پیش‌بینی مرگ و میر بیماران مبتلا به عفونت بیمارستانی با استفاده از روش‌های یادگیری ماشین
به گزارش روابط عمومی معاونت تحقیقات و فناوری: گفتگو با دکتر ابراهیم بابائی در مورد " پیش‌بینی مرگ و میر بیماران مبتلا به عفونت بیمارستانی با استفاده از روش‌های یادگیری ماشین"
- با تشکر از حضور در این مصاحبه، لطفا خودتان را معرفی کرده و سوابق علمی، پژوهشی، اجرایی و عملی خود و فعالیت های مرتبط با این پژوهش را بیان کنید:
بنده دکتر ابراهیم بابائی هستم. متخصص اپیدمیولوژی و عضو هیات علمی مرکز تحقیقات طب پیشگیری و سلامت جمعیت و معاون پژوهشی مرکز تحقیقات واکسن دانشگاه علوم پزشکی ایران
همچنین بنده به عنوان متدولوژیست و ناظر پژوهشی در دفتر توسعه بیمارستان حضرت رسول اکرم (ص) نیز فعالیت می کنم.
- دلیل اصلی شما برای انتخاب این طرح تحقیقاتی چه بود و چه کسانی در این پژوهش یاری دهنده شما بودند؟
دلیل اصلی تیم ما برای انتخاب این طرح تحقیقاتی، اهمیت بالای عفونت‌های بیمارستانی (HAIs) به عنوان یکی از شایع‌ترین عوارض بستری بیماران در بیمارستان‌ها بود، به‌ویژه در بخش‌های ویژه مانند ICU که این عفونت‌ها می‌توانند به‌طور مستقیم با افزایش نرخ مرگ‌ومیر، طولانی‌تر شدن مدت بستری و افزایش هزینه‌های درمانی همراه باشند. با توجه به این چالش جدی، تصمیم گرفتیم از روش‌های یادگیری ماشین برای پیش‌بینی مرگ‌ومیر در بیماران مبتلا به عفونت‌های بیمارستانی استفاده کنیم تا بتوانیم به شناسایی زودهنگام بیماران در معرض خطر کمک کنیم و مدیریت بالینی بهتری فراهم شود.
در انجام این پژوهش، همکاری مشترکی بین چند مرکز علمی صورت گرفت. از جمله:
آقای دکتر حسن شجاعی مند متخصص هوش مصنوعی از مرکز تحقیقات بیماری‌های عفونی، دانشگاه علوم پزشکی گناباد
خانم دکتر پرنیا ولایتی متخصص مدیریت اطلاعات سلامت از مرکز تحقیقات پزشکی از راه دور (Telemedicine) در مؤسسه ملی تحقیقات سل و بیماری‌های ریوی (NRITLD)، دانشگاه علوم پزشکی شهید بهشتی
اساتید و همکاران پژوهشی از این مراکز نقش کلیدی در طراحی، تحلیل داده‌ها و اجرای مدلهای یادگیری ماشین داشتند. همچنین، پیاده‌سازی مدل‌ها با زبان برنامه‌نویسی Python و با استفاده از پنج چارچوب AutoML انجام شد.
3.پژوهش تان را معرفی کرده و با معرفی ویژگی ها و نوآوری های آن در خصوص موضوعات و محورهای آن شرح دهید:
عنوان پژوهش ما «پیش‌بینی مرگ‌ومیر در بیماران مبتلا به عفونت‌های بیمارستانی با استفاده از روش‌های یادگیری ماشین» بود. این مطالعه به دنبال ارائه مدلی دقیق و قابل اعتماد برای شناسایی زودهنگام بیماران در معرض خطر مرگ ناشی از عفونت‌های بیمارستانی است، تا از این طریق به بهبود تصمیم‌گیری بالینی و کاهش مرگ‌ومیر بیماران کمک کند. این پژوهش مبتنی بر داده‌های ۱۱۶۴ بیمار بستری در بیمارستان رسول اکرم تهران بود که به عفونت‌های بیمارستانی مبتلا شده بودند. ویژگی‌های مورد بررسی شامل سن، جنسیت، نوع عفونت، بخش بستری، بیماری‌های زمینه‌ای، نوع مداخله‌های تهاجمی، میکروارگانیسم عامل عفونت، مدت بستری، و فاصله زمانی بین پذیرش و بروز عفونت بود. متغیر هدف، وضعیت مرگ یا ترخیص بیمار بود.
به برخی از ویژگی‌ها و نوآوری‌های این پژوهش به شرح زیر می توانم اشاره کنم:
استفاده از پنج فریم‌ورک AutoML پیشرفته:
بصورت ابتکاری در این مطالعه، از پنج چارچوب خودکار یادگیری ماشین (AutoGluon، H2O، Auto-Sklearn، FLAML، LightAutoML) استفاده شد تا بهترین مدل بدون نیاز به تنظیمات دستی پیچیده انتخاب شود.
