شخصی سازی مراقبت های بهداشتی زنان با هوش مصنوعی

زمان مطالعه: 3 دقیقه

تیم سیمپسون، مدیر کل Hologic UK & Ireland پتانسیل هوش مصنوعی را برای بهبود دسترسی به تشخیص هدفمند و شخصی بررسی می کند و آنچه را که برای شخصی سازی واقعی مراقبت های بهداشتی با هوش مصنوعی لازم است بررسی می کند.

نوآوری در فناوری قرار است مراقبت های بهداشتی را در آینده شکل دهد و همانطور که به دنبال بازگشت از COVID-19 هستیم، باید بررسی کنیم که چگونه می توانیم از قدرت هوش مصنوعی (AI) برای تغییر و شخصی سازی مراقبت های بهداشتی زنان استفاده کنیم.

هدف دولت این است که بریتانیا را در خط مقدم انقلاب هوش مصنوعی و داده در تشخیص زودهنگام، نوآوری، پیشگیری و درمان قرار دهد.[i]. ما باید از این تمرکز بر هوش مصنوعی استفاده کنیم تا بفهمیم که چگونه می تواند شناسایی زنان در معرض خطر بالای بیماری مانند سرطان را تسهیل کند تا از تشخیص سریع و دسترسی به درمان اطمینان حاصل کنیم.

مسائل مربوط به مراقبت‌های بهداشتی زنان جدید نیست، با این حال همه‌گیری COVID-19 نیاز به فوریت در بهبود نتایج بهداشتی برای زنان، مقابله با نابرابری‌های بهداشتی و ایجاد مسیر بهبود یافته برای بیمار از طریق غربالگری شخصی را تسریع کرده است.

یک اندازه برای همه مناسب نیست

هوش مصنوعی پتانسیل بهبود دسترسی به تشخیص هدفمند و شخصی را دارد.

در حالی که هوش مصنوعی در برخی از برنامه‌های غربالگری سرطان پذیرفته شده است، آنچه اکنون باید ببینیم حرکتی به سمت یک سیستم غربالگری اولویت‌دار و ارزیابی‌شده خطر به جای رویکرد یک اندازه متناسب با همه است.

غربالگری شخصی نیاز به استفاده از هوش مصنوعی برای طبقه بندی خطر برای شناسایی بیماران پرخطر دارد. ما باید چگونگی استفاده از هوش مصنوعی را برای ایجاد یک مولکولی برای تعیین خطر نسبی بررسی کنیم. به عنوان مثال، ما می دانیم که زنان با سینه های متراکم در معرض خطر بیشتری برای ابتلا به سرطان سینه هستند و 40 درصد از زنان اروپایی 40 تا 74 ساله دارای سینه های متراکم هستند.[ii] ما باید اطمینان حاصل کنیم که این زنان به موقع شناسایی می شوند تا بتوان آنها را برای غربالگری در اولویت قرار داد.

شاید این مقاله را هم دوست داشته باشید :  هدف به روز رسانی Slack قرار دادن هوش مصنوعی در مرکز تجربه کاربر است

مطالعه PROCAS 1 و 2 در منچستر به تأثیر ایجاد امتیاز خطر ابتلا به سرطان سینه برای زنان پرداخته است. مطالعات نشان داده است که تقاضای بیماران برای درک خطر وجود دارد، زیرا 94٪ از افرادی که استخدام شده‌اند می‌خواهند امتیاز ریسک خود را بدانند. مطالعات همچنین مزایای مثبت طبقه بندی ریسک را نشان دادند زیرا زنان پس از آن تمایل داشتند تا بر اساس اطلاعات خطر عمل کنند.[iii]

همانطور که اخیراً در یک مطالعه تحقیقاتی در دانشگاه Strathclyde که در حال توسعه یک فناوری جدید هوش مصنوعی برای محاسبه خطر پره اکلامپسی در زنان است، نشان داده شده است که سرمایه‌گذاری در هوش مصنوعی برای تشخیص شخصی‌شده، دلگرم‌کننده است. این ابزار به مجموعه داده‌های بزرگی از زنانی که در پروژه‌های تحقیقاتی قبلی شرکت کرده‌اند، با در نظر گرفتن طیفی از عوامل از جمله قومیت، وضعیت اجتماعی-اقتصادی و جزئیات بارداری فعلی زنان، نگاه می‌کند.[iv]

مجموعه داده های متنوع کلیدی برای شخصی سازی واقعی مراقبت های بهداشتی با هوش مصنوعی است

برای اینکه هوش مصنوعی بتواند واقعاً مراقبت های بهداشتی را متحول کند، مجموعه داده ها باید شامل همه عوامل خطر باشند و بر یک جمعیت شناسی خاص تمرکز نکنند.

