بیش از یک سوم از کل افرادی که در بیمارستان بستری می‌شوند و حدود ۸۰ درصد از بیماران در بخش مراقبت‌های ویژه (ICU)، دچار هذیان می‌شوند، نوعی اختلال عملکرد مغز که با حملات ناگهانی گیجی، بی‌توجهی، پارانویا و یا حتی بی‌قراری و توهم مشخص می‌شود.

یکی از متخصصان پزشکی دانشگاه جانز هاپکینز از توسعه الگوریتم‌های هوش مصنوعی (AI) خبر داد که می‌تواند علائم هشدار اولیه هذیان را تشخیص داده و در هر زمانی در طول حضور در ICU سطح بالای خطر هذیان را در تعداد قابل توجهی از بیماران پیش‌بینی کند.

رابرت استیونز، استادیار بیهوشی این دانشگاه گفت: توانایی تمایز بین بیماران در معرض خطر کم و زیاد هذیان در ICU بسیار مهم است، زیرا ما را قادر می‌سازد منابع بیشتری را به مداخلات در جمعیت پرخطر اختصاص دهیم.

پزشکان از قبل می‌دانستند که هذیان ICU بیشتر در بیماران مسن و بدحال رخ می‌دهد و بیماران ICU که دچار هذیان می‌شوند بیشتر در معرض خطر بستری طولانی مدت در بیمارستان، زوال عقل و مرگ در آینده هستند.

به گفته کارشناسان، مداخلات ضد هذیان مانند بسته‌های مراقبتی، تغییر دارو‌ها و کاردرمانی و فیزیوتراپی زودتر از حد معمول تاثیر می‌گذارند، اما زمان و منابع محدود و همچنین نیاز‌های اغلب غیرقابل پیش‌بینی بیماران ICU، از حضور بیشتر بیماران در ICU‌ها جلوگیری می‌کند.

کربی گونگ، یک فارغ‌التحصیل کارشناسی ارشد از دپارتمان مهندسی زیست‌پزشکی جانز هاپکینز و اولین نویسنده مقاله گفت: ایده اساسی این بود که داده‌های جمع‌آوری‌شده به‌طور معمول در پرونده‌های سلامت الکترونیکی بیماران حاوی امضا‌هایی است که با خطر هذیان مرتبط است.

با استفاده از داده‌ها، تیم دو مدل کامپیوتری برای پیش بینی خطر هذیان ایجاد کردند. یک مدل به اصطلاح استاتیک، بلافاصله پس از پذیرش، یک عکس فوری از داده‌های بیمار و اطلاعات مربوط به سن، شدت بیماری، سایر تشخیص‌ها، متغیر‌های فیزیولوژیک و دارو‌های فعلی برای پیش‌بینی خطر هذیان در هر نقطه از اقامت در بیمارستان می‌گیرد. مدل دوم، یک مدل به اصطلاح پویا، اطلاعات را در طول ساعت‌ها و روزها، از جمله تکرار فشار خون، نبض و دما، کنترل می‌کند تا خطر هذیان را در ۱۲ ساعت آینده به طور مداوم به روز کند.

هنگامی که محققان مدل‌های هوش مصنوعی را توسعه دادند، آن‌ها را روی دو مجموعه دیگر از داده‌های بیمارستانی در بوستون آزمایش کردند که مجموعا بیش از ۱۰۰۰۰۰ بستری در بخش مراقبت‌های ویژه را پوشش می‌دادند. ناحیه زیر منحنی مشخصه عملکرد گیرنده (۹۵ ٪ CI) برای اولین مدل ۲۴ ساعته ۰.۷۸۵ بود، به این معنی که می‌توانست پیش‌بینی کند کدام بیماران در ۷۸.۵ ٪ مواقع دچار هذیان می‌شوند. مدل پویا حتی بهتر عمل کرد و بیماران مستعد هذیان را تا ۹۰ درصد موارد پیش بینی کرد.

استیونز گفت: اکنون در حال آزمایش مدل‌ها بر روی داده‌های تاریخی بیماران از ICU‌های پزشکی جانز هاپکینز است و قصد دارد یک کارآزمایی بالینی برای آزمایش استفاده از الگوریتم‌ها و نحوه شکل‌دهی مراقبت‌های بالینی در بیمارانی که به تازگی در ICU بستری شده‌اند، طراحی کند. آزمایشگاه او همچنین رویکرد‌های هوش مصنوعی مشابهی را اغلب با همکاری دانشجویان مهندسی و اساتید، برای پیش‌بینی سکته مغزی، نارسایی قلبی، آمبولی ریوی و سایر رویداد‌های اضطراری که در پزشکی مراقبت‌های ویژه دیده می‌شود، به کار می‌برد.

استیونز گفت: برای بسیاری از این انتقال‌های فیزیولوژیکی، ما فکر می‌کنیم که علائم هشدار دهنده اولیه وجود دارد که ممکن است برای پزشک آشکار نباشد، اما می‌توان آن‌ها را با استفاده از انواع تجزیه و تحلیل الگوی مبتنی بر هوش مصنوعی که در اینجا استفاده کردیم، تشخیص داد.

بیشتر بخوانید 

• تشخیص بیماری پارکینسون از طریق صدا با استفاده از هوش مصنوعی

منبع:مدیکال اکسپرس