سیران خانعلی زاده؛ بازار: سال ۲۰۱۹ کمپانی IBM اعلام کرد، که قصد دارد از طریق ابزار پایش بر مبنای هوش مصنوعی، و جود پادتن دیابت نوع اول را در خون افراد شناسایی کند؛ اکنون بعد از یک سال تحقیقات جامع، این کمپانی نتایج تحقیقات خود در حوزه هوش مصنوعی را به اطلاع عموم رسانید؛ نتایج تحقیقات حاکی از چگونگی کاربرد هوش مصنوعی و یادگیری ماشین برای بهبود سلامت مادران در کشورهای در حال توسعه و پیش بینی شروع و پیشرفت دیابت نوع ۱ است.
در حقیقت بیماری دیابت از هر ۱۰۰ بزرگسال ۱ نفر را تحت تاثیر قرار می هد. نتایج تحقیقات حاکی از این است که، دیابت نوع ۱ بالینی به طور کلی بعد شرایط بخصوص به نام خود ایمنی islet autoimmunity ایجاد می شود، که در آن بدن به طور مداوم آنتی بادی هایی به نام اتوآنتی بادی های islet را تولید می کند، این تیم الگوریتمی را از طریق هوش مصنوعی ایجاد نموده اند که بیماران را به صورت خوشه ای گروه بندی می کند و براساس ویژگی های منحصر به فرد در هر خوشه تشابه های بین فردی را شناسایی می کند
در مطالعه ای که توسط بنیاد بیل و ملیندا گیتس تأمین شد، محققان IBM مدل هایی را برای تجزیه و تحلیل مجموعه داده های جمعیت شناسی از کشورهای آفریقایی جمع آوری نمودند و با استفاده از نمونه های بدست آمده از تعداد سالهای بارداری و میزان روابط اجتماعی یک زن به نتایج جالبی دست یافتند، علاوه بر این تیم دیگری از محققین IBM داده های بدست آمده را در طول سه دهه و چهار کشور تجزیه وتحلیل نمودند و توانستند پیش ابتلا به دیابت نوع ۱ را از ۳ تا ۱۲ ماه قبل از تشخیص بالینی، پیش بینی کنند. بر اساس نتایج این تحقیقات پیش بینی های انجام شده تا ۸۴% درصد با موارد ابتلا مطابقت داشته است.
پیش بینی دیابت نوع ۱ با استفاده از الگوریتم هوش مصنوعی
گروهی از محققان کمپانی IBM به دنبال بررسی میزان مفید بودن هوش مصنوعی در تشخیص و درمان دیابت نوع ۱ بوده اند؛ در حقیقت بیماری دیابت از هر ۱۰۰ بزرگسال ۱ نفر را تحت تاثیر قرار می هد. نتایج تحقیقات حاکی از این است که، دیابت نوع ۱ بالینی به طور کلی بعد شرایط بخصوص به نام خود ایمنی islet autoimmunity ایجاد می شود، که در آن بدن به طور مداوم آنتی بادی هایی به نام اتوآنتی بادی های islet را تولید می کند؛ این تیم، الگوریتمی را از طریق هوش مصنوعی ایجاد نموده اند که بیماران را به صورت خوشه ای گروه بندی می کند و براساس ویژگی های منحصر به فرد در هر خوشه تشابه های بین فردی را شناسایی می کند.
محققان IBM مدل هایی را برای تجزیه و تحلیل مجموعه داده های جمعیت شناختی از کشورهای آفریقایی جمع آوری نمودند و با استفاده از داده های بدست آمده از تعداد سالهای بارداری و میزان روابط اجتماعی یک زن به نتایج جالبی دست یافتند و علاوه بر این تیم دیگری از محققین IBM داده های بدست آمده را در طول سه دهه و چهار کشور تجزیه وتحلیل نمودند و توانستند پیش ابتلا به دیابت نوع ۱ را از ۳ تا ۱۲ ماه قبل از تشخیص بالینی، پیش بینی کنند
این الگوریتم مشخصات را بر اساس انواع آنتی بادی ها، سنی که آنتی بادی ها ساخته شده اند و عدم تعادل در مثبت بودن آنتی بادی ها رابه عنوان مولفه های تاثیر گذار دسته بندی می کند. محققان پس از خوشه بندی افراد با آنتی بادی مثبت ، این مدل هوش مصنوعی را برای داده های ۱۵۰۷ بیمار در سراسر مطالعات انجام شده در ایالات متحده، سوئد و فنلاند مورد استفاده قرار دادند؛ دقت نتایج انتقال خوشه با میانگین ۸۴٪ صحت، نشان می دهد که استفاده از پروفایل AAb برای پیش بینی پیشرفت دیابت نوع ۱ به طور مستقل از جمعیت یک روش قابل استناد و قابل اعتماد خواهد بود.
در یک مطالعه مرتبط، تیم محققان IBM یک آنتولوژی منحصر برای دیابت نوع ۱ ایجاد کرده اند که الگوهای نشانگرهای زیستی خاصی را ضبط می کند و از آنها به همراه یک مدل برای تشخیص ویژگی ثبت شده استفاده می کند. بر اساس گفته های محققان، وقتی در مجموعه داده های مشابه الگوریتم خوشه بندی اعمال می شود، آنتولوژی پروسه پیش بینی را تا ۱۲ ماه بهبود می بخشد، و پیش بینی هایی را که بیماران ممکن است دیابت نوع ۱ یک سال قبل از تشخیص معمول آنها ایجاد کنند، فراهم می کند.