محققان دانشگاه لافبورو اخیراً از مطالعه جدیدی با استفاده از هوش مصنوعی برای کاهش خطرات زنان سیاه پوست باردار خبر دادند. این تیم با همکاری شعبه بررسی ایمنی مراقبت های بهداشتی، صدها تحقیق را در مورد پیامدهای نامطلوب در دوران بارداری و تولد بررسی خواهد کرد. آنها از یادگیری ماشینی برای شناسایی عوامل خطر و در نتیجه طراحی روش هایی برای بهبود مراقبت از زنان باردار و نوزادان استفاده خواهند کرد.[v]

شاید این مقاله را هم دوست داشته باشید :  RQM+ خدمات کارآزمایی بالینی را برای تکمیل پیشنهاد CRO راه اندازی می کند

دسترسی به مجموعه داده‌های متنوع، درک عمیق‌تری از چگونگی پیشرفت بیماری در میان جمعیت‌های مختلف را امکان‌پذیر می‌کند و برای اطمینان از پروفایل دقیق و بی‌طرفانه بیماران بسیار مهم است. هرچه نقاط داده بیشتری داشته باشید، پایگاه داده بزرگتر و هوش مصنوعی دقیق تر است.

در حالی که پیشرفت قابل توجهی در پذیرش هوش مصنوعی برای بهبود مراقبت‌های بهداشتی صورت گرفته است، همانطور که ما بر اساس نوآوری‌ها ساخته می‌شویم، باید از همکاری بین صنعت، پزشکان و محققان اطمینان حاصل کنیم تا قدرت کامل هوش مصنوعی را برای بهبود اساسی سلامت زنان و نجات جان افراد باز کنیم.


[i] GOV.UK [Internet] ماموریت های چالش بزرگ [cited 2022 April 22] موجود در: https://www.gov.uk/government/publications/industrial-strategy-the-grand-challenges/missions

[ii] برگ، WA و وورتسیس A، نویسندگان. استفاده از آموزش برای غلبه بر دسترسی نابرابر به غربالگری مکمل برای زنان با پستان متراکم [Internet] DI Europe: 2020. موجود از: dense-breast-screening-vourtsis-berg-febmch2020-1.pdf (densebreast-info.org)

[iii] مرکز تحقیقات سرطان منچستر [Internet] PROCAS و BC-PREDICT پیش بینی خطر سرطان در غربالگری. [cited 2022 July 22] در دسترس از: https://www.mcrc.manchester.ac.uk/impact-case-studies/procas-and-bc-predict/

[iv] دانشگاه Strathclyde Glasgow [Internet] بودجه برای فناوری هوش مصنوعی که برای محاسبه خطر پره اکلامپسی استفاده می شود [cited April 26 2022] در دسترس از: https://www.strath.ac.uk/whystrathclyde/news/2021/fundingforaitechnologyusedtocalculatepre-eclampsiarisk/

[v] دانشگاه لافبورو [Internet] تحقیقات جدید Loughborough از هوش مصنوعی برای کمک به کاهش آسیب مادر در میان مادران از گروه‌های قومی سیاه پوست استفاده می‌کند. [cited July 19 2022] موجود در: https://www.lboro.ac.uk/departments/compsci/news/2021/new-research-help-reduce-maternal-harm/

امتیاز بدهید

لینک کوتاه مقاله : https://5ia.ir/HwQ
کوتاه کننده لینک
کد QR :
اشتراک گذاری
سروناز مقدم پور

سروناز مقدم پور

سروناز مقدم پور هستم کارشناس مهندسی کامپیوتر و مدیر وبسایت نود و هشت زوم. چندین سال است که در حوزه وب فعالیت می کنم و تخصص های اصلیم طراحی سایت و سئو است بعد از یادگیری علاقه زیادی به آموزش دادن دارم

شاید این مطالب را هم دوست داشته باشید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *