عملکرد درخشان هوش مصنوعی در پیش‌بینی بقای بیماران پیوند کلیه

در سال‌های اخیر، استفاده از هوش مصنوعی در پزشکی رشد چشمگیری داشته و اکنون پژوهشگران در تلاش‌اند از این فناوری برای پیش‌بینی موفقیت پیوند کلیه بیماران بهره ببرند. پژوهشی تازه، به بررسی کارایی این روش‌ها پرداخته است.

به گزارش ایسنا، پیوند کلیه یکی از درمان‌های حیاتی برای بیماران مبتلا به نارسایی کلیه است؛ بیماری‌ای که طبق آمار جهانی، حدود ۱۵ درصد از جمعیت را درگیر می‌کند. این عمل می‌تواند کیفیت زندگی بیماران را به‌طور چشمگیری افزایش دهد، اما همواره چالش بزرگی به نام «پاسخ ایمنی بدن» در برابر کلیه پیوندی وجود دارد که ممکن است باعث پس‌زدن آن شود. به‌طور میانگین، حدود ۱۵ درصد از بیماران دچار این مشکل می‌شوند. از سوی دیگر، کمبود اندام‌های اهدایی نیز یکی از موانع اصلی درمان است. انتخاب دقیق جفت اهداکننده و گیرنده مناسب نقش مهمی در افزایش موفقیت پیوند دارد و همین موضوع پژوهشگران را به‌سمت یافتن ابزارهای دقیق‌تر و هوشمندتر برای پیش‌بینی سرنوشت بیماران پس از پیوند سوق داده است.

در دهه اخیر، استفاده از هوش مصنوعی در علوم پزشکی به‌ویژه در تحلیل داده‌های پیچیده بیماران گسترش یافته است. این فناوری می‌تواند با بررسی حجم بزرگی از اطلاعات، الگوهایی را کشف کند که روش‌های آماری سنتی قادر به تشخیص آن‌ها نیستند. در زمینه پیوند کلیه نیز داده‌های بیمارستانی محدود و پیچیده‌اند و همین مسئله استفاده از روش‌های آماری معمول را دشوار می‌کند. الگوریتم‌های هوش مصنوعی، با توانایی یادگیری از داده‌ها و تغییر خروجی خود متناسب با هدف، ابزار قدرتمندی برای شناسایی عوامل مؤثر بر بقای کلیه پیوندی محسوب می‌شوند. این روش‌ها می‌توانند نه‌تنها پیش‌بینی دقیق‌تری از احتمال موفقیت پیوند ارائه دهند، بلکه با تحلیل الگوهای پنهان در داده‌ها، به پزشکان در تصمیم‌گیری بهتر کمک کنند.

در این رابطه، امین گلاب‌پور، استادیار انفورماتیک پزشکی از گروه مهندسی کامپیوتر دانشکده پیراپزشکی دانشگاه علوم پزشکی شاهرود، به همراه یکی از همکاران دانشگاهی خود و با همکاری دانشگاه آزاد اسلامی میبد، مطالعه‌ای مروری انجام داده‌اند. هدف آن‌ها بررسی پژوهش‌های انجام‌شده درباره نقش الگوریتم‌های هوش مصنوعی در پیش‌بینی مدت بقای بیماران پیوند کلیه بوده است. این گروه، بدون اجرای آزمایش بالینی جدید، با تحلیل مطالعات موجود تلاش کرده‌اند تا تصویری روشن از وضعیت فعلی تحقیقات و نقاط قوت و ضعف روش‌های مختلف به دست آورند.

در این مطالعه مروری نظام‌مند، پژوهشگران تمام مقالات مرتبط با موضوع را از پایگاه‌های علمی معتبر از جمله پابمد، اسکوپوس و Web of Science استخراج کردند. در ادامه، مقالات بر اساس معیارهایی مانند حجم نمونه، نوع الگوریتم هوش مصنوعی مورد استفاده و شاخص‌های ارزیابی عملکرد بررسی شدند و در نهایت، تیم پژوهشی میزان دقت و تأثیر هر الگوریتم در پیش‌بینی بقای بیماران را با یکدیگر مقایسه کرد.

