یک تحلیل جدید مبتنی بر هوش مصنوعی از نزدیک به ۱۰,۰۰۰ بارداری، ترکیبهای جدیدی از عوامل خطر را کشف کرده است که پیشتر شناسایی نشده بودند و با پیامدهای منفی جدی بارداری، از جمله مردهزایی، مرتبط هستند.
به گزارش رسانه اخبار پزشکی مدنا، این تحقیق که به تحلیل دادههای گستردهای از اطلاعات بارداری پرداخته است، توانسته روابط پیچیده و پنهان میان ویژگیهای مختلف مادر و جنین را که قبلاً در مطالعات بالینی مورد توجه قرار نگرفته بودند، شناسایی کند. این یافتهها میتوانند چشمانداز جدیدی در ارزیابی ریسک و مدیریت مراقبتهای بارداری ایجاد کنند و در نهایت به بهبود پیشبینیها و کاهش پیامدهای منفی برای مادران و نوزادان منجر شوند.
دکتر ناتان بلو، نویسنده ارشد این مطالعه، میگوید:« مدل هوش مصنوعی که محققان تولید کردهاند، به شناسایی ترکیب واقعاً غیرمنتظرهای از عواملی که با ریسک بالاتر مرتبط هستند کمک کرده است و این مدل گامی مهم در جهت ارزیابی ریسک شخصیشده و مراقبتهای بارداری است.»
محققان با استفاده از یک مجموعه داده موجود از ۹,۵۵۸ بارداری در سراسر کشور شروع کردند که اطلاعاتی در مورد ویژگیهای اجتماعی و فیزیکی از جمله سطح حمایت اجتماعی فرد باردار، فشار خون، سابقه پزشکی و وزن جنین و همچنین نتیجه هر بارداری را شامل میشد. با استفاده از هوش مصنوعی برای شناسایی الگوها در دادهها، آنها ترکیبهای جدیدی از ویژگیهای مادر و جنین را شناسایی کردند که با پیامدهای ناسالم بارداری مانند مردهزایی مرتبط بودند.
معمولاً جنینهای دختر نسبت به جنینهای پسر کمی در معرض ریسک کمتری برای مشکلات بارداری قرار دارند تأثیر کوچک اما شناختهشدهای. اما تیم تحقیقاتی دریافت که اگر فرد باردار دیابت پیشین داشته باشد، جنینهای دختر در مقایسه با پسران در معرض ریسک بالاتری قرار دارند. این الگوی کشفشده قبلاً نشان داده نشده است و نشان میدهد که مدل هوش مصنوعی میتواند به محققان در یادگیری مطالب جدید در مورد سلامت بارداری کمک کند، به گفته بلو، استادیار زایمان و زنان در مدرسه پزشکی اسپنسر فاکس اکلس دانشگاه یوتا.
او میگوید: «این مدل چیزی را شناسایی کرد که میتوان از آن برای اطلاعرسانی در مورد ریسک استفاده کرد که حتی مغز یک پزشک با تجربه و منعطف نیز آن را شناسایی نکرده بود.»
محققان به ویژه علاقهمند به توسعه تخمینهای بهتر ریسک برای جنینهایی در پایینترین ۱۰ درصد وزن بودند، اما نه در پایینترین ۳ درصد. این نوزادها به اندازهای کوچک هستند که نگرانی ایجاد کنند، اما به اندازهای بزرگ که معمولاً سالم هستند. تصمیمگیری در این مورد چالشبرانگیز است: آیا بارداری نیاز به نظارت دقیق پزشکی و احتمالاً زایمان زودهنگام دارد یا بارداری میتواند به طور عمده به روال عادی ادامه یابد؟ دستورالعملهای بالینی فعلی توصیه به نظارت پزشکی دقیق برای تمامی چنین بارداریها دارند که میتواند بار عاطفی و مالی زیادی را به همراه داشته باشد.
اما محققان دریافتند که در این گروه وزنی جنین، ریسک پیامدهای ناسالم بارداری به شدت متغیر بود، از هیچ خطری بیشتر از یک بارداری معمولی تا نزدیک به ده برابر خطر متوسط. این ریسک بر اساس ترکیبی از عواملی مانند جنسیت جنین، وجود یا عدم وجود دیابت پیشین و وجود یا عدم وجود نقص جنینی مانند نقص قلبی بود. بلو تأکید میکند که این مطالعه فقط همبستگیهایی بین متغیرها را شناسایی کرده و اطلاعاتی در مورد آنچه که واقعاً باعث پیامدهای منفی میشود، ارائه نمیدهد.
برای انسانها یا مدلهای هوش مصنوعی، ارزیابی ریسک بارداری نیازمند در نظر گرفتن تعداد زیادی از متغیرها است، از سلامت مادر گرفته تا دادههای سونوگرافی. پزشکان با تجربه میتوانند تمامی این متغیرها را برای اتخاذ تصمیمات مراقبتی فردی بسنجند، اما حتی بهترین پزشکان نیز احتمالاً نمیتوانند دقیقاً محاسبه کنند که چگونه به تصمیم نهایی خود رسیدهاند. عواملی انسانی مانند تعصب، خلق و خو یا کمخوابی تقریباً به طور اجتنابناپذیر وارد عمل شده و میتوانند به طور ظریف تصمیمات را از مراقبت ایدهآل منحرف کنند.
برای کمک به حل این مشکل، محققان از مدلی به نام (هوش مصنوعی قابل توضیح) استفاده کردند که به کاربر ریسک تخمینی برای یک مجموعه از عوامل بارداری را ارائه میدهد و همچنین اطلاعاتی در مورد اینکه کدام متغیرها در این تخمین ریسک مؤثر بودهاند و به چه میزان. برخلاف مدلهای هوش مصنوعی (جعبه سیاه) که به طور عمده حتی برای متخصصان غیرقابل نفوذ است، مدل قابل توضیح (کار خود را نشان میدهد) و منابع تعصب را آشکار میکند تا بتوان به آنها رسیدگی کرد.
در واقع، هوش مصنوعی قابل توضیح انعطافپذیری قضاوتهای بالینی متخصص را شبیهسازی میکند، در حالی که از مشکلات آن جلوگیری میکند. مدل محققان همچنین به طور ویژه برای ارزیابی ریسک در سناریوهای نادر بارداری مناسب است و میتواند پیامدها را برای افرادی با ترکیبهای خاص از عوامل خطر به دقت تخمین بزند. این نوع ابزار در نهایت میتواند به شخصیسازی مراقبت کمک کرده و تصمیمات آگاهانه برای افرادی که شرایط منحصر به فردی دارند، هدایت کند.
محققان هنوز نیاز دارند که مدل خود را در جمعیتهای جدید آزمایش و اعتبارسنجی کنند تا اطمینان حاصل کنند که میتواند ریسک را در موقعیتهای واقعی پیشبینی کند. اما بلو امیدوار است که مدل مبتنی بر هوش مصنوعی قابل توضیح در نهایت بتواند به شخصیسازی ارزیابی ریسک و درمان در طول بارداری کمک کند. او میگوید: «مدلهای هوش مصنوعی اساساً میتوانند ریسکی را تخمین بزنند که خاص به زمینه هر فرد باشد و میتوانند این کار را به طور شفاف و قابل تکرار انجام دهند، چیزی که مغزهای ما قادر به انجام آن نیستند. این نوع توانایی میتواند در سراسر حوزه ما تحولآفرین باشد.»
