الگوریتمی که از دهها هزار نسخه تغذیهای برای نوزادان نارس آموخته شده است، میتواند خطاهای پزشکی را کاهش دهد و مواد مغذی مورد نیاز کوچکترین بیماران را بهتر شناسایی کند.
هوش مصنوعی میتواند تغذیه وریدی را برای نوزادان نارس بهبود بخشد یک مطالعه پزشکی استنفورد نشان داده است. جدید طب طبیعی مطالعه تا حدودی به لطف نیکوکاری امکانپذیر شد - و جزو اولین مواردی است که نشان میدهد چگونه یک الگوریتم هوش مصنوعی میتواند پزشکان را قادر سازد تا تصمیمات بالینی بهتری برای نوزادان بیمار بگیرند.
این الگوریتم از اطلاعات موجود در پروندههای پزشکی الکترونیکی نوزادان نارس برای پیشبینی مواد مغذی مورد نیاز آنها و به چه مقدار استفاده میکند. این ابزار هوش مصنوعی بر اساس دادههای تقریباً ۸۰،۰۰۰ نسخه قبلی برای تغذیه وریدی آموزش دیده است که با اطلاعاتی در مورد نحوهی زندگی بیماران کوچک مرتبط است.
محققان گفتند که استفاده از هوش مصنوعی برای کمک به تجویز تغذیه وریدی میتواند خطاهای پزشکی را کاهش دهد، در زمان و هزینه صرفهجویی کند و مراقبت از نوزادان نارس را در محیطهای کمدرآمد آسانتر کند. تغذیه وریدی که به عنوان تغذیه کامل تزریقی نیز شناخته میشود، تنها راه برای تغذیه نوزادان نارسی است که قبل از بلوغ سیستم گوارششان برای جذب مواد مغذی به دنیا میآیند.
هرگز یک پیشرفت غیرمنتظره را از دست ندهید!
برای دریافت آخرین اخبار در حوزه سلامت مادر و کودک - در مجله سلامت کودکان دانشگاه استنفورد و فراتر از آن - ثبت نام کنید!
نویسنده ارشد این مطالعه گفت: «در حال حاضر، ما برای هر نوزاد، به صورت جداگانه و هر روز، یک نسخه TPN تهیه میکنیم. ما آن را از ابتدا تهیه کرده و در اختیار آنها قرار میدهیم.» نیما آقایی پور، دکترا، دانشیار بیهوشی، طب قبل از عمل و درد و اطفال. «تغذیه کامل وریدی، بزرگترین منبع خطای پزشکی در بخشهای مراقبتهای ویژه نوزادان، هم در ایالات متحده و هم در سطح جهان است.»
این فرآیند نه تنها مستعد خطا است، بلکه تشخیص اینکه آیا فرمول را درست انتخاب کردهاند را نیز برای پزشکان دشوار میکند. برای مثال، هیچ آزمایش خونی برای اندازهگیری اینکه آیا یک نوزاد نارس روزانه تعداد کالری مناسبی دریافت کرده است یا خیر، وجود ندارد و برخلاف نوزادان کامل، نوزادان نارس لزوماً هنگام گرسنگی گریه نمیکنند و هنگام سیری رضایت خود را نشان نمیدهند.
یکی از نویسندگان این مطالعه گفت: «تغذیه یکی از حوزههای مراقبتهای ویژه نوزادان است که ما در آن ضعیفترین هستیم.» دیوید استیونسون، پزشک، متخصص نوزادان و استاد هارولد کی. فابر در طب کودکان.
یک فرآیند کند
حدود ۱۰۱TP3T از نوزادان نارس به دنیا میآیند، به این معنی که حداقل سه هفته قبل از تاریخ زایمانشان متولد میشوند. نوزادانی که بیش از حدود هشت هفته زودتر به دنیا میآیند، آماده جذب مواد مغذی از طریق روده خود نیستند و نیاز به تغذیه وریدی دارند. علاوه بر این، برخی از نوزادان نارس عوارض گوارشی ناشی از زایمان زودرس را تجربه میکنند و در حالی که روده در حال بهبود است، به تغذیه وریدی نیاز دارند.
