وبلاگ

اخبار – ANAHEIM– طبق تحقیقاتی که امروز در نشست علمی سالانه AACC و نمایشگاه آزمایشگاهی بالینی 2023 رونمایی شد، یک مدل هوش مصنوعی جدید می‌تواند خطر ابتلا به مولتیپل اسکلروزیس را سال‌ها قبل از تشخیص پیش‌بینی کند و به طور بالقوه امکان درمان سریع‌تر را فراهم کند. مطالعه پیشگامانه دیگری نشان می‌دهد که چگونه یادگیری ماشینی می‌تواند به تشخیص آزمایشگاه کمک کند. نمونه های آلوده به مایعات داخل وریدی – یافته ای که می تواند خطاهای آزمایشگاهی را کاهش دهد که تشخیص را به تاخیر می اندازد و هزینه های مراقبت های بهداشتی را افزایش می دهد.

در مجموع، نتایج پیشرفت های کلیدی در استفاده از هوش مصنوعی و یادگیری ماشینی برای بهبود مراقبت از بیمار را برجسته می کند.

مدل هوش مصنوعی از داده های بیمار برای پیش بینی خطر ابتلا به مولتیپل اسکلروزیس استفاده می کند

مولتیپل اسکلروزیس یک بیماری سیستم عصبی است که بیش از 2.8 میلیون نفر را در سراسر جهان تحت تاثیر قرار می دهد. دانشمندان به طور کامل درک نمی کنند که چه چیزی باعث این بیماری می شود، اما ایجاد آن را به خودایمنی – زمانی که سیستم ایمنی فرد به اشتباه به سلول های سالم آسیب می زند – همراه با ژنتیک، ویروس اپشتین بار و سایر عوامل مرتبط می دانند. پزشکان در حال حاضر مولتیپل اسکلروزیس را با تصویربرداری، مطالعات CSF و سابقه بالینی تشخیص می دهند. اما روش‌های تشخیص زودهنگام مطلوب هستند زیرا می‌توانند به بیماران کمک کنند تا درمان را زودتر شروع کنند و پیشرفت بیماری را کاهش دهند.

تیمی به سرپرستی راج گوپالان، MD، در زیمنس هلث‌اینرز در تاری‌تاون، نیویورک، مدل‌های یادگیری ماشینی را برای پیش‌بینی خطر ابتلا به مولتیپل اسکلروزیس در انسان آموزش دادند. آنها بیش از 3000 مجموعه داده را از پرونده الکترونیکی سلامت بیماران مبتلا به مولتیپل اسکلروزیس و بدون آن از مرکز پزشکی Beth Israel Deaconess در بوستون جمع آوری کردند. «مدل جنگل تصادفی» آنها داده‌های مربوط به سن، جنسیت، نشانگرهای خون و داده‌های متابولیک بیمار را که تا سه سال قبل از تشخیص جمع‌آوری شده بود، تجزیه و تحلیل کرد.

مدل بسیار دقیق بود و قدرت پیش بینی قوی را نشان داد. بیشتر توانایی این مدل برای تشخیص بیماران در معرض خطر از اندازه گیری خون نوتروفیل ها، گلبول های قرمز و سایر نشانگرها ناشی می شود. این پیش‌بینی‌ها تا سه سال قبل از تشخیص بیماران ثابت ماند.

گوپالان گفت: “عملکرد مدل ما نشان می دهد که مدل های پیش بینی مبتنی بر هوش مصنوعی می توانند خطر ابتلا به مولتیپل اسکلروزیس را سال ها قبل از شروع علائم عصبی شناسایی کنند.” او گفت: “این ممکن است نشان دهد که در صورت بروز علائم، کدام بیماران باید برای معاینات عصبی و شناختی دوره ای تحت نظر قرار گیرند.” علاوه بر این، تایید زودهنگام تشخیص با مطالعات تصویربرداری و CSF ممکن است درمان اصلاح کننده بیماری را تسهیل کند.