تحلیل اهمیت ویژگی‌ها با الگوریتم SHAP:
با بهره‌گیری از الگوریتم SHAP، مشخص شد که متغیرهایی مانند بخش بستری، سن بیمار، نوع عفونت و فاصله زمانی پذیرش تا بروز عفونت، بیشترین نقش را در پیش‌بینی مرگ‌ومیر داشتند. این تحلیل، شفافیت مدل و تفسیرپذیری آن را افزایش داد.
نوآوری در طراحی مدل بومی‌سازی‌شده:
با وجود مدلهای مختلف، در این پژوهش تأکید بر طراحی مدلی متناسب با ویژگی‌های بیمارستان‌های ایران و الگوی عفونت در آن‌ها بود. این موضوع به ما کمک کرد مدلی عملیاتی و متناسب با نیازهای واقعی کلینیکی طراحی کنیم.
کاربرد مستقیم در بهبود تصمیم‌گیری بالینی: این مدل می‌تواند در سیستم‌های بیمارستانی ادغام شده و به کادر درمانی هشدار دهد که کدام بیمار در معرض خطر مرگ قرار دارد تا اقدامات سریع‌تر و مؤثرتری انجام شود.
4.آیا این پژوهش به مرحله اجرا و بهره برداری رسیده است؟
در حال حاضر، این پژوهش به مرحله پیاده‌سازی آزمایشی (Pilot Implementation) در محیط تحقیقاتی رسیده است. مدلهای طراحی‌شده با استفاده از داده‌های واقعی از بیماران بیمارستان رسول اکرم تهران آموزش دیده‌اند و نتایج حاصل از آن‌ها، به‌ویژه مدل AutoGluon، عملکرد بسیار مطلوبی با دقت حدود ۷۹٪ و AUROC برابر با 0.85 نشان داده‌اند.
با توجه به نتایج امیدوارکننده، گام‌های اولیه برای اجرای عملیاتی مدل در محیط بالینی در حال بررسی است. به این منظور، می توان رایزنی‌هایی با مراکز درمانی و واحدهای انفورماتیک بیمارستان‌ها انجام داد تا بتوان این مدل را در سامانه‌های اطلاعات سلامت (HIS) یا داشبوردهای بیمارستانی ادغام کرد. البته، قبل از بهره‌برداری رسمی، نیاز به اعتباریابی خارجی (external validation) در سایر بیمارستان‌ها وجود دارد تا از پایداری عملکرد مدل در شرایط مختلف اطمینان حاصل شود. همچنین مراحل اخذ مجوزهای اخلاقی و فنی برای استقرار نهایی در سیستم‌های درمانی نیز لازم و ضروری است.
5.این طرح پژوهشی چه گره ای از مشکلات مردم باز خواهد کرد؟
عفونت‌های بیمارستانی یکی از معضلات جدی نظام سلامت هستند که مستقیماً بر سلامت بیماران و هزینه‌های خانواده‌ها تأثیر می‌گذارند. این پژوهش با هدف پیش‌بینی مرگ‌ومیر ناشی از این نوع عفونت‌ها، گره‌های مهمی از مشکلات مردم را باز می‌کند. در این زمینه میتوان به موضوعات زیر اشاره کرد:
افزایش شانس نجات بیماران در معرض خطر: با شناسایی زودهنگام بیماران در معرض خطر مرگ ناشی از عفونت‌های بیمارستانی، کادر درمان می‌توانند اقدامات پیشگیرانه یا درمانی مؤثرتری اتخاذ کنند، در نتیجه احتمال مرگ بیماران کاهش می‌یابد.
کاهش مدت بستری و بار مالی خانواده‌ها: با پیش‌بینی دقیق وضعیت بیماران، میتوان از بروز عوارض شدیدتر جلوگیری کرد که این موضوع منجر به کاهش مدت بستری، هزینه‌های دارویی، و نیاز به مراقبت‌های ویژه می‌شود.
پیشگیری از گسترش عفونت به دیگر بیماران: تشخیص سریع بیماران در معرض خطر به مسئولین کنترل عفونت کمک می‌کند تا اقدامات ایزولاسیون و پیشگیری را به‌موقع اجرا کنند، و از انتقال عفونت به دیگر بیماران جلوگیری شود.
کاهش فشار بر سیستم درمانی و ICUها: با کاهش موارد شدید عفونت، فشار بر بخش‌های مراقبت ویژه (ICU) کمتر می‌شود و منابع درمانی به‌صورت هدفمندتری تخصیص داده می‌شود.
افزایش اعتماد عمومی به بیمارستان‌ها: ارتقای ایمنی بیمار از طریق فناوری‌های نوین مانند هوش مصنوعی، موجب افزایش اعتماد مردم به سیستم سلامت و کاهش نگرانی‌های آنان از عوارض بستری خواهد شد.
