به گزارش روابط عمومی معاونت تحقیقات و فناوری: در مقدمه این گفتگو دکتر عباس شیخ طاهری عنوان کرد: دانشیار گروه مدیریت اطلاعات سلامت در دانشکده مدیریت و اطلاع رسانی پزشکی دانشگاه هستم و به لحاظ پژوهشی در هسته تحقیقاتی هوش مصنوعی و سلامت دیجیتال دانشکده فعالیت میکنم و فعالیتهای اینجانب در راستای خطوط تحقیقاتی این هسته است در این هسته تحقیقاتی که از 4 سال پیش شکل گرفته، سعی شده است تا در راستای اولویت های تحقیقاتی و اهداف کلان دانشگاه فعالیت شود. در این هسته تحقیقاتی و البته در گروه، فعالیتهای پژوهشی در حوزه سلامت دیجیتال و پزشکی از راه دور، حوزه هوش مصنوعی و یادگیری ماشین، سامانه های بهداشت عمومی و ثبت بیماریها، سلامت همراه و زیرساختهای فناوری اطلاعات سلامت انجام میشود و فعالیت های خود من نیز عمدتا در حوزه های سلامت دیجیتال و پزشکی از راه دور، یادگیری ماشین و سامانه های بهداشت عمومی و ثبت بیماریها است.

در همین راستا، مطالعه بهینه سازی راه اندازی برنامه های ثبت بیماری، همکاری با گروه های بالینی مختلف در داخل و خارج دانشگاه برای راه اندازی این برنامه ها، تولید اپلیکیشنهای حوزه سلامت و ارایه مدلهای هوش مصنوعی (عمدتا یادگیری ماشین) برای تشخیص بیماری یا پیش بینی وضعیت بیماران بخصوص پیامدهای کوتاه مدت یا بلند مدت مراقبت و استانداردهای مربوط به فناوریهای اطلاعات سلامت و به طور مشخص تر استانداردهای ترمینولوژی و کدینگ از حوزه های مطالعاتی و پژوهشی بنده است که به کمک همکاران و دانشجویان در حال انجام است.

به عنوان سوال دوم درخصوص طرح پژوهشی که پایان یافته توضیحاتی با ارائه آمار و نتایج آن ارائه کنید:

این طرح با عنوان طراحی مدل پیش بینی مرگ در بیماران سیگاری مبتلا به کووید 19 با کمک یکی از دانشجویان کارشناسی ارشد اینجانب انجام شده است که در آن با روشهای یادگیری ماشین سعی شده تا مدلهای بهینه ای برای پیش بینی فوت بیماران مبتلا به کووید طراحی شود.

همانطور که میدانید تعداد زیاد بیماران کووید 19 سیستم‌های مراقبت سلامت را تحت فشار قرار داد و آن‌ها را با کمبود منابع روبه‌رو کرد.

در آن زمان، خیلی اهمیت داشت که بتوان بیماران دارای شرایط پرخطر را زودتر شناسایی کرد و در اولویت برنامه های مراقبت قرار داد. یکی از پیامد هایی که برای این اولویت بندی مهم است، احتمال فوت است. در واقع اگر بتوان سریع تر چنین افرادی را شناسایی کرد، ممکن است بتوان شرایط را تغییر داد. در این مطالعه، با همین هدف، مدلهای مختلف یادگیری ماشین ایجاد شد تا بتوان بیماران دارای خطر بیشتر فوت را شناسایی کرد. دو گروه از مدلها ایجاد و ارزیابی شدند. یکسری از این مدلها بر اساس داده های زمان پذیرش کار میکنند و میتوان به کمک آنها احتمال فوت را در همان زمان پذیرش تخمین زد. با توجه به اینکه بعد از پذیرش و دریافت مراقبت، ممکن است میزان خطر برای بیماران تغییر کند، سری دوم مدلها بر اساس مجموعه کامل تری از داده های بیماران یعنی هم داده های زمان پذیرش و هم داده های مربوط به بعد از پذیرش بیماران ساخته شده اند. از آنجایی که بیمارانی که مصرف سیگار دارند، ممکن است ریسک بالاتری داشته باشند، در این مطالعه به طور مشخص روی این گروه کار شده است. مدلهایی که ساخته شدند با میزان صحت نزدیک 88 در زمان پذیرش و  91 درصد بعد از پذیرش امکان پیش بینی فوت را فراهم می کنند.

