نوشته شانیا کندی
بر اساس مطالعه‌ای که امروز در مجله منتشر شد، محققان دانشگاه پیتزبورگ (Pitt) و UPMC اپلیکیشنی برای گوشی‌های هوشمند ایجاد کرده‌اند که از هوش مصنوعی (AI) برای تشخیص عفونت‌های گوش، به‌ویژه اوتیت میانی حاد (AOM) در کودکان کودکان استفاده می‌کند. JAMA اطفال.
این تیم تحقیقاتی تاکید کرد که تشخیص AOM در مراقبت های اولیه می تواند یک چالش باشد، زیرا تشخیص بین آن و سایر بیماری های گوش نیاز به آموزش فشرده دارد. این مانع با این واقعیت تشدید می شود که AOM در کودکان رایج است و نیاز به درمان با آنتی بیوتیک دارد. تلاش پزشکان برای تمایز بین AOM و سایر شرایط می تواند منجر به استفاده غیر ضروری از آنتی بیوتیک شود.
آلخاندرو هوبرمن، نویسنده ارشد، استاد اطفال و مدیر بخش عمومی اطفال آکادمیک در دانشکده پزشکی پیت و رئیس بخش اطفال جامعه کودکان UPMC، در بیانیه مطبوعاتی که با HealthITAnalytics. “تشخیص کمتر منجر به مراقبت ناکافی می شود و تشخیص بیش از حد منجر به درمان غیر ضروری آنتی بیوتیکی می شود که می تواند اثربخشی آنتی بیوتیک های موجود در حال حاضر را به خطر بیندازد. ابزار ما به تشخیص صحیح و راهنمایی درمان مناسب کمک می کند.
اپلیکیشن گوشی هوشمند با تجزیه و تحلیل ویدئوهای کوتاه پرده گوش که با استفاده از اتوسکوپ گرفته شده است، کار می کند، که می تواند به ثبت یافته های بصری ظریف کلیدی برای تشخیص دقیق AOM کمک کند. محققان خاطرنشان کردند که AOM اغلب با اوتیت میانی همراه با افیوژن اشتباه گرفته می شود، وضعیتی که معمولاً شامل باکتری یا استفاده از آنتی بیوتیک ها نمی شود.
هابرمن می گوید: پرده گوش یا پرده تمپان، یک قطعه نازک و صاف از بافت است که در سراسر کانال گوش کشیده می شود. “در AOM، پرده گوش مانند یک نان شیرینی برآمدگی می کند و یک ناحیه مرکزی فرورفتگی را که شبیه به سوراخ شیرینی شیرینی می باشد، بر جای می گذارد. در مقابل، در کودکان مبتلا به اوتیت میانی همراه با افیوژن، برآمدگی پرده تمپان وجود ندارد.
این ابزار برای ثبت ویژگی های پرده گوش مانند شکل، رنگ، شفافیت و موقعیت طراحی شده است تا به پزشکان در تشخیص کمک کند.
برای توسعه این برنامه، تیم تحقیقاتی 1151 ویدیوی آموزشی را جمع‌آوری و حاشیه‌نویسی کرد که به پرده‌های تمپان 635 کودکی که از سال 2018 تا 2023 در UPMC مراقبت‌های سرپایی دریافت کردند، شرح داد. یا AOM یا بدون AOM.
دو مدل هوش مصنوعی – یک شبکه عصبی عمیق باقیمانده بازگشتی و یک شبکه درخت تصمیم – بر روی 921 ویدیو از این مجموعه آموزش داده شدند و عملکرد آنها با استفاده از 230 ویدیوی باقیمانده ارزیابی شد.
هر دو مدل عملکرد بالایی را نشان دادند و به دقت مشابهی دست یافتند. الگوریتم شبکه عصبی عمیق باقیمانده بازگشتی نهایی به حساسیت 93.8 درصد و ویژگی 93.5 درصد رسید، در حالی که مدل درخت تصمیم 93.7 درصد حساسیت و 93.3 درصد ویژگی را نشان داد.
تیم تحقیقاتی تاکید کرد که مطالعات قبلی نشان داده است که دقت پزشکان در تشخیص AOM بین 30 تا 84 درصد است.
هوبرمن اظهار داشت: «این یافته ها نشان می دهد که ابزار ما از بسیاری از پزشکان دقیق تر است. “این می تواند یک تغییر بازی در تنظیمات مراقبت های بهداشتی اولیه برای حمایت از پزشکان در تشخیص دقیق AOM و هدایت تصمیمات درمانی باشد.”
علاوه بر پتانسیل تشخیصی آن، محققان همچنین پتانسیل این ابزار را برای استفاده در آموزش بیمار و ارائه دهنده برجسته کردند.
هوبرمن گفت: “یکی دیگر از مزایای ابزار ما این است که ویدئوهایی که ما می گیریم را می توان در پرونده پزشکی بیمار ذخیره کرد و با ارائه دهندگان دیگر به اشتراک گذاشت.” ما همچنین می‌توانیم به والدین و کارآموزان – دانشجویان پزشکی و دستیاران – آنچه را که می‌بینیم نشان دهیم و توضیح دهیم که چرا عفونت گوش را تشخیص می‌دهیم یا نداریم. این به عنوان یک ابزار آموزشی و برای اطمینان دادن به والدین از اینکه فرزندشان تحت درمان مناسب است، مهم است.»
با افزایش هیجان در مورد استفاده از ابزارهای هوش مصنوعی مراقبت های بهداشتی، تحقیقات قابل توجهی به این موضوع اختصاص یافته است که چگونه این فناوری ها می توانند تشخیص و پشتیبانی تصمیم بالینی را بهبود بخشند.
با این حال، برخی از محققان در مورد اینکه چگونه این ابزارها و جمع آوری داده های مورد نیاز برای پذیرش آنها بر جمعیت های آسیب پذیر مانند کودکان تأثیر می گذارد، ابراز نگرانی کرده اند.
در مصاحبه ماه نوامبر با HealthITAnalyticsیک محقق بالینی هوش مصنوعی از دانشگاه استنفورد توسعه چارچوب ACCEPT-AI – مجموعه‌ای از دستورالعمل‌ها برای گنجاندن ایمن داده‌های کودکان در تحقیقات هوش مصنوعی و یادگیری ماشینی – را شرح داد و در مورد اینکه چگونه محققان و تنظیم‌کننده‌ها می‌توانند از منافع کودکان در زمینه محافظت کنند بحث کرد. چنین تحقیقاتی