6. انتظار شما از مسئولین و متولیان امور پژوهشی در زمینه حمایت و یا توسعه فعالیت های مشابه چیست و چه راهکارهایی پیشنهاد می کنید؟
انتظار ما از مسئولان و متولیان پژوهش، ایجاد زیرساخت و حمایت‌های واقعی برای توسعه تحقیقات کاربردی و فناورانه در حوزه سلامت، به‌ویژه در زمینه هوش مصنوعی و داده‌محور است. تجربه این پروژه نشان داد که چقدر استفاده از فناوری‌های نوین می‌تواند در تصمیم‌گیری بالینی، کاهش مرگ‌ومیر و افزایش کارایی نظام سلامت مؤثر باشد، اما بدون حمایت کافی، این طرح‌ها معمولاً از مرحله مقاله فراتر نمی‌روند.
راهکارهای پیشنهادی که تیم ما می تواند در این خصوص ارایه دهد می تواند موارد زیر باشد:
تخصیص بودجه‌های هدفمند برای پژوهش‌های داده‌محور: پروژه‌های مبتنی بر یادگیری ماشین، نیازمند دسترسی به داده‌های واقعی، تجهیزات رایانه‌ای قوی، و نیروی انسانی متخصص هستند. تأمین مالی منسجم برای این حوزه ضروری است.
ایجاد دسترسی قانونی و تسهیل‌شده به داده‌های بیمارستانی (با حفظ محرمانگی): متولیان سلامت باید بسترهای امنی برای به‌اشتراک‌گذاری داده‌های درمانی فراهم کنند تا پژوهشگران بتوانند مدلهای دقیق‌تر و کاربردی‌تری توسعه دهند. با اینکه در این پروژه خدا را شکر ما مشکلی نداشتیم و جای قدردانی از همکاران بیمارستان است.
ایجاد ساختارهای بین‌رشته‌ای پژوهش (پزشکی + هوش مصنوعی + مهندسی): حمایت از همکاری‌های بین دانشگاه‌های علوم پزشکی، فنی و شرکت‌های دانش‌بنیان می‌تواند منجر به تولید ابزارهای نوآورانه و قابل استفاده در بیمارستان‌ها شود.
حمایت از تبدیل پژوهش به محصول عملیاتی: از همه مهمتر پژوهش‌هایی که نتایج کاربردی دارند باید در فرآیندهای شتاب‌دهی و تجاری‌سازی قرار گیرند، تا بتوان آن‌ها را در قالب نرم‌افزار، اپلیکیشن یا سامانه‌های بیمارستانی پیاده‌سازی کرد. ایجاد مسیرهای سریع‌تر برای دریافت مجوزهای اخلاقی و قانونی اجرای پژوهش در محیط بالینی از موضوعات مهم دیگری است که باید بیشتر مورد توجه قرار گیرد.
7. اگر توضیح دیگری درخصوص برنامه های جاری، آینده و اهداف تان دارید در خاتمه این گفتگو بفرمایید:
در حال حاضر، اگر شرایط فراهم شود ما در حال برنامه‌ریزی برای گسترش دامنه این پژوهش به سایر بیمارستان‌ها و گروه‌های بیماران هستیم، تا مدل طراحی‌شده را در محیط‌های بالینی مختلف مورد اعتبارسنجی قرار دهیم. به عنوان مثال یکی از برنامه‌های کوتاه‌مدت ما، توسعه یک سامانه هوشمند هشداردهنده برای پزشکان است که با استفاده از الگوریتم‌های یادگیری ماشین بتواند بیماران در معرض خطر مرگ ناشی از عفونت را به‌صورت لحظه‌ای شناسایی کند. در گام بعد، تلاش داریم با همکاری مراکز دانش‌بنیان، این مدل را در قالب یک محصول نرم‌افزاری قابل استفاده در سامانه‌های بیمارستانی (HIS) پیاده‌سازی کنیم، به‌گونه‌ای که کاملاً با فرآیندهای درمانی روزمره سازگار باشد.
در پایان، وظیفه است از همه مسئولان و کادر درمانی بیمارستان حضرت رسول اکرم (ص) از جمله استاد خانم دکتر نفیسی معاون پژوهشی بیمارستان و سرکار خانم ندا شفیعی مدیر پرستاری مسئول کنترل عفونت بیمارستان و همچنین مرکز تحقیقات طب پیشگیری و سلامت جمعیت که ما را در این مسیر همراهی کردند سپاسگزار باشم و امیدوارم با حمایت بیشتر، شاهد گسترش این دستاوردها در سطح دانشگاهی و ملی باشیم.
از شما هم که وقتی را در اختیار بنده قرار دادید تا در خدمتتان باشم بسیار سپاسگزارم.
کامنت