یادگیری ماشین نتایج آزمایشگاهی بالقوه آلوده را نشان می دهد

دانشمندان همچنین از یادگیری ماشینی برای کشف آلودگی های احتمالی در نمونه های آزمایشگاهی استفاده می کنند که می تواند نتایج آزمایش را منحرف کند. وقتی نمونه‌ها به‌جای خون تازه از کاتترهای داخل وریدی (IV) گرفته می‌شوند، مایع موجود در کاتتر می‌تواند منجر به نتایج آزمایشگاهی کاذب شود که تشخیص را به تاخیر می‌اندازد، هزینه‌های مراقبت‌های بهداشتی را افزایش می‌دهد و منجر به درمان نادرست می‌شود. روش‌های فعلی برای تشخیص نمونه‌های آلوده همیشه دقیق نیستند و تکنسین‌ها را ملزم به انجام آنالیز دستی پر زحمت می‌دانند.

محققان اکنون با استفاده از تکنیکی به نام مدل‌سازی «مخلوط خبره» خط لوله یادگیری ماشینی ایجاد کرده‌اند که می‌تواند موارد آلودگی مایعات داخل وریدی را که با روش‌های دستی شناسایی نمی‌شوند، شناسایی کند. این تیم به سرپرستی دکتر نیکلاس اسپیس از دانشگاه واشنگتن در سنت لوئیس، بیش از 9600000 نتیجه شیمی را از بیماران جمع‌آوری کرد و آلودگی مایع IV را در برخی از نمونه‌ها با محلول‌های معمول IV شبیه‌سازی کرد. پس از آموزش مدل های مختلف یادگیری ماشین با استفاده از نتایج شبیه سازی شده، دانشمندان مجموعه نهایی پیش بینی ها را ایجاد کردند.

مدل‌ها آلودگی قابل توجهی در چندین هزار نمونه پیدا کردند. اسپیس گفت این خط لوله می تواند 5 تا 10 برابر بیشتر از روش فعلی گروهش نمونه های آلوده را شناسایی کند. علاوه بر این، بسیاری از این آزمایش‌ها قبلاً با روش‌های دستی علامت‌گذاری نشده بودند – تا 94٪ در مورد نمونه‌های آلوده به محلولی به نام لاکتات رینگر.

اسپیس گفت: «در حالی که این بلافاصله تعداد آزمایش‌های آلوده را کاهش نمی‌دهد، ما امیدواریم که تأثیر عملیاتی و بالینی این رویدادها در صورت وقوع به میزان قابل توجهی کاهش یابد و معیاری با کیفیت بهتر در اختیار ما قرار دهد تا مناطقی را برای ابتکارات بهبود اولویت‌بندی کنیم.» گفت.

_________________________________________________________________

درباره نشست علمی سالانه 2023 AACC و نمایشگاه آزمایشگاهی بالینی

نشست علمی سالانه AACC 2023 از 23 تا 27 ژوئیه در آناهیم، ​​کالیفرنیا، 5 روز پر از فرصت برای یادگیری علم هیجان انگیز ارائه می دهد. جلسات عمومی درمان‌های هدفمند میکروبیومی برای سوءتغذیه، داده‌های کلان برای تمرین پزشکی دقیق، عدالت سلامت، بیماری‌های قلبی عروقی در زنان و درمان‌های امیدوارکننده برای بیماری سلول داسی شکل را بررسی خواهند کرد.

در نمایشگاه آزمایشگاهی بالینی، بیش از 900 غرفه‌دار طبقه نمایشگاه مرکز همایش آناهیم در آناهیم، ​​کالیفرنیا را با نمایش‌هایی از آخرین فناوری تشخیصی، شامل اما نه محدود به آزمایش کووید-19، هوش مصنوعی، نقطه مراقبت پر می‌کنند. و اتوماسیون

درباره انجمن پزشکی تشخیصی و آزمایشگاهی (ADLM) اختصاص داده شده به دستیابی به سلامتی بهتر از طریق پزشکی آزمایشگاهی، ADLM (AACC سابق) بیش از 70000 متخصص آزمایشگاه بالینی، پزشک، محقق و رهبر تجاری از سراسر جهان را گرد هم می آورد که بر شیمی بالینی، تشخیص مولکولی، طیف سنجی جرمی، پزشکی ترجمه و آزمایشگاه متمرکز هستند. مدیریت و سایر زمینه های علوم آزمایشگاهی مترقی. از سال 1948، ADLM برای پیشبرد منافع مشترک این حوزه کار کرده است و برنامه هایی را ارائه می دهد که همکاری علمی، دانش، تخصص و نوآوری را تقویت می کند. برای اطلاعات بیشتر مراجعه کنید www.myadlm.org.