Μηχανική μάθηση: Τα μοντέλα τεχνητής νοημοσύνης (AI) μπορεί να βοηθήσουν τους κλινικούς γιατρούς να εντοπίσουν παράγοντες για την πρόβλεψη της μακροπρόθεσμης αποκατάστασης και την καλύτερη εξατομίκευση της θεραπείας των ασθενών.
Τα άτομα με γενικευμένη αγχώδη διαταραχή (GAD), μια κατάσταση που χαρακτηρίζεται από καθημερινή υπερβολική ανησυχία που διαρκεί τουλάχιστον έξι μήνες, έχουν υψηλό ποσοστό υποτροπής ακόμη και μετά τη λήψη θεραπείας. Τα μοντέλα τεχνητής νοημοσύνης (AI) μπορεί να βοηθήσουν τους κλινικούς γιατρούς να εντοπίσουν παράγοντες για την πρόβλεψη της μακροπρόθεσμης αποκατάστασης και την καλύτερη εξατομίκευση της θεραπείας των ασθενών, σύμφωνα με ερευνητές.
Οι ερευνητές χρησιμοποίησαν μια μορφή τεχνητής νοημοσύνης που ονομάζεται μηχανική μάθηση για να αναλύσουν περισσότερους από 80 βασικούς παράγοντες – που κυμαίνονται από ψυχολογικούς και κοινωνικοδημογραφικούς έως μεταβλητές υγείας και τρόπου ζωής – για 126 ανώνυμα άτομα που είχαν διαγνωστεί με GAD. Τα στοιχεία προήλθαν από τις Η.Π.Α.
Η διαχρονική μελέτη του Εθνικού Ινστιτούτου Υγείας που ονομάζεται Midlife στις Ηνωμένες Πολιτείες, η οποία λαμβάνει δείγματα δεδομένων υγείας από κατοίκους της ηπειρωτικής Αμερικής ηλικίας 25 έως 74 ετών, οι οποίοι ερωτήθηκαν για πρώτη φορά το 1995-96. Τα μοντέλα μηχανικής μάθησης εντόπισαν 11 μεταβλητές που φαίνονται πιο σημαντικές για την πρόβλεψη της ανάκτησης και της μη ανάκτησης, με ακρίβεια έως και 72%, στο τέλος μιας περιόδου εννέα ετών. Οι ερευνητές δημοσίευσαν τα ευρήματά τους στο τεύχος Μαρτίου του Journal of Anxiety Disorders.
«Προηγούμενη έρευνα έχει δείξει ένα πολύ υψηλό ποσοστό υποτροπής στη ΓΑΔ και υπάρχει επίσης περιορισμένη ακρίβεια στην κρίση των κλινικών για την πρόβλεψη μακροπρόθεσμων αποτελεσμάτων», δήλωσε η Candice Basterfield, επικεφαλής συγγραφέας της μελέτης και υποψήφια διδάκτορας στο Penn State. “Αυτή η έρευνα υποδηλώνει ότι τα μοντέλα μηχανικής μάθησης δείχνουν καλή ακρίβεια, ευαισθησία και ειδικότητα στην πρόβλεψη του ποιος θα αναρρώσει και ποιος δεν θα αναρρώσει από το GAD. Αυτοί οι προγνωστικοί παράγοντες ανάκαμψης θα μπορούσαν να είναι πολύ σημαντικοί για να βοηθήσουν στη δημιουργία εξατομικευμένων θεραπειών για μακροπρόθεσμη αποκατάσταση.”
Οι ερευνητές διαπίστωσαν ότι το υψηλότερο μορφωτικό επίπεδο, η μεγαλύτερη ηλικία, η περισσότερη υποστήριξη από φίλους, η υψηλότερη αναλογία μέσης προς τους γοφούς και το υψηλότερο θετικό συναίσθημα ή το να νιώθουμε πιο χαρούμενοι, ήταν τα πιο σημαντικά για την αποκατάσταση, με αυτή τη σειρά. Εν τω μεταξύ, το καταθλιπτικό συναίσθημα, οι καθημερινές διακρίσεις, ο μεγαλύτερος αριθμός συνεδριών με έναν επαγγελματία ψυχικής υγείας τους τελευταίους 12 μήνες και ο μεγαλύτερος αριθμός επισκέψεων σε γιατρούς τους τελευταίους 12 μήνες αποδείχθηκαν πιο σημαντικά για την πρόβλεψη της μη ανάρρωσης.
Οι ερευνητές επικύρωσαν τα ευρήματα του μοντέλου συγκρίνοντας τις προβλέψεις μηχανικής μάθησης με τα δεδομένα MIDUS, διαπιστώνοντας ότι οι προβλεπόμενες μεταβλητές ανάκτησης παρακολουθήθηκαν με τους 95 συμμετέχοντες που δεν εμφάνισαν συμπτώματα GAD στο τέλος της περιόδου των εννέα ετών. Τα ευρήματα υποδεικνύουν ότι οι κλινικοί γιατροί μπορούν να χρησιμοποιήσουν την τεχνητή νοημοσύνη για να αναγνωρίσουν αυτές τις μεταβλητές και να εξατομικεύσουν τη θεραπεία για ασθενείς με GAD — ειδικά εκείνους με σύνθετες διαγνώσεις, σύμφωνα με τους ερευνητές.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
