۹ سپتامبر ۲۰۲۶ - دیابت یکی از رایجترین بیماریهای مزمن است که حدود ۶۶ میلیون بزرگسال را در اروپا تحت تأثیر قرار داده است؛ رقمی که پیشبینی میشود تا سال ۲۰۵۰ به بیش از ۷۲ میلیون نفر افزایش یابد. برای افراد مبتلا به دیابت نوع ۱، نگه داشتن سطح قند خون در یک محدودهٔ ایمن نیازمند پایش مداوم و مدیریت دقیق انسولین است. با این حال، حتی با وجود تجربه و درمان دقیق، نوسانات غیرمنتظرهای میتواند رخ دهد که پتانسیل منجر شدن به هیپوگلیسمی (افت قند خون) یا هایپرگلیسمی (افزایش قند خون) را دارد.
سطح قند خون، تحت تأثیر عوامل بسیار بیشتری از غذا و انسولین قرار دارد. فعالیت بدنی، استرس، تغییرات هورمونی، کیفیت خواب، ریتمهای شبانهروزی و تفاوتهای فردی در متابولیسم همگی میتوانند نقش داشته باشند. بنابراین، پیشبینی نوسانات میتواند به ارزیابی خطرات و حمایت از تصمیمگیریهای آگاهانهتر در مدیریت دیابت کمک کند.
سیستمهای پایش مداوم قند خون (CGM) هماکنون سطح قند خون را هر چند دقیقه یک بار ثبت کرده و مقادیر عظیمی از دادهها را تولید میکنند. پژوهشگران دانشگاه فناوری کائوناس (KTU) اکنون در حال بررسی این موضوع هستند که آیا هوش مصنوعی (AI) میتواند الگوهایی را در میان این دادهها کشف کند یا خیر. رویکرد آنها، خوانشهای قند خون را با اطلاعات مربوط به تزریق انسولین، مصرف کربوهیدرات و فعالیت بدنی ترکیب میکند.
هوش مصنوعی تشخیص میدهد چه چیزی بیشترین اهمیت را دارد
پژوهشگران دانشگاه KTUدر آخرین مطالعهٔ خود، مدلی را توسعه دادند که تغییرات قند خون را پیشبینی کرده و خطر هیپوگلیسمی را ۳۰ و ۶۰ دقیقه قبل از وقوع، ارزیابی میکند. آنها همچنین بررسی کردند که چگونه میتوان از هوش مصنوعی برای ارزیابی گذشتهنگرِ تنظیمات شخصیسازیشدهٔ انسولین استفاده کرد.
برای دستیابی به این هدف، پژوهشگران چندین روش هوش مصنوعی را در یک چارچوب واحد ترکیب کردند. در حالی که فناوری زیربنایی ممکن است پیچیده به نظر برسد، پروفسور ریتیس ماسکلیوناس از دانشگاه KTU، گفت: ایدهٔ اصلی بسیار سادهتر است. مدلهای پیشبینی سنتی با دادهها به عنوان یک توالی زمانی برخورد میکنند، در حالی که رویکرد جدید، هر نقطه در زمان را به عنوان یک «گره» در یک شبکهٔ گراف نمایش داده و آن را به نقاط مشابه در گذشته متصل میکند. این امر به مدل اجازه میدهد که نه تنها از توالی مستقیم رویدادها، بلکه از روابط پیچیده بین حالتهای فیزیولوژیک مختلف نیز یاد بگیرد.»
یک جزء مهم این مدل، چیزی است که به عنوان «مکانیزم توجه» شناخته میشود. این مکانیزم به الگوریتم اجازه میدهد تا بفهمد که کدام نقاط داده در گذشته، بیشترین ارتباط را با نتیجهٔ فعلی دارند.
پروفسور ماسکلیوناس توضیح داد: «این کار شبیه به یک پزشک با تجربه است که وضعیت بیمار را ارزیابی میکند، او به جای بررسی تمام دادههای موجود، عواملی را که در آن موقعیت خاص بیشترین اهمیت را دارند، شناسایی میکند.»
