Search Icon
ΑΝΑΖΗΤΗΣΗ
Τεχνολογία

Τεχνητή νοημοσύνη: Ο ρόλος της τεχνητής νοημοσύνης στην αναγνώριση του άσθματος σε παιδιατρικό περιβάλλον

Τεχνητή νοημοσύνη: Ο ρόλος της τεχνητής νοημοσύνης στην αναγνώριση του άσθματος σε παιδιατρικό περιβάλλον

Τεχνητή νοημοσύνη: Ένας αριθμός μοντέλων που βασίζονται στη μηχανική μάθηση, έχουν αναπτυχθεί για τον εντοπισμό του άσθματος μέσω της χρήσης αναδρομικών ηλεκτρονικών ιατρικών αρχείων (EMR) ασθενών.


Η συχνότητα εμφάνισης άσθματος στα παιδιά της Κίνας έχει αυξηθεί γρήγορα ως αποτέλεσμα της ανεπαρκούς διαχείρισης. Αυτό οφείλεται κυρίως στην αποτυχία πολλών παιδιάτρων πρωτοβάθμιας εκπαίδευσης να διακρίνουν το άσθμα από κοινές παθήσεις του αναπνευστικού, όπως η βρογχίτιδα και η πνευμονία. Τέτοιες λανθασμένες διαγνώσεις συχνά οδηγούν σε κατάχρηση αντιβιοτικών και συστηματικών γλυκοκορτικοειδών. Επιπλέον, εάν το άσθμα δεν διαγνωστεί έγκαιρα, η χρόνια φλεγμονή των αεραγωγών οδηγεί σε βλάβες που όχι μόνο εμποδίζουν τις αθλητικές ικανότητες των παιδιών, αλλά χρησιμεύουν ως η κύρια αιτία για χρόνιες παθήσεις των αεραγωγών ενηλίκων, όπως η χρόνια αποφρακτική πνευμονοπάθεια (ΧΑΠ).

Ένας αριθμός μοντέλων που βασίζονται στη μηχανική μάθηση, έχουν αναπτυχθεί για τον εντοπισμό του άσθματος μέσω της χρήσης αναδρομικών ηλεκτρονικών ιατρικών αρχείων (EMR) ασθενών. Αυτά τα μοντέλα αξιολογήθηκαν ανεξάρτητα χρησιμοποιώντας EMR τόσο από το Πνευμονολογικό Τμήμα όσο και από άλλα τμήματα του Νοσοκομείου Παίδων, της Ιατρικής Σχολής του Πανεπιστημίου Zhejiang, Κίνα.

Δύο ανεξάρτητα σετ δοκιμών εφαρμόστηκαν για την αξιολόγηση της απόδοσης. Το TestSet-1 αποτελούνταν από 325 θετικές περιπτώσεις άσθματος και 428 αρνητικές περιπτώσεις από το Πνευμονολογικό Τμήμα. Το TestSet-2 αποτελούνταν από 2.123 περιπτώσεις από μη πνευμονολογικά τμήματα και περιλάμβανε 337 θετικές και 1.786 αρνητικές περιπτώσεις. Πειραματικά αποτελέσματα έδειξαν ότι το μοντέλο CatBoost ξεπέρασε άλλα μοντέλα και στα δύο σετ δοκιμών με ακρίβεια 84,7% και περιοχή κάτω από την καμπύλη (AUC) 90,9% στο TestSet-1 και ακρίβεια 96,7% και AUC 98,1% στο TestSet-2.

Σε αυτή τη μελέτη, δύο σετ αναδρομικών EMR ασθενών ηλικίας κάτω των 14 ετών συλλέχθηκαν από το Νοσοκομείο Παίδων της Ιατρικής Σχολής του Πανεπιστημίου Zhejiang, Κίνα. Το DataSet-1 αποτελούνταν από 3.761 περιπτώσεις, με 1.624 θετικά κρούσματα άσθματος και 2.137 αρνητικά κρούσματα από το Πνευμονολογικό Τμήμα. Το DataSet-2 αποτελούταν από 2.123 περιπτώσεις με 337 θετικά και 1.786 αρνητικά από μη πνευμονολογικά τμήματα συμπεριλαμβανομένων του Καρδιαγγειακού Τμήματος, του Ενδοκρινολογικού Τμήματος, του Νεφρολογικού Τμήματος, του Νευρολογικού Τμήματος και του Αιματολογικού Τμήματος του νοσοκομείου. Όλα τα αρχεία εξετάστηκαν από τουλάχιστον δύο αναπνευστικούς εμπειρογνώμονες που έκαναν ανεξάρτητες διαγνώσεις άσθματος για κάθε αρχείο, με βάση τον οδηγό διάγνωσης και πρόληψης βρογχικού άσθματος για παιδιά (έκδοση 2016) . Αρχικά, δύο αναπνευστικοί εμπειρογνώμονες εξέδωσαν την ανεξάρτητη αξιολόγησή τους. Στη συνέχεια, ο χρυσός κανόνας για τη διαγνωστική απόφαση (δηλαδή, ετικέττα βασικής αλήθειας για εκπαίδευση μοντέλων) για κάθε εγγραφή έγινε με συνέπεια κρίσης. Όπου ήταν εμφανής μια ασυμφωνία μεταξύ των δύο ανεξάρτητων κρίσεων, διενεργήθηκαν πρόσθετες ανεξάρτητες αξιολογήσεις από άλλους δύο αναπνευστικούς εμπειρογνώμονες. Ο δεύτερος γύρος γνωματεύσεων επικρατούσε εάν γινόταν διαγνωστική συμφωνία. Σε περιπτώσεις που δεν επιτεύχθηκε συμφωνία με τη δεύτερη επανεξέταση, η διαδικασία επαναλαμβανόταν μέχρι να επιτευχθεί διαγνωστική συμφωνία.

