عادلانه در مرکز توجه برای پذیرش ایمن خواهند بود.
منبع: smarti
نظرات