تفاوت این پژوهش در مقایسه با طرح های اینچنینی در ایران و دنیا به چه صورت است؟

مطالعات زیادی برای پیش بینی فوت بیماران در دنیا انجام شده است اما چند نکته را باید در نظر داشت: اول اینکه بسیاری از مطالعات کل بیماران را لحاظ کرده اند و زیرگروههای جمعیتی پرخطرتر و دارای توزیع کمتر را به طور خاص مدنظر قرار نداده اند این مساله باعث میشود که آنها مدلها هر چند در کل صحت بیشتری ممکن است داشته باشند ولی در این گروه های کم جمعیت تر و پرخطرتر عملکرد مناسبی نداشته باشند، چون شرایط خاص این گروه ها در آن مدلها لحاظ نشده است و تا زمانی که این مطالعه انجام شد، ما مطالعه ای ندیدیم که مدلهای یادگیری ماشین بر روی گروههای مصرف کننده سیگار طراحی کرده باشند.

نکته بعدی این است که اکثر مطالعات یادیگری ماشین که در این حوزه انجام شده اند، یک موضوع بسیار مهم را گزارش نداده اند.

اکثر مدلهای یادگیری ماشین اصطلاحا جعبه سیاه هستند یعنی مشخص نیست دقیقا چه کاری انجام میدهند و چگونه نتیجه گیری میکنند و این موضوع از نظر بالینی خوب نیست و پذیرش این مدلها را کاهش میدهند. هرچند روشهای مختلفی برای بازکردن این مدلها و اصطلاحا تفسیرپذیر کردن آنها وجود دارد، اکثر مطالعات منتشر شده در حوزه پیش بینی فوت بیماران کووید این موضوع را انجام نداده یا گزارش نکرده اند ولی در این مطالعه این موضوع گزارش شده است و در واقع مشخص است که در بیماران سیگاری، چه عواملی بیشتر تاثیر گذار بر فوت هستند.

دستاوردهای این طرح برای مردم و بیماران و در نهایت برای جایگاه علمی دانشگاه و کشور به چه صورت است و  اینکه آیا خروجی این طرح اجرای شد و باعث فواید برای کشور شده است؟

نتایج چنین طرح هایی در صورت استفاده میتواند برای بیماران و سیستم سلامت مفید باشد و مدلهای یادگیری ماشین در صورت داشتن دقت مناسب و تفسیرپذیری خوب اگر مورد پذیرش تیمهای درمانی قرار گیرند میتواند منجر به تشخیص و درمان سریعتر بیماران منجر شود. نتایج طرح حاضر هم به همین شکل در صورت استفاده از آن میتوان بیماران در معرض خطر را سریع تر شناسایی کرد و برای کاهش خطر یا جلوگیری از پیامدناگوار برنامه ریزی بهتری انجام داد.

با این حال باید توجه داشت، مدلهای هوش مصنوعی (یادگیری ماشین) براحتی نمیتوانند صرفا پس از یک مطالعه وارد بالین شوند. به مطالعات اعتبارسنجی زیادی نیاز است تا مشخص شود که این مدلها در محیط واقعی نیز درست کار میکنند یا خیر و این موضوع مستلزم دسترسی به داده های منابع مختلف است که به سختی تامین میشود. علاوه بر این، بسیاری از این مدلهای یادگیری ماشین و هوش مصنوعی بعنوان  ابزارهای کمک تشخیصی یا ارزیابی خطر ممکن است برای استفاده واقعی در بالین نیاز به مجوزهای رسمی داشته باشند که لازم است در این خصوص نیز سازوکارهای لازم اندیشه شود تا بتوان این مدلها و روشها را به بالین برد. به همین دلالیلی که ذکر شد مدل این کار نیز هنوز اجرایی نشده و در محیط واقعی استفاده نشده است.

در پایان اگر نکته و مطلبی مدنظرتان است بفرمایید:

ساخت و استفاده از مدلهای یادگیری ماشین و سامانه های هوشمند مبتنی بر این مدلها مستلزم در اختیار داشتن داده های کافی و باکیفیت است و اگر قرار است دانشگاه به سمت بکارگیری این مدلهای هوشمند حرکت و در این زمینه پیشرفت کند ابتدا باید بر روی داده های سلامت، کیفیت این داده ها و مدیریت صحیح آنها سرمایه گذاری کند. هسته تحقیقاتی هوش مصنوعی و سلامت دیجیتال دانشکده مدیریت و اطلاع رسانی پزشکی آماده همکاری با گروه ها، بیمارستانها و مراکز تحقیقاتی دانشگاه برای انجام فعالیتهای مشترک در راستای خطوط تحقیقاتی این هسته بخصوص یادیگری ماشین است.