Web Analytics Made Easy - Statcounter

ایتنا - هوش مصنوعی ثابت کرد که می‌تواند تصویربرداری‌های پزشکی را تفسیر کند و حتی نشان داد که قادر است در آزمون‌های دریافت مجوز پزشکی قبول شود.
اکنون یک ابزار جدید هوش مصنوعی نشان داده است که می‌تواند یادداشت‌ پزشک (شرح حال بیمار) را بخواند و خطر مرگ، بستری مجدد در بیمارستان و سایر نتایج مهم برای مراقبت از بیمار را به‌دقت پیش‌بینی کند.

بیشتر بخوانید: اخباری که در وبسایت منتشر نمی‌شوند!



به گزارش ایتنا و به نقل از ایندیپندنت، از این نرم‌افزار که طراحی گروهی از پژوهشگران  دانشکده پزشکی گراسمن نیویورک است، اکنون در بیمارستان‌های وابسته به این دانشگاه در سراسر نیویورک استفاده می‌شود به این امید که در آینده به بخشی استاندارد از مراقبت‌های سلامت تبدیل شود.

اریک اورمن، نویسنده اصلی این مطالعه، جراح مغز و اعصاب و دانشمند علوم رایانه‌ای دانشگاه نیویورک، به خبرگزاری فرانسه گفت: «مدل‌های پیش‌بینی غیر هوش مصنوعی مدت‌ها است که در پزشکی وجود دارند اما به دلیل نیاز به سازماندهی مجدد و قالب‌بندی پیچیده داده‌ها، عملا کمتر از آن‌ها استفاده می‌شد.»

او گفت: «همه‌جا رایج است که پزشک درباره آنچه در کلینیک دیده‌ و آنچه از بیمار شنیده‌ است شرح‌حالی بنویسد. بنابراین برداشت پایه‌ای ما این بود که آیا می‌توانیم از یادداشت‌های پزشک به مثابه منبع داده شروع کنیم و سپس مدل‌های پیش‌بینی‌کننده را بر اساس آن‌ها بسازیم؟»

این مدل زبانی بزرگ به نام نیویورک‌ترون (NYUTron) بر اساس میلیون‌ها شرح‌حال بالینی از سوابق سلامتی ۳۸۷ هزار نفر که بین مه ۲۰۲۰ تا ژانویه ۲۰۲۱ در بیمارستان‌های لنگان نیویورک بستری شدند، شکل گرفت. مواردی شامل هرگونه شرح سوابق به نقل از پزشک مانند شرح بهبودی بیمار، گزارش‌های رادیولوژی و رهنمودهای ترخیص که مجموعه‌ای حاوی ۴.۱ میلیارد کلمه پدید آورد.

از چالش‌های مهم این نرم‌افزار، تفسیر زبان طبیعی است که پزشکان در یادداشت‌هایشان استفاده می‌کنند. این زبان ممکن است در افراد مختلف با هم فرق کند. در اختصارهایی که در این شرح‌حال‌ها استفاده می‌شود نیز تفاوت‌هایی وجود دارد.

پژوهشگران با بررسی سوابق رخدادها، توانستند دقت پیش‌بینی‌های این نرم‌افزار را محاسبه کردند.

 

آن‌ها این ابزار را در محیط‌های زنده نیز آزمایش کردند. برای نمونه آن را با استفاده از سوابق بیمارستانی در منهتن شکل دادند و بعد عملکرد آن را در بیمارستانی در بروکلین با خصوصیت جمعیت‌شناختی متفاوت بررسی کردند.

نیویورک‌ترون در مجموع ۹۵ درصد افرادی را که پیش از ترخیص از بیمارستان جان خود را از دست می‌دهند و ۸۰ درصد بیمارانی که ظرف ۳۰ روز دوباره بستری می‌شوند، شناسایی کرد.

این نرم‌افزار از نظر پیش‌بینی از بیشتر پزشکان و همین‌طور از مدل‌های رایانه‌ای غیر هوش مصنوعی که امروزه از آن‌ها استفاده می‌شود، بهتر عمل کرد.

اما اورمن گفت: «باسابقه‌ترین پزشک، که در واقع پزشکی بسیار مشهور است، عملکردی فوق‌بشری و به‌مراتب بهتر از این نرم‌افزار داشت. نقطه قوت ترکیب فناوری و پزشکی تضمین دستیابی به نتایج فوق‌بشری نیست بلکه عملکرد پایه‌ای را بهبود می‌بخشد.»

نیویورک‌ترون همچنین ۷۹ درصد از مدت اقامت واقعی بیماران، ۸۷ درصد مواردی که بیماران تحت پوشش بیمه نبودند و ۸۹ درصد مواردی که بیماری اصلی فرد با بیماری‌های دیگر همراه بود، درست تخمین زد.

اورمن گفت که هوش مصنوعی هرگز نمی‌تواند جایگزین رابطه بیمار و پزشک شود. بلکه به پزشک «اطلاعات بیشتری می‌دهد تا بتواند بر بالین بیمار تصمیم آگاهانه‌تری بگیرد».

منبع: ايتنا

کلیدواژه: هوش مصنوعی بیماری پزشکی نرم افزار هوش مصنوعی پیش بینی

درخواست حذف خبر:

«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.itna.ir دریافت کرده‌است، لذا منبع این خبر، وبسایت «ايتنا» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۳۷۹۵۶۰۹۳ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.

با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.

خبر بعدی:

بیش از ۱۲ هزار پزشک امروز با هم رقابت کردند/ ظرفیت پذیرش آزمون دستیاری ۱۲ درصد افزایش می یابد

بهرام عین اللهی در حاشیه برگزاری پنجاه و یکمین دوره آزمون پذیرش دستیار تخصصی پزشکی، با اشاره به رقابت بیش از ۱۲ هزار پزشک در این آزمون تخصصی، تصریح کرد: تعداد داوطلبان ثبت نام کننده در این آزمون ۱۲ هزار و ۳۵۸ نفر است که از این تعداد ۶۴۲۴ نفر یعنی ۵۲ درصد شرکت کنندگان خانم ها و ۵۹۳۴ نفر یعنی ۴۸ درصد شرکت کنندگان را آقایان تشکیل می دهند.

وی با بیان اینکه پنجاه و یکمین دوره آزمون پذیرش دستیار تخصصی پزشکی در ۲۹ حوزه امتحانی در دانشگاه های علوم پزشکی سراسر کشور به طور همزمان برگزار شد، افزود: داوطلبان شرکت کننده می توانند در ۲۷ رشته تخصصی در دانشگاه های علوم پزشکی کشور نسبت به انتخاب رشته محل اقدام کنند.

عین اللهی با اشاره به اجرای مصوبات برنامه هفتم توسعه در زمینه افزایش ظرفیت پذیرش دستیاری، بیان کرد: در دولت مردمی این ظرفیت افرایش یافت، به طوریکه در سال گذشته ظرفیت پذیرش از ۳۲۰۰ نفر به بیش از ۵ هزار نفر افزایش پیدا کرد، امسال نیز ۱۲ درصد افرایش خواهیم داشت.

وزیر بهداشت خاطر نشان کرد: طراحی آزمون دستیار تخصصی پزشکی بسیار علمی و فشرده از چندماه قبل توسط استادان برجسته انجام شده و اقدامات امنیتی لازم نیز صورت گرفته است. در این راستا دفترچه آزمون در سه گروه طراحی می شود و تا زمان برگزاری آزمون محرمانه باقی می ماند. این آزمون نیز در کمال صحت و سلامت و به دور از حاشیه برگزار شد.

عین اللهی درمورد رشته هایی تخصصی که نیاز به پذیرش دستیار دارد، گفت: در سال گذشته سه رشته اطفال، طب اورژانس و بیهوشی نیاز به تکمیل ظرفیت داشت که در شورای آموزش پزشکی و تخصصی تصمیم گرفته شد که این رشته ها به صورت مستقیم از دوران کارورزی پذیرش شوند که به تمام دانشگاه ها اعلام کردیم و تکمیل این رشته ها صورت گرفت.

به گزارش وبدا، وزیر بهداشت با اشاره به افزایش تعرفه ها از سوی دولت، گفت: این موضوع مشوق خوبی برای ورود دستیاران است.

منبع: خبرگزاری ایسنا

دیگر خبرها

  • پیش‌بینی هوای ۳۰ روز آینده با هوش مصنوعی!
  • استفاده مایکروسافت از هوش مصنوعی برای پیش‌بینی دقیق‌تر آب‌وهوا
  • هوش مصنوعی یک ابزار کمکی است و جایگزین پزشک نمی‌شود
  • هوش مصنوعی جایگزین پزشک نمی‌شود
  • دخالت تکنسین‎‌ها در امور جراحی و زیبایی/ چطور باید شکایت کرد؟
  • هر کدملی یک مراقب سلامت دارد/پوشش ۵۵ میلیون نفری پزشک خانواده
  • محکومیت پزشک جراح برای دریافت اضافه بها
  • یک مراقب سلامت برای هر کد ملی
  • تا کنون حدود ۵۰ هزار پیوند کلیه در ایران انجام شده است/
  • بیش از ۱۲ هزار پزشک امروز با هم رقابت کردند/ ظرفیت پذیرش آزمون دستیاری ۱۲ درصد افزایش می یابد