در حال حاضر، تغذیه وریدی (IV) روزانه برای این بیماران به صورت جداگانه تجویز میشود. بیماران به درشت مغذیها، واحدهای سازنده مولکولی پروتئین، چربی و کربوهیدراتها؛ ریز مغذیها مانند ویتامینها، مواد معدنی و الکترولیتها؛ و داروهایی مانند هپارین که برای کاهش خطر لخته شدن خون به محلول تزریقی اضافه میشود، نیاز دارند. تجویزهای فعلی بر اساس عواملی مانند وزن نوزاد، مرحله رشد و نتایج آزمایشهای آنها است.
ارائه این نسخهها نیازمند دریافت نظرات شش متخصص است که طی یک فرآیند چند ساعته با هم همکاری میکنند: یک متخصص نوزادان یا داروساز هر نسخه را مینویسد که توسط یک متخصص تغذیه از نظر ترکیب مواد مغذی و توسط یک داروساز دیگر از نظر ایمنی بررسی میشود. نسخه به یک داروخانه ترکیبی میرود، جایی که آماده میشود، سپس به بخش مراقبتهای ویژه نوزادان میرود، جایی که یک پرستار سرم را به بیمار میدهد و پرستار دوم دوباره بررسی میکند که آیا هر بیمار داروی صحیح را دریافت کرده است یا خیر.
یکی از نویسندگان این مطالعه گفت: «این یک داروی پرخطر است زیرا ترکیبی از چیزهای مختلف است.» شبنم گسکری، PharmD، مدیر اجرایی و مدیر ارشد داروسازی در Stanford Medicine Children's Health. «اگر TPN های آماده مصرف تولید میکردیم، بسیار مفید میبود. فکر میکنم برای بیماران ایمنتر میبود.»
به سوی فرمولهای استاندارد
محققان این سوال را مطرح کردند که آیا میتوانند از هوش مصنوعی برای کمک به بیمارستانها در تهیه فرمولهای مغذی آماده مصرف و تولید شده استفاده کنند.
الگوریتم هوش مصنوعی آنها بر اساس دادههای الکترونیکی پروندههای پزشکی ۱۰ ساله از بخش مراقبتهای ویژه نوزادان در بیمارستان کودکان لوسیل پاکارد استنفورد، شامل ۷۹۷۹۰ نسخه برای تغذیه وریدی از ۵۹۱۳ بیمار نارس، آموزش داده شد. این الگوریتم همچنین به اطلاعات مربوط به نتایج پزشکی بیماران دسترسی داشت و این امر آن را قادر میساخت تا الگوهای ظریفی را که سطح مواد مغذی را به سلامت نوزادان مرتبط میکرد، پیدا کند. اگرچه پزشکان همیشه هر نسخه قبلی را دقیقاً درست تجویز نکرده بودند، اما حجم دادهها به غلبه بر این مشکل کمک کرد و الگوریتم را قادر ساخت تا به طور کلی در مورد آنچه برای نوزادان در موقعیتهای مختلف پزشکی مؤثر است، بیاموزد.
آقایی پور گفت: «این یکی از نقاط قوت هوش مصنوعی است: گاهی اوقات دادههای ناقص به اندازه کافی خوب هستند، به شرطی که مقدار زیادی از آنها را داشته باشید.»
پس از آموزش بر اساس دادههای یک دهه بیمار، الگوریتم، نسخههای غذایی مشابه را گروهبندی کرد تا مشخص کند که چه تعداد فرمول استاندارد، تمام نیازهای تغذیهای بیماران را برآورده میکند و چه موادی در هر کدام قرار میگیرد.
آقایی پور گفت: «ما از خودمان پرسیدیم: اگر سه فرمول استاندارد، یا ۱۰ یا ۱۰۰ فرمول بسازیم چه؟ معلوم شد که با ۱۵ فرمول متمایز برای تغذیه وریدی، آنچه شما توصیه میکنید بسیار شبیه به کاری است که پزشکان، داروسازان و متخصصان تغذیه به هر حال انجام میدادند. اما در این صورت میتوان از این ۱۵ فرمول مبتنی بر هوش مصنوعی برای بهبود قابل توجه سرعت و ایمنی استفاده کرد.»
