استنفورد از هوش مصنوعی پایش بیماران مراقبت‌های ویژه برای بررسی ارتباط کاهش فعالیت با دلیریوم رونمایی کرد

superpowerdaily.com

انتشار در منبع: انتشار در سایت ما:

مقاله اصلی · English

پژوهشگران دانشگاه استنفورد سامانه‌ای به نام TRACER توسعه داده‌اند که تصاویر ویدئویی بخش مراقبت‌های ویژه را به خط زمانی قابل جست‌وجویی از رفتار بیماران تبدیل می‌کند. هدف این ابزار کمک به پزشکان برای بررسی نشانه‌های احتمالی دلیریوم است، نه تشخیص خودکار این عارضه. نتایج پژوهش نشان می‌دهد بیمارانی که ارزیابی آن‌ها از نظر دلیریوم مثبت بوده، فعالیت‌های هدفمند کمتری داشته‌اند؛ بااین‌حال، این یافته به معنای تأیید توانایی سامانه در تشخیص دلیریوم نیست.

این پروژه با یک مشکل در روند پایش بیماران آغاز شد: پزشکان معمولاً بیماران بخش مراقبت‌های ویژه را تنها چند بار در روز ارزیابی می‌کنند و در فاصله میان این بررسی‌ها، اطلاعاتی درباره وضعیت بیمار در دسترس نیست. دلیریوم، حالتی از اختلال هوشیاری و سردرگمی که با اختلال شناختی ماندگار و افزایش خطر مرگ ارتباط دارد، ممکن است در معاینات کوتاه روزانه به‌سادگی شناسایی نشود. ارزیابی بیمارانی که قادر به پاسخ‌گویی به پرسش‌ها نیستند، دشوارتر نیز هست.

پژوهشگران برای بررسی وضعیت بیماران، به سراغ نشانه دیگری رفتند: حرکات بدن و حتی نبود حرکت. TRACER تصاویر دوربین‌های کنار تخت را با پرونده الکترونیکی سلامت ترکیب می‌کند تا تغییرات رفتاری بیمار را در طول زمان ثبت کند. در نسخه پیش‌انتشار مقاله پژوهش که ۱۵ اکتبر ارسال شده، این سامانه ابزاری برای سازمان‌دهی مشاهدات و بازیابی شواهد مربوط به آن‌ها معرفی شده است؛ ابزاری که قرار نیست جایگزین ارزیابی پزشک شود.

تبدیل تصاویر پیوسته به گزارش‌های ساعتی

دو دوربین به سمت تخت بیمار در بخش مراقبت‌های ویژه قرار می‌گیرند و به‌صورت شبانه‌روزی، تصاویر ویدئویی با وضوح بالا و سرعت ۱۵ فریم در ثانیه ضبط می‌کنند. استفاده از دوربین دوم کمک می‌کند در صورتی که کادر دید یکی از دوربین‌ها با حضور کارکنان یا خود بیمار مسدود شود، نمای دیگری از محیط در دسترس باشد. بااین‌حال، ذخیره و تحلیل مداوم این حجم از تصاویر به منابع زیادی نیاز دارد؛ به همین دلیل، پژوهشگران حجم داده‌هایی را که سامانه پردازش می‌کند، کاهش داده‌اند.

TRACER تصاویر را در فواصل یک‌دقیقه‌ای نمونه‌برداری می‌کند و ۱۵ «کنش پایه» را زیر نظر می‌گیرد؛ منظور از این کنش‌ها، رفتارهای ساده‌ای مانند صحبت کردن، حرکت دادن دست به سمت صورت یا بی‌حرکت دراز کشیدن است. سامانه این مشاهدات را در قالب گزارش‌های ساعتی فشرده می‌کند و با اطلاعات پرونده پزشکی بیمار ترکیب می‌کند. سپس یک عامل مبتنی بر مدل زبانی با استفاده از ابزارهای مختلف، گزارش‌ها را جست‌وجو می‌کند، اطلاعات پزشکی را بازیابی می‌کند و تصاویر ویدئویی مرتبط را برای بررسی در اختیار پزشک قرار می‌دهد.

تصویرسازی مرتبط با سامانه هوش مصنوعی استنفورد برای پایش بیماران مراقبت‌های ویژه و بررسی نشانه‌های دلیریوم
تصویرسازی مرتبط با سامانه پایش بیماران مراقبت‌های ویژه دانشگاه استنفورد. منبع: hai.stanford.edu.

