Τεχνολογία

Τεχνητή νοημοσύνη: Βοηθά στον εντοπισμό του κινδύνου υποτροπής σε αλκοολικούς

Τεχνητή νοημοσύνη: Βοηθά στον εντοπισμό του κινδύνου υποτροπής σε αλκοολικούς
Τεχνητή νοημοσύνη: Η τεχνητή νοημοσύνη μπορεί να εντοπίσει αλκοολικούς που κινδυνεύουν να υποτροπιάσουν μετά τη θεραπεία, λένε οι ερευνητές.

Your browser does not support the video tag. https://grx-obj.adman.gr/grx/creatives/sanofi/20876/better-understanding-insulin.mp4

Οι ασθενείς συχνά επιστρέφουν σε μεγάλη κατανάλωση αλκοόλ κατά τη διάρκεια και μετά τη θεραπεία και μπορεί να χρειαστούν πολλαπλές προσπάθειες για να επιτύχουν μακροχρόνια αποχή από την ανθυγιεινή χρήση αλκοόλ. Η τεχνητή νοημοσύνη μπορεί να επιτρέψει στους παρόχους φροντίδας και στους ασθενείς να προβλέψουν τις υποτροπές αλκοόλ και να προσαρμόσουν τη θεραπεία πριν αυτές εμφανιστούν, ανακάλυψαν ερευνητές του Πανεπιστημίου Γέιλ.


Στη νέα μελέτη, οι ερευνητές χρησιμοποίησαν κλινικά δεδομένα και μια μορφή τεχνητής νοημοσύνης που ονομάζεται μηχανική μάθηση για να αναπτύξουν μοντέλα για την πρόβλεψη των υποτροπών μεταξύ των ασθενών σε ένα πρόγραμμα θεραπείας εξωτερικών ασθενών. Τα δεδομένα από περισσότερους από 1.300 ενήλικες στις ΗΠΑ σε μια κλινική δοκιμή 16 εβδομάδων θεραπειών σε 11 κέντρα χρησιμοποιήθηκαν για την ανάπτυξη και τη δοκιμή των προγνωστικών μοντέλων. Οι ασθενείς χωρίστηκαν τυχαία σε έναν από τους εννέα συνδυασμούς φαρμακευτικής αγωγής ή συμπεριφορικής θεραπείας και τα δεδομένα για το πώς τα πήγαν χρησιμοποιήθηκαν για να «εκπαιδευτούν» οι αλγόριθμοι μηχανικής μάθησης.

Ο στόχος ήταν να δημιουργηθεί ένα σύνολο μοντέλων που θα μπορούσαν να προβλέψουν υποτροπές βαριάς κατανάλωσης αλκοόλ (τέσσερα ή περισσότερα ποτά την ημέρα για τις γυναίκες και πέντε ή περισσότερα για τους άνδρες) σε τρία διαφορετικά χρονικά σημεία: κατά τον πρώτο μήνα της θεραπείας, κατά τον τελευταίο μήνα της θεραπείας, και μεταξύ εβδομαδιαίων ή δύο εβδομαδιαίων συνεδριών θεραπείας.

Με επικεφαλής τον Walter Roberts, επίκουρο καθηγητή ψυχιατρικής στο Yale School of Medicine, οι ερευνητές διαπίστωσαν ότι τα μοντέλα είχαν καλή απόδοση στην πρόβλεψη υποτροπών και είναι πιθανό να είναι πιο ακριβή από τους κλινικούς γιατρούς στον εντοπισμό ασθενών που κινδυνεύουν να επιστρέψουν στο βαρύ αλκοόλ. Γεγονός που θα μπορούσε να είναι χρήσιμο εργαλείο στις παρεμβάσεις κατά τη διάρκεια της θεραπείας.

Τα αποτελέσματα της μελέτης δημοσιεύτηκαν στις 14 Απριλίου στο περιοδικό Alcoholism: Clinical and Experimental Research.

Στα μοντέλα, οι πιο σημαντικές πληροφορίες για την πρόβλεψη της υποτροπής περιελάμβαναν παράγοντες όπως τα επίπεδα ηπατικών ενζύμων και την ηλικία που ξεκίνησε η εξάρτηση από το αλκοόλ και βαθμολογίες ασθενών σε έρευνες αυτοαναφοράς, όπως αυτές που σχετίζονται με συμπεριφορές κατανάλωσης αλκοόλ και ψυχολογικά συμπτώματα.