در سال های اخیر ، محققان در حال توسعه الگوریتم های یادگیری ماشین ها برای طیف گسترده ای از اهداف بوده اند. این الگوریتم ها شامل دستگاه هایی که در محیط های مراقبت بهداشتی هستند هم اعمال شده است. به عنوان مثال این الگوریتم ها می توانند به پزشکان کمک کنند تا بیماری های خاص، اختلالات عصبی-روانی و سطح بیهوشی بیماران را تشخیص دهند و یا سلامتی بیماران را به مرور کنترل کنند.
محققان موسسه فناوری ماساچوست (MIT) و بیمارستان عمومی ماساچوست اخیراً تحقیقی را در زمینه بررسی امکان استفاده از یادگیری عمیق برای کنترل سطح بیهوشی بیمارانی که برای انجام یک روش پزشکی به بیهوشی نیاز دارند ، انجام داده اند. مقاله آنها قرار است در بخشهای کنفرانس بین المللی هوش مصنوعی پزشکی در سال 2020 منتشر شود.
گابریل شامبرگ ، یکی از محققان این مطالعه می گوید: آزمایش های ما پیشرفت چشمگیری در درک چگونگی تأثیر داروهای بیهوشی بر فعالیت عصبی داشته است و اکنون یک تیم در حال مطالعه نحوه تعیین دقیق دوزهای بیهوشی است.
در مطالعه اخیر ما ، با استفاده از روش کراس آنتروپی ، یک شبکه عصبی را آموزش دادیم که به طور مکرر اجازه داشت روی بیماران شبیه سازی شده اجرا شود که منجر به نتایج خوبی شد.
اساساً ، شامبرگ و همکارانش یک شبکه عصبی عمیق ایجاد کردند و با استفاده از یادگیری تقویت کننده، آن را برای کنترل مقدار دوز بیهوشی آموزش دادند. آنها به طور خاص بر روی دوز پروپوفول تمرکز کردند. پروپوفول دارویی است که سطح هوشیاری افراد را کاهش می دهد و معمولاً برای انجام بیهوشی عمومی یا آرام بخش در بیماران استفاده می شود.
محققان این شبکه عصبی را ایجاد کرده اند و بر روی داده های شبیه سازی شده بیمار ، که براساس مدل های فارماکوکینتیک / فارماکودینامیک با پارامترهای تصادفی تولید شده ، آموزش دادند.
آنها یک سری آزمایشات آموزشی را با استفاده از روش معروف “متقابل آنتروپی” انجام دادند. در طی این آزمایشات ، شبکه عصبی به تدریج یاد گرفت که یک حالت بیهوشی مشاهده شده را با دوز ثابت پروپوفول ترسیم کند.
هنگامی که آنها عملکرد مدل خود را ارزیابی کردند ، محققان از یک روش قطعی استفاده کردند که احتمال تزریق دوز ثابت پروپوفول را به میزان تزریق مداوم تبدیل می کرد. به طور کلی ، شبکه عصبی آنها به نتایج چشمگیری دست یافته بود و از یک کنترل کننده متناسب-انتگرال-مشتق (PID) ، که قبلا برای تعیین دوزهای ایده آل بیهوشی استفاده شده بود، استفاده کرده بود.
شامبرگ می گوید: دو مزیت اصلی رویکرد ما، توانایی الگوریتم در مقیاس گذاری متغیرهای بالینی موجود در مشاهدات و ارتباط مداوم شبکه عمیق بین متغیرهای ورودی و دوز توصیه شده است. شبکه های عصبی عمیق به ما این امکان را می دهند که مدلی را با بسیاری از داده های ورودی مداوم بسازیم و الگوریتم یادگیری ما روشهای کنترل منسجم تری نسبت به روشهای قبلی مبتنی بر جدول ایجاد می کند.
در آینده ، مدل مبتنی بر شبکه عصبی عمیق ساخته شده توسط این تیم می تواند به متخصصان بیهوشی در شناسایی دوز ایده آل پروپوفول برای بیماران کمک کند و به سطوح مختلف بیهوشی دست یابد. با این وجود، این مدل تاکنون فقط در شبیه سازی آزمایش شده است و قبل از استفاده در محیط های واقعی، باید یک سری آزمایشات بالینی واقعی نیز انجام شود.
منبع: techxplore
