به گزارش ایراف، یک تیم تحقیقاتی در هند با استفاده از دادههای بالینی بیماران منطقه ساحلی «اودانام» توانستهاند مدلی پیشرفته از یادگیری ماشینی بسازند که قادر است بیماری مزمن کلیه را با دقتی نزدیک به ۹۹ درصد تشخیص دهد.
این منطقه که شامل ۱۲۰ روستا در پنج بخش مختلف است، سالهاست با شیوع غیرعادی نوعی بیماری کلیوی با علت ناشناخته روبهروست؛ وضعیتی که در ادبیات پزشکی به «نفرولوژی اودانام» شهرت یافته است.
بحرانی که علت مشخصی ندارد
نکته قابلتوجه این است که بسیاری از مبتلایان در اودانام هیچیک از عوامل خطر رایج مانند دیابت یا فشار خون بالا را ندارند. همین موضوع باعث شده فرضیههای مختلفی درباره منشأ بیماری مطرح شود؛ از جمله:
– آلودگی آب آشامیدنی
– مصرف گسترده مواد شیمیایی کشاورزی
– عوامل ژنتیکی
– کمآبی مزمن و شرایط سخت محیطی
به دلیل نبود علائم مشخص در مراحل اولیه، تشخیص CKD در این منطقه همواره با چالش جدی همراه بوده است.
ساخت یک پایگاه داده محلی و مدل ترکیبی
پژوهشگران با جمعآوری و یکپارچهسازی سوابق سلامت بیماران در مراکز درمانی منطقه، یک مجموعه داده بومی و دقیق ایجاد کردند. سپس مدلی طراحی شد که بهجای تکیه بر یک الگوریتم، چندین روش یادگیری ماشینی را ترکیب میکند تا دقت و پایداری بیشتری به دست آید.
نتیجه این رویکرد، مدلی بود که نهتنها از سیستمهای پیشرفته موجود عملکرد بهتری نشان داد، بلکه توانست الگوهای بیماری را با قابلیت تعمیم بالا شناسایی کند.
سیگنالهایی که هوش مصنوعی روی آنها تمرکز کرد
تحلیل دادهها نشان میدهد که مدل برای پیشبینی CKD به مجموعهای از شاخصهای کلیدی توجه کرده است:
– سن: میانگین سنی بیماران حدود ۵۲ سال بوده و سن بالاتر یکی از عوامل مهم تشخیص بوده است.
– قند خون و اوره: میانگین قند خون ۱۸۰.۲۹ و اوره ۷۲.۳۰ در بیماران، از مهمترین شاخصهای تمایزدهنده بودهاند.
– بیماریهای همراه: دیابت و فشار خون بالا هر دو با شیوع ۶۰.۴ درصد و کمخونی با ۴۶ درصد در میان بیماران دیده شده است.
– فاکتورهای خونی: اختلافات معنادار در لنفوسیتها، ائوزینوفیلها، مونوسیتها، کراتینین، بیلیروبین، اسید اوریک و تعداد گلبولهای قرمز از دیگر نشانههایی بوده که مدل برای تشخیص آسیب کلیوی به آنها اتکا کرده است.
اهمیت این دستاورد برای سلامت عمومی
این پروژه که با همکاری پژوهشگران مؤسسه فناوری Symbiosis و مؤسسه فناوری و مدیریت Aditya انجام شده، یک ابزار دقیق و بومی برای تشخیص زودهنگام در منطقهای با خطر بالا ارائه میدهد.
به گفته محققان، استفاده از چنین مدلهایی میتواند به مداخله سریعتر، کاهش هزینههای درمان و جلوگیری از پیشرفت بیماری در مراحل خاموش کمک کند.
