Ar dirbtinis intelektas gali padėti gydyti psichikos ligas?
Naujai paskelbtas Orhuso universiteto ir Centrinės Danijos regiono psichiatrijos tarnybos tyrimas rodo, kad atsakymas yra „taip“.
Čia mokslininkų grupė sukūrė mašininio mokymosi algoritmą, kuris, analizuodamas elektroninių sveikatos įrašų duomenis, „išmoko“ atpažinti pacientus, kuriems yra padidėjusi priverstinio patekimo rizika.
„Tai yra svarbus žingsnis kryptingesnio gydymo psichiatrinėje tarnyboje link. Manome, kad ši technologija gali pagerinti mūsų gebėjimą padėti pacientams, kol jie nesuserga taip, kad prireiktų priverstinio priėmimo”, – sako profesorius Sørenas Dinesenas Østergaardas iš Klinikinės medicinos katedros. Orhuso universitetas ir Centrinės Danijos regiono psichiatrinės tarnybos, kurie prisidėjo prie tyrimo.
Išvados paskelbtos žurnale Psichologinė medicina.
Klinikinio įvertinimo priedas
Mašininio mokymosi algoritmas, išleidžiant iš savanoriško stacionarinio gydymo, gali nustatyti pacientus, kuriems per ateinančius šešis mėnesius yra didelė priverstinio priėmimo rizika.
Kiekvienam 100 pacientų algoritmas nustato kaip didelę riziką, maždaug 36 pacientai bus priverstinai priimti per ateinančius šešis mėnesius. Ir atvirkščiai, iš 100 pacientų, kuriems nustatyta maža rizika, apie 97 nebus priverstinai priimami.
„Mašininio mokymosi algoritmas nėra tobulas, bet pakankamai tikslus, kad turėtume apsvarstyti, ar jį galima naudoti kaip sprendimų priėmimo įrankį. Svarbu pabrėžti, kad algoritmas negali pakeisti klinikinio įvertinimo, o būti naudojamas kaip papildomas šaltinis. informacijos, leidžiančios priimti labiau pagrįstus klinikinius sprendimus“, – sako Østergaardas.
„Jei taikant algoritmą būtų nustatyta, kad pacientas, kuriam yra didelė priverstinio priėmimo rizika išrašymo metu, galėtume, pavyzdžiui, planuoti labai atidų ambulatorinį stebėjimą, kad būtų galima kuo anksčiau nustatyti ir gydyti paciento būklės pablogėjimą.
Mokymasis iš tūkstančių pacientų atvejų
Tyrimas pagrįstas elektroninių sveikatos įrašų duomenimis iš 50 634 savanoriško gydymo stacionare Centrinės Danijos regiono psichiatrijos tarnybose 2013–2021 m.
Mašininio mokymosi algoritmas išanalizavo ryšį tarp maždaug 1800 kintamųjų iš elektroninių sveikatos įrašų, įskaitant diagnozes, vaistus, ankstesnes priverstines priemones ir klinikines pastabas, ir vėlesnį priverstinį priėmimą.
„Tai reiškia, kad mašininio mokymosi algoritmas pasimokė iš ankstesnio tūkstančių pacientų gydymo, kad būtų naudingas būsimiems pacientams“, – sako Østergaardas.
Ankstyvas fizinių ligų nustatymas
Priverstinio priėmimo numatymas yra tik vienas pavyzdys, kaip galima panaudoti šią technologiją.
Tyrimo grupės išvados taip pat rodo, kad mašininis mokymasis gali būti naudojamas prognozuojant širdies ir kraujagyslių ligų bei 2 tipo diabeto išsivystymą pacientams, gydomiems psichiatrijos tarnybose.
„Vidutinė žmonių, sergančių sunkia psichikos liga, gyvenimo trukmė yra žymiai trumpesnė nei visos populiacijos, o širdies ir kraujagyslių ligos bei 2 tipo diabetas labai prisideda prie šio per didelio mirtingumo“, – aiškina Østergaardas.
„Remiantis mūsų tyrimais, mašininis mokymasis gali leisti mums anksčiau aptikti ir gydyti šias ligas. Kai kuriais atvejais galime net užkirsti kelią jų vystymuisi.”
Mašininiam mokymuisi reikia didelių duomenų
Mašininis mokymasis remiasi dideliais duomenų rinkiniais, siekiant užtikrinti, kad sukurti algoritmai būtų pakankamai tikslūs.
Naujai pradėtame projekte tyrimų grupė tiria, ar mašininis mokymasis gali numatyti ligoninių pacientų širdies ir kraujagyslių ligas bei 2 tipo diabetą (nepriklausomai nuo to, kuriame skyriuje jie buvo gydomi), analizuodama maždaug 1,4 mln. suaugusių pacientų iš ligoninių elektroninius sveikatos įrašų duomenis. Centrinės Danijos regionas.
„Darbas su tokiais dideliais sveikatos įrašų duomenų kiekiais yra susijęs su didele atsakomybe, į kurią žiūrime labai rimtai“, – sako Østergaard, pabrėždamas didelį šios tyrimų srities potencialą.
„Daugiai sveikatos priežiūros duomenų, kuriuos mūsų visuomenė sukūrė per dešimtmečius, slypi didžiulis žinių kiekis. Dabar naujos technologijos gali padėti iškelti šias žinias į paviršių, kur jos gali būti naudingos atskiriems pacientams.”