این اصل همچنین با چالش مهم دیگری در مورد استفاده از هوش مصنوعی در پزشکی مقابله میکند: «توضیحپذیری»، حتی یک الگوریتم بسیار دقیق، اگر پزشکان نتوانند درک کنند که چگونه به یک نتیجهٔ خاص رسیده است، در مراقبتهای بهداشتی ارزش محدودی خواهد داشت. بنابراین، رویکرد این پژوهشگران شناسایی این موضوع را امکانپذیر میکند که کدام ویژگیها و کدام نقاط زمانی در گذشته، بیشترین تأثیر را بر خروجی مدل داشتهاند.
این مدل میتواند از تصمیمگیریهای بالینی حمایت کند
این مدل با استفاده از مجموعهدادههای بینالمللی مربوط به دیابت نوع ۱ آزمایش شد و دقت بالایی هم در پیشبینی قند خون و هم در ارزیابی خطر هیپوگلیسمی نشان داد. پژوهشگران همچنین دریافتند که وقتی الگوریتم برای انجام هر دو وظیفه بهطور همزمان (و نه بهصورت جداگانه) آموزش داده شود، عملکرد آن بهبود مییابد.
محمد عبدالله سرور، دانشجوی دکتری در دانشگاه KTUکه در توسعهٔ این مدل مشارکت داشته است، گفت: «نتایج نشان داد که مدلهای جدید به دقت پیشبینی بسیار بالایی دست مییابند و حتی با بیمارانی که الگوریتم قبلاً با دادههای آنها برخورد نداشته است، به خوبی عمل میکنند.»
تنظیمات شخصیسازیشدهٔ انسولین که در این مطالعه ارزیابی شد، برای این هدف نیست که به بیماران اجازه دهد درمان خود را بهطور مستقل تغییر دهند. در عوض، این تنظیمات به عنوان یک ابزار بالقوهٔ «حمایت از تصمیمگیری» برای تحلیلهای بالینی مورد بررسی قرار گرفتند.
سرور تأکید کرد: «این موضوع بهویژه هنگام توسعهٔ ابزارهای حمایت از تصمیمگیری بالینی که کاربرد گسترده دارند، اهمیت دارد؛ زیرا چنین سیستمهایی باید در بیمارستانها و کشورهای مختلف و با جمعیتهای متفاوت بیماران، بهطور قابلاطمینانی عمل کنند.»
با این حال، دقت بالا به این معنا نیست که این الگوریتمها آمادهٔ تبدیل شدن به بخشی از زندگی روزمرهٔ بیماران هستند. پروفسور ماسکلیوناس گفت: «پیش از اینکه این فناوری بتواند بهطور گسترده در کار بالینی مورد استفاده قرار گیرد، به مطالعات بالینی بیشتری نیاز است. مدلها با استفاده از دادههای تاریخی بیماران ارزیابی شدهاند، بنابراین ضروری است ثابت شود که آنها در شرایط بالینی دنیای واقعی نیز به همان اندازه دقیق عمل میکنند. شرکای پزشکی ما مسئول این مرحلهٔ بعدی خواهند بود.»
در کنار آزمایشهای بالینی، سؤالاتی در مورد امنیت دادهها، حریم خصوصی بیمار و ادغام بیوقفهٔ الگوریتمها در کار روزمرهٔ پزشکان باقی مانده است. پژوهشگران به هوش مصنوعی نه بهعنوان یک فناوری که بتواند جایگزین پزشکان شود، بلکه بهعنوان راهی برای استفاده بهتر از مقادیر عظیم دادههای تولید شده توسط بیماران و در آینده، ارائهٔ حمایتهای شخصیسازیشدهتر نگاه میکنند.
پروفسور ماسکلیوناس گفت: «مدلهای پیشرفته و توضیحپذیر هوش مصنوعی نه تنها به ما اجازه میدهند تغییرات قند خون را با دقت بیشتری پیشبینی کنیم، بلکه زیربنایی برای توسعهٔ سیستمهای حمایت از تصمیمگیری ایمنتر، شخصیسازیشدهتر و مؤثرتر فراهم میکنند که میتواند به کاهش بار کاری سنگین پزشکان کمک کند.»
منبع:
https://www.news-medical.net/news/20260909/New-AI-model-forecasts-glucose-changes-in-type-1-diabetes-patients.aspx