เว็บสล็อต , สล็อตแตกง่าย หัว CT scans แนวทางการดูแลผู้ป่วย: การทำนายผลลัพธ์ทางคลินิกในระยะยาวเป็นสิ่งที่ท้าทายในผู้ป่วยที่เป็นโรค TBI ขั้นรุนแรง เนื่องจากอาการโคม่าและลักษณะการถ่ายภาพ เช่น สมองบวมน้ำและเลือดออกในกะโหลกศีรษะ แต่ผู้ป่วยดังกล่าวจำนวนมากมีศักยภาพที่จะฟื้นตัวได้ดี ทีมนักวิจัยในสหรัฐฯ ได้สร้างแบบจำลองการเรียนรู้เชิงลึกที่เป็นนวัตกรรมใหม่ที่วิเคราะห์การสแกน CT
ข้อมูลทางคลินิกเพื่อคาดการณ์ผลลัพธ์
ในหกเดือนสำหรับผู้ป่วยที่มีอาการบาดเจ็บที่สมองอย่างรุนแรง (TBI) นอกเหนือจากการคาดคะเนของศัลยแพทย์ระบบประสาทแล้ว อัลกอรึทึมยังสามารถนำทางผู้ป่วย TBI ไปสู่การดูแลช่วยชีวิตได้อย่างถูกต้อง
การตัดสินใจทางคลินิกที่ดีขึ้น
เป็นส่วนหนึ่งของการวิจัย นักวิทยาศาสตร์ด้านข้อมูลที่คณะแพทยศาสตร์มหาวิทยาลัยพิตต์สเบิร์กทำงานร่วมกับศัลยแพทย์โรคประสาทที่ศูนย์การแพทย์มหาวิทยาลัยพิตต์สเบิร์ก ( UPMC ) เพื่อสร้างแบบจำลองปัญญาประดิษฐ์แบบใหม่ที่ประมวลผลการสแกน CT หลายหัวของผู้ป่วย TBI ขั้นรุนแรง อัลกอริธึมที่อธิบายไว้ในRadiologyยังวิเคราะห์สัญญาณชีพของผู้ป่วย การตรวจเลือด และการทำงานของหัวใจ ตลอดจนการประเมินความรุนแรงของอาการโคม่า
ด้วยการรับรู้ถึงข้อเท็จจริงที่ว่าเทคนิคการถ่ายภาพสมองมีวิวัฒนาการอยู่ตลอดเวลา และคุณภาพของภาพนั้นอาจแตกต่างกันอย่างมากในแต่ละคน ทีมงานได้พิจารณาความไม่สม่ำเสมอของข้อมูลโดยการฝึกอัลกอริทึมบนโปรโตคอลการถ่ายภาพต่างๆ
นักวิจัยนำโดยMatthew PeaseและDooman Arefan ผู้เขียนร่วมคนแรก ได้ตรวจสอบแบบจำลองของพวกเขาโดยการทดสอบกับกลุ่มผู้ป่วยสองกลุ่ม ซึ่งประกอบด้วยผู้ป่วย TBI ระดับรุนแรงมากกว่า 500 รายที่เคยรักษาที่ UPMC และอีก 220 รายจาก 18 สถาบันทั่ว ประเทศผ่านกลุ่ม TRACK-TBI พวกเขาเปรียบเทียบประสิทธิภาพของแบบจำลองกับ แบบจำลอง อิมแพ็คและการคาดคะเนของศัลยแพทย์ระบบประสาทสามคน
แบบจำลองที่พัฒนาแล้วสามารถทำนายความเสี่ยง
ต่อการเสียชีวิตของผู้ป่วยและผลลัพธ์ที่ไม่พึงประสงค์ได้อย่างแม่นยำภายในหกเดือนหลังเหตุการณ์ที่กระทบกระเทือนจิตใจ ที่สำคัญ โมเดลยังคงรักษาความสามารถไว้ได้เมื่อทำการทดสอบในกลุ่มหลายสถาบันที่เป็นอิสระจากกลุ่ม TRACK-TBI แบบจำลองนี้ยังแสดงให้เห็นว่ามีประสิทธิภาพเหนือกว่าการคาดการณ์ของศัลยแพทย์ระบบประสาทสามคนที่เข้าร่วม
ซานตงหวู่
ผู้เชี่ยวชาญด้าน AI: Shandong Wu เป็นรองศาสตราจารย์ด้านรังสีวิทยา วิศวกรรมชีวภาพ และสารสนเทศชีวการแพทย์ที่มหาวิทยาลัย Pittsburgh (มารยาท: UPMC)