Το μοντέλο τεχνητής νοημοσύνης (AI) θα μπορούσε να εντοπίσει γρήγορα και με ακρίβεια το άσθμα σε γενικούς ιατρικούς θαλάμους παιδιών και μπορεί να βοηθήσει τους βασικούς παιδιάτρους στη σωστή διάγνωση του άσθματος. Διαθέτει μεγάλη κλινική αξία και πρακτική σημασία για τη βελτίωση του ποσοστού ελέγχου του άσθματος στα παιδιά, τη βελτιστοποίηση των ιατρικών πόρων και τον περιορισμό της κατάχρησης αντιβιοτικών και συστηματικών γλυκοκορτικοειδών.

Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον Κόσμο
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube

Διαβάστε Eπίσης:

H τεχνητή νοημοσύνη θα βοηθήσει να δούμε τον καρκίνο με νέους και καλύτερους τρόπους;

Η τεχνητή νοημοσύνη αναβαθμίζει την καταπολέμηση των μολυσματικών ασθενειών

Το AI προβλέπει στάσεις σεξ που θα κάνουμε στο μέλλον

Διάγνωση καρκίνου του δέρματος: Διερεύνηση ενισχυτικής μάθησης για βελτιωμένη απόδοση της τεχνητής νοημοσύνης

svg%3E svg%3E
svg%3E
svg%3E
Περισσότερα

Σαρώσεις προβλέπουν τις γλωσσικές ικανότητες παιδιών με ΔΑΦ

Σαρώσεις εγκεφάλου: Μελετώντας την εγκεφαλική δραστηριότητα κατά τη διάρκεια γλωσσικών εργασιών, οι ερευνητές μπορούν να εντοπίσουν τις περιοχές του εγκεφάλου που είναι υπεύθυνες για την παραγωγή και κατανόηση της γλώσσας.

Tεστ DNA για την βακτηριακή κολπίτιδα

Βακτηριακή κολπίτιδα: Eρευνητές ανέπτυξαν ένα απλό εργαστηριακό τεστ βασισμένο σε DNA PCR, σε μια πιο λεπτομερή γενετική ανάλυση της κύριας ομάδας βακτηριακών οργανισμών που προκαλούν τη μόλυνση.

Πώς η φορητή τεχνολογία μεταμορφώνει τη φροντίδα των ποδιών

Φορητή τεχνολογία: Είναι ένα σημαντικό βήμα προς τα εμπρός για την υγεία των ποδιών. Προσφέρει έγκαιρες προειδοποιήσεις και εξατομικευμένες πληροφορίες πέρα ​​από την παραδοσιακή μέθοδο.

Πώς οι μαγνητικές σαρώσεις εντοπίζουν 6 τύπους κατάθλιψης 

Μαγνητικές σαρώσεις: Αυτές οι ανακαλύψεις με τη χρήση μαγνητικών σαρώσεων προτείνουν ότι η κατάθλιψη δεν είναι μια ενιαία διαταραχή αλλά ένα σύνθετο φαινόμενο με πολλές υποκατηγορίες, καθένα από τα οποία απαιτεί διαφορετική προσέγγιση στη διάγνωση και θεραπεία.

Η ανάπτυξη μίνι εντέρων βοηθά τη νόσο Crohn

Νόσος Crohn: Οι μίνι εντερικές καλλιέργειες μπορούν να παρέχουν πληροφορίες σχετικά με το πώς οι διαφορετικοί τύποι φλεγμονής επηρεάζουν την εντερική λειτουργία.

Μίνι κυλιόμενο ρομπότ παίρνει εικονικές βιοψίες

Ρομποτική: Είναι η πρώτη φορά που κατέστη δυνατή η δημιουργία τρισδιάστατων εικόνων υπερήχων υψηλής ανάλυσης που λαμβάνονται από έναν ανιχνευτή βαθιά μέσα στη γαστρεντερική οδό ή στο έντερο.

Close Icon