علاوه بر این، محققان نشان دادند که الگوریتم هوش مصنوعی میتواند از دادههای پروندههای پزشکی الکترونیکی بیماران برای پیشبینی اینکه هر نوزاد ممکن است به کدام یک از ۱۵ شیر خشک نیاز داشته باشد، استفاده کند و میتواند توصیهها را هر روز، با رشد بیماران و تغییر وضعیت پزشکی آنها، تنظیم کند. بنابراین، الگوریتم ممکن است توصیه کند که یک نوزاد خاص به مدت پنج روز به شیر خشک شماره ۸، سپس به مدت یک هفته به شیر خشک شماره ۳، سپس به مدت چند روز به شیر خشک شماره ۱۴ و غیره نیاز دارد.
برای آزمایش اینکه این رویکرد چگونه با نسخههای واقعی مقایسه میشود، تیم تحقیقاتی آزمایشی را برای 10 متخصص نوزادان ایجاد کرد: به پزشکان اطلاعات بالینی بیماران گذشته، در کنار نسخههای تغذیهای داخل وریدی که واقعاً دریافت کرده بودند و نسخههایی که الگوریتم توصیه میکرد، نشان داده شد. به پزشکان گفته نشد که کدام نسخه مربوط به کدام نسخه است؛ از آنها پرسیده شد که کدام نسخه را بهتر میدانند. پزشکان همواره نسخههای تولید شده توسط هوش مصنوعی را به نسخههای واقعی ترجیح دادند.
محققان همچنین از هوش مصنوعی برای اسکن سوابق پزشکی الکترونیکی بیماران گذشته استفاده کردند و به دنبال مواردی بودند که نسخه تغذیهای واقعی بیمار کاملاً با آنچه هوش مصنوعی توصیه میکرد، متفاوت بود. آنها دریافتند که برای این بیماران، خطر مرگ و میر، سپسیس و بیماری روده به طور قابل توجهی بالاتر از بیمارانی بود که نسخههای آنها با آنچه هوش مصنوعی توصیه میکرد، مطابقت داشت.
این تیم همچنین مدل هوش مصنوعی را با استفاده از دادههای واقعی دانشگاه کالیفرنیا، سانفرانسیسکو (شامل ۶۳۲۷۳ نسخه تغذیهای از ۳۴۱۷ بیمار) اعتبارسنجی کرد و دریافت که این مدل در پیشبینی نیازهای مواد مغذی برای این جمعیت نیز عملکرد خوبی داشته است.
مراحل اجرا
گام بعدی، اجرای یک کارآزمایی بالینی تصادفی خواهد بود که در آن برخی از بیماران با استفاده از روش دستی، نسخههای مواد مغذی دریافت میکنند و برخی دیگر نسخههای توصیهشده توسط هوش مصنوعی را دریافت میکنند و محققان نحوهی عملکرد هر گروه را بررسی میکنند.
با فرض اینکه سیستم پیادهسازی شود، این تیم قصد دارد پزشکان و داروسازان را به بررسی توصیههای هوش مصنوعی و تنظیم نسخهها در صورت لزوم وادار کند.
مشارکتکنندگان و حامیان
دانشمندانی از دانشکده پزشکی کک دانشگاه کالیفرنیای جنوبی و بیمارستان کودکان لسآنجلس در این تحقیق مشارکت داشتند.
این کار توسط مؤسسات ملی بهداشت (کمک هزینه R35GM138353)، مرکز ملی علوم پیشرفته کاربردی (کمک هزینه UL1TR001872)، مؤسسه ملی سلامت کودک و توسعه انسانی یونیس کندی شرایور (کمک هزینه R42HD115517)، صندوق خوشامدگویی باروز، مارس آو دایمز، بنیاد آلفرد ای. مان، مؤسسه تحقیقات سلامت مادر و کودک استنفورد از طریق برنامه تحقیقات کاربردی SPARK استنفورد، صندوق فناوری با تأثیر بالا استنفورد و بیودیزاین استنفورد پشتیبانی شده است. این پروژه همچنین توسط مرکز ملی علوم پیشرفته کاربردی، مؤسسات ملی بهداشت، از طریق مؤسسه علوم بالینی و کاربردی UCSF پشتیبانی شده است.
هدیه دادن برای حمایت از تحقیقات نوآورانه و مراقبت از مادران و نوزادان در بیمارستان کودکان لوسیل پاکارد در استنفورد و سراسر جهان.