نتایج این بررسی نشان دادند که از میان مقالات و مطالعات مورد تحلیل، حدود ۴۵ درصد از آن‌ها از الگوریتم‌های شبکه عصبی مصنوعی و مدل‌های دسته‌بندی تجمیعی استفاده کرده‌اند. حدود ۳۵ درصد دیگر از روش‌های رگرسیون آماری بهره برده بودند. بر اساس یافته‌ها، الگوریتم‌های رگرسیونی دقت پایین‌تری نسبت به سایر روش‌ها داشتند، درحالی‌که روش‌های دسته‌بندی تجمیعی توانستند به دقت و حساسیتی بالاتر از ۹۰ درصد دست یابند. همچنین تنها حدود ۲۰ درصد از مقالات از الگوریتم‌های جعبه سفید بهره برده بودند که نشان می‌دهد هنوز شفافیت تصمیم‌گیری در مدل‌های هوش مصنوعی در این حوزه به‌طور کامل محقق نشده است.

به‌طور کلی، نتایج حاکی از آن هستند که کاربرد هوش مصنوعی در پیش‌بینی بقای پیوند کلیه روندی رو به رشد دارد و می‌تواند عملکرد بهتری نسبت به روش‌های سنتی ارائه دهد. بااین‌حال، پژوهشگران تأکید کرده‌اند که برای افزایش اعتماد جامعه پزشکی به این مدل‌ها، باید مطالعات بیشتری با تمرکز بر الگوریتم‌های شفاف‌تر و قابل تفسیر انجام شود.

در بخش تحلیلی‌تر یافته‌ها، پژوهشگران اشاره کرده‌اند که حدود ۲۵ درصد از مطالعات از شبکه‌های عصبی مصنوعی استفاده کرده‌اند و بیش از ۶۰ درصد آن‌ها بر انتخاب ویژگی‌های مؤثر و کاهش ابعاد داده‌ها تمرکز داشته‌اند. بیشترین میزان دقت، حساسیت و ویژگی به‌ترتیب ۹۱.۹، ۹۲.۳ و ۹۰ درصد گزارش شده که توسط الگوریتم‌های دسته‌بندی تجمیعی حاصل شده است. البته داده‌های مورد استفاده در این مطالعات یکسان نبوده‌اند، بنابراین احتمال دارد در شرایط مشابه، شبکه‌های عصبی نیز عملکردی بهتر از خود نشان دهند.

با وجود نتایج امیدوارکننده، یکی از چالش‌های جدی در استفاده از هوش مصنوعی در پزشکی، نبود شفافیت در نحوه تصمیم‌گیری مدل‌هاست. بسیاری از الگوریتم‌ها مانند «جعبه سیاه» عمل می‌کنند و دلیل تصمیم‌های خود را توضیح نمی‌دهند. این موضوع باعث می‌شود متخصصان بالینی در پذیرش نتایج تردید کنند، زیرا بدون دانستن منطق پشت پیش‌بینی‌ها، اعتماد به آن‌ها دشوار است. از سوی دیگر، تفاوت در داده‌ها و نبود استانداردهای واحد برای ارزیابی عملکرد الگوریتم‌ها نیز بازتولید نتایج را سخت می‌کند و می‌تواند اعتبار پژوهش‌ها را کاهش دهد.

گفتنی است این یافته‌های علمی در «مجله دانشگاه علوم پزشکی خراسان شمالی» منتشر شده‌اند؛ نشریه‌ای علمی-پژوهشی وابسته به دانشگاهی معتبر که در انتشار دستاوردهای نوین حوزه سلامت فعالیت دارد.

*