پیشبینی شدت کووید-۱۹ با هوش مصنوعی: مدل یادگیری عمیق بر اساس دادههای روز اول پذیرش

پیشبینی شدت کووید-۱۹ با هوش مصنوعی مدل یادگیری عمیق بر اساس دادههای روز اول پذیرش, دانشیار گروه مهندسی پزشکی دانشگاه علوم پزشکی شهید بهشتی، احمد شالباف، با اشاره به گسترش جهانی شیوع کووید-۱۹ و اثرات مخرب آن بر اقتصاد و زیرساختهای بهداشتی، از ابداع یک سامانه پیشبینی اتوماتیک مبتنی بر یادگیری عمیق خبر داد.

این مدل با تحلیل دادههای دموگرافی، بالینی و آزمایشگاهی روز اول پذیرش بیمار، شدت پیشرفت بیماری را با دقت و حساسیت بالا پیشبینی میکند. اهمیت پیشبینی زودهنگام در مدیریت بیماری شالباف توضیح داد که کووید-۱۹ طیف وسیعی از علائم از خفیف تا سندرم زجر تنفسی حاد (ARDS) را پوشش میدهد. بیماران دچار ARDS به مراقبتهای اختصاصی (ICU) و ونتیلاتور نیاز دارند.

پیشبینی دقیق شدت بیماری در لحظه پذیرش، به تیمهای پزشکی کمک میکند تا منابع بیمارستانی، از جمله تختهای مراقبتهای شدید، را بهینه تخصیص دهند و خطر مرگومیر را کاهش دهند. عوامل موثر بر شدت بیماری بر اساس این تحقیق، متغیرهای پیشبینیکننده به سه دسته تقسیم میشوند ویژگیهای دموگرافی سن، جنس، چاقی، سابقه سیگاری و وضعیت اقتصادی. بیماریهای زمینهای دیابت، فشار خون بالا، بیماریهای مزمن ریه، سرطان، بیماری کلیه و امراض قلبیعروقی.

نشانههای حیاتی و آزمایشگاهی دمای بدن، اشباع اکسیژن، فشار خون، ضربان قلب و نرخ تنفس. برتری مدل پیشنهادی وی تأکید کرد که نکته کلیدی این پژوهش، استفاده از دادههای روز اول پذیرش است. برخلاف مدلهایی که نیاز به روند زمانی دارند، این سامانه بلافاصله پس از ثبتنام بیمار، پیشبینی را انجام میدهد تا تصمیمگیری سریع برای بستری یا مراقبتهای امکانپذیر شود.

محققان با بهرهگیری از الگوریتمهای شبکه عصبی عمیق، موفق شدند رابطه بین متغیرهای مستقل و تشدید بیماری را استخراج و به فاکتورهای پیشبینیکننده تبدیل کنند.