رابط کاربری سامانه به پزشکان اجازه می‌دهد تغییرات رفتار بیمار را در طول چند روز بررسی کنند، خط زمانی فعالیت‌های او را ببینند و آن را در کنار داروها و درمان‌های دریافت‌شده قرار دهند. همچنین می‌توانند مستقیماً به ویدئوهای دارای برچسب زمانی مراجعه کنند و بخش‌هایی از تصاویر را که برای ارزیابی انسانی علامت‌گذاری شده‌اند، مشاهده کنند. به این ترتیب، پزشک می‌تواند از خلاصه اطلاعات به رفتار واقعی ثبت‌شده بیمار بازگردد و شواهد مربوط به هر مشاهده را بررسی کند.

دقت سامانه در آزمون‌ها چه چیزی را نشان می‌دهد؟

پژوهشگران عملکرد TRACER را در دو بخش جداگانه ارزیابی کرده‌اند: شناسایی رفتارها و پاسخ‌گویی به پرسش‌هایی درباره دوره بستری بیمار. برای سنجش توانایی تشخیص رفتارها، آن‌ها ۳۹۷ کلیپ یک‌دقیقه‌ای را آماده و برچسب‌گذاری کردند که ۱۵ گروه رفتاری مختلف را پوشش می‌داد. آزمون پرسش‌وپاسخ نیز شامل ۱۴۴ سؤال چندگزینه‌ای بود که با مشارکت متخصصان بالینی طراحی شده بودند و بر اساس ۲۶۴ ساعت تصاویر ویدئویی و پرونده‌های پزشکی تنها دو بیمار بخش مراقبت‌های ویژه تهیه شده بودند. چنین نمونه محدودی نشان نمی‌دهد که عملکرد سامانه در پاسخ‌گویی به پرسش‌ها تا چه اندازه به بیماران دیگر قابل تعمیم است.

در گزارش مؤسسه هوش مصنوعی انسان‌محور استنفورد (Stanford HAI)، دقت تشخیص رفتارها به‌صورت گرد شده ۸۵ درصد و امتیاز پاسخ‌گویی به پرسش‌ها ۶۱ درصد اعلام شده است. بااین‌حال، نتایج مقاله در پیکربندی‌های مختلف عامل هوش مصنوعی نشان می‌دهد که عدد دوم یک امتیاز ثابت و یکسان برای TRACER نیست. هر دو آزمون، اجزای مختلف عملکرد سامانه را می‌سنجند و هیچ‌یک از این درصدها نشان‌دهنده میزان دقت آن در شناسایی بیماران مبتلا به دلیریوم نیست.

در یک بررسی جداگانه، اطلاعات ۲۸۰ بیمار و حدود ۶۰ هزار ساعت تصاویر دوربین‌ها تحلیل شد. نتایج نشان داد بیمارانی که ارزیابی دلیریوم آن‌ها مثبت بود، فعالیت‌های هدفمند به‌مراتب کمتری داشتند؛ از جمله کمتر به دیگران نگاه می‌کردند و کمتر با اطرافیان ارتباط برقرار می‌کردند. این یافته میان مشاهدات رفتاری ثبت‌شده توسط سامانه و نتایج ارزیابی دلیریوم ارتباط نشان می‌دهد، اما صرفاً بیانگر یک همبستگی است. این پژوهش ثابت نمی‌کند که استفاده از TRACER باعث تشخیص زودتر دلیریوم یا بهبود روند بهبودی بیماران می‌شود.

پژوهشگران می‌گویند TRACER بدون آموزش اختصاصی با داده‌های بیماران طراحی شده است؛ به این معنا که هیچ‌یک از اطلاعات بیماران برای آموزش این سامانه استفاده نشده است. هدف آن‌ها جلوگیری از وابستگی به مدل‌هایی است که با داده‌های یک مرکز درمانی آموزش می‌بینند و ممکن است در بیمارستان‌های دیگر عملکرد مناسبی نداشته باشند. گروه پژوهشی همچنان در حال بهبود این نمونه اولیه است، اما تصمیم‌گیری درباره وضعیت بیمار همچنان بر عهده پزشکان خواهد بود؛ آن‌ها با استفاده از گزارش‌ها و تصاویر ثبت‌شده ارزیابی را انجام می‌دهند و این تصمیم به مدل هوش مصنوعی واگذار نمی‌شود.

منابع

  1. TRACER: چارچوبی چندوجهی برای مراقبت از بیماران در بیمارستان‌ها — arxiv.org
  2. سامانه ویدئویی مبتنی بر هوش مصنوعی برای پایش نشانه‌های اولیه دلیریوم در بیماران مراقبت‌های ویژه — Stanford HAI