ตามที่ผู้เขียนร่วมอาวุโสShandong WuและDavid Okonkwoอธิบายว่า TBI เป็นโรคที่ขัดขวางการทำงานของสมองตามปกติและสามารถนำไปสู่ความพิการทางระบบประสาทอารมณ์และการประกอบอาชีพอย่างถาวร เมื่อรักษาอาการบาดเจ็บดังกล่าว แพทย์ต้องอาศัยการพยากรณ์โรคเพื่อเป็นแนวทางในการรักษาทางคลินิก แต่ยังต้องพยายามพยากรณ์ผลลัพธ์อย่างแม่นยำใน TBI ที่รุนแรง เช่นนี้ Wu ตั้งข้อสังเกตว่ามี “ความต้องการและศักยภาพที่ดีในการใช้ประโยชน์จากข้อมูลทางคลินิกหลายรูปแบบและการเรียนรู้ด้วยเครื่องเพื่อพัฒนารูปแบบการคาดการณ์ที่ขับเคลื่อนด้วยข้อมูลเพื่อปรับปรุงการทำนายผลลัพธ์สำหรับผู้ป่วย TBI ที่รุนแรง”
“เราใช้เทคนิคการเรียนรู้เชิงลึกและการเรียนรู้ตามหลักสูตรเพื่อพัฒนารูปแบบการทำนายที่ประมวลผลข้อมูลการถ่ายภาพ CT ของศีรษะและตัวแปรทางคลินิกอื่นๆ ของผู้ป่วย” Wu กล่าว “ในทางปฏิบัติ แบบจำลองนี้สามารถคาดการณ์โดยอัตโนมัติสำหรับศักยภาพในการฟื้นตัวของผู้ป่วยแต่ละราย เพื่อให้ข้อมูลในการตัดสินใจทางคลินิกและการดูแลผู้ป่วยดีขึ้น”
การคาดการณ์รายบุคคล
Wu ตั้งข้อสังเกตว่าในช่วงไม่กี่ปีที่ผ่านมา แมชชีนเลิร์นนิงและการเรียนรู้เชิงลึกได้เปลี่ยนแปลงการวิเคราะห์ข้อมูลทางการแพทย์และปรับปรุงประสิทธิภาพในการสนับสนุนการวินิจฉัยการตรวจหาโดยใช้คอมพิวเตอร์ช่วยและการแยกโรคทางการแพทย์ แท้จริงแล้ว โมเดลและเครื่องมือที่ใช้แมชชีนเลิร์นนิงจำนวนมากอยู่ภายใต้การตรวจสอบทางวิชาการและการประเมินทางคลินิก
ในมุมมองของ Wu ข้อได้เปรียบหลักของโมเดลใหม่นี้คือสามารถวิเคราะห์ข้อมูลหลายมิติและหลายรูปแบบ เช่น รูปภาพและข้อมูลทางคลินิกที่ไม่เกี่ยวกับภาพ ในลักษณะอัตโนมัติได้อย่างมีประสิทธิภาพ ซึ่งหมายความว่าแมชชีนเลิร์นนิงสามารถเรียนรู้ข้อมูลที่จำเป็นจากข้อมูลที่ซับซ้อนเหล่านี้ ซึ่งอาจเป็นเรื่องยากสำหรับแพทย์ในมนุษย์ที่จะแยกแยะและประมวลผล AI ทำนายอาการโคม่าจากการติดตาม EEG
“วิธีการของเรายังสามารถให้การคาดการณ์เป็นรายบุคคลเมื่อเทียบกับแบบจำลองที่มีอยู่ เช่น แบบจำลองอิมแพ็ค ซึ่งออกแบบมาเพื่อเป็นแนวทางในการทดลองทางคลินิกและไม่พยากรณ์ผู้ป่วยแต่ละราย” เขากล่าว
ในปัจจุบัน แบบจำลองนี้ใช้ข้อมูลที่ได้รับจากการรับผู้ป่วยเข้าห้องฉุกเฉิน แต่ทีมโครงการวางแผนที่จะปรับปรุงเพิ่มเติมโดยรวบรวมข้อมูลตามยาวที่ได้รับระหว่างการดูแลผู้ป่วย TBI
“เรายังวางแผนที่จะสำรวจการประเมินและระบุอุปสรรคที่อาจเกิดขึ้นเกี่ยวกับการปรับใช้แบบจำลองดังกล่าวในขั้นตอนการทำงานและการตั้งค่าทางคลินิก” Wu กล่าวเสริม
หลังการฝึกอบรม นักวิจัยประเมินประสิทธิภาพของแบบจำลองโดยใช้ชุดทดสอบจำนวน 50 ภาพ พวกเขาตรวจสอบค่าการดูดซึมมาตรฐาน (SUVs) ใน 139 รอยโรคและบริเวณปกติของตับและปอด โดยใช้รอยโรคเล็กๆ น้อยๆ สูงสุด 5 รอย และความสนใจในปอดและตับ 5 ปริมาตรต่ออาสาสมัคร เว็บสล็อต , สล็อตแตกง่าย