البته لازم به ذکر است که عدم تعادل در مجموعه داده ها ممکن است پیش بینی ها را تا حدوی غیر منطقی جلوه دهند. تیمی از دانشمندان انگلستان دریافتند که تقریباً تمام مجموعه داده های بیماری های چشم از بیماران آمریکای شمالی، اروپا و چین تهیه می شوند، به این معنی که الگوریتم های تشخیص بیماری چشم برای گروه های نژادی برخی از کشور ها خوب عمل نمی کنند. در مطالعه دیگری، محققان دانشگاه استنفورد ادعا کردند که بیشتر داده های ایالات متحده برای مطالعات مربوط به استفاده پزشکی از AI از کالیفرنیا، نیویورک و ماساچوست بدست امده اند.
کاهش میزان مرگ و میر نوزادان
علاوه بر پیش بینی دیابت نوع اول، دانشمندان IBM به دنبال استفاده از هوش مصنوعی برای کاهش مرگ و میر نوزادان می باشند؛ درحقیقت علی رغم کاهش جهانی در میزان مرگ و میر کودکان هنوز در بسیاری از کشورها پایان دادن به مرگ نوزادان در مراحل اولیه خود قرار دارد؛ بسیاری از کارشناسان عدم دسترسی به خدمات و مراقبت های بهداشتی و تخصصی، و توزیع ناعادلانه منابع را از اصلی ترین علل این مشکل می دانند.
با توجه به راه حل های بالقوه، محققان IBM سعی دارند با استفاده از الگوریتم هوش مصنوعی؛ ویژگی های مرتبط با مرگ و میر نوزادان را براساس داده های منطبق بر نمونه های بدست آمده از هر ملیت را، شناسایی نمایند. این تیم تحقیقاتی نتایج بدست آمده از دو نظر سنجی جمعیتی و بهداشتی اخیر ( ۲۰۱۴ الی ۲۰۱۸) را در ۱۰ کشور مورد بررسی قرار دادند که شامل طبقه بندی های چندگانه از جمله؛ ۱) مادارانی که دارای یک زایمان در پنج سال اخیر بوده اند. ۲) مادرانی که کودکان زیر ۲۸ روزه را از دست داد ه اند ۳) مادرانی که هیچ گونه مرگ نوزاد را تجربه نکرده اند، می باشند. تمامی داده های بدست آمده از طریق هوش مصنوعی وماشین یادگیری مورد بررسی و تحلیل قرار گرفته اند و نتایج حاصله حاکی از چگونگی مرگ و میر و در آینده بوده است.
این تحقیقات شامل کاربرد عملی ماشین یادگیری و هوش مصنوعی برای تولید بینش منطقی از طریق بازبینی انواع مدل ها، و به کارگیری تکنیک های یادگیری ماشین برای تولید بینش جدید و فرضیه های جایگزین در مورد پدیده های ثبت شده در داده های بهداشتی در سطح کلان است. همبستگی مثبت بین تعداد تولد و مرگ و میر های گزارش شده در نتایج این تحقیقات نشان دهند این است که فاصله تولد یک مولفه تعیین کننده در مگر ومیر نوزادان است
این تحقیقات، شامل کاربرد عملی ماشین یادگیری و هوش مصنوعی برای تولید بینش منطقی از طریق بازبینی انواع مدل ها، و به کارگیری تکنیک های یادگیری ماشین برای تولید بینش جدید و فرضیه های جایگزین در مورد پدیده های ثبت شده در داده های بهداشتی در سطح کلان است. همبستگی مثبت بین تعداد تولد و مرگ و میر های گزارش شده در نتایج این تحقیقات نشان دهند این است که فاصله تولدها یک مولفه تعیین کننده در مرگ ومیر نوزادان است.
بر اساس این نتایج محققان نتیجه گرفتند، که در اکثر کشورها (به عنوان مثال، نیجریه، سنگال، تانزانیا، زامبیا، آفریقای جنوبی، کنیا، غنا، اتیوپی، جمهوری دموکراتیک کنگو و بورکینافاسو)، مرگ و میر نوزادان بیشترین تلفات را به همراه دارد. بر اساس نتایج حاصله از این خوشه بندی های منطقی، مرگ و میر نوزادان اصلی ترین عامل مرگ کودکان زیر ۵ سال می باشد. محققین دریافتند که تعداد تولدها در ۵ سال گذشته با مرگ و میر نوزادان رابطه مثبت دارد، در حالی که اندازه خانوار با مرگ و میر نوزادان رابطه منفی دارد. علاوه بر این، این تحقیقاتی افزود، مادران ساکن در خانوارهای کوچکتر نسبت به مادران ساکن در خانوارهای بزرگتر بیشتر در معرض خطر مرگ و میر نوزادان قرار دارند، به نظر می رسد عواملی مانند سن و جنسیت سرپرست خانوار در ارتباط بین اندازه خانوار و مرگ و میر نوزادان تأثیر گذار باشند.
نظر شما