پیشبینی مرگومیر بیماران مبتلا به عفونتهای بیمارستانی با کمک یادگیری ماشین
به گزارش اخبار توسعه، دکتر ابراهیم بابائی، متخصص اپیدمیولوژی و عضو هیئت علمی مرکز تحقیقات طب پیشگیری و سلامت جمعیت دانشگاه علوم پزشکی ایران، با اشاره به سوابق علمی و اجرایی خود اظهار کرد: فعالیت من در حوزه اپیدمیولوژی، متدولوژی پژوهش و نظارت علمی، بهویژه در دفتر توسعه بیمارستان حضرت رسول اکرم (ص)، همواره معطوف به ارتقای کیفیت خدمات سلامت و استفاده از شواهد علمی در تصمیمگیریهای بالینی بوده است. وی همچنین معاون پژوهشی مرکز تحقیقات واکسن این دانشگاه است.
به گفته دکتر بابائی، عفونتهای بیمارستانی یکی از شایعترین و در عین حال پرهزینهترین عوارض بستری بیماران، بهویژه در بخشهای ویژه مانند ICU محسوب میشوند و ارتباط مستقیمی با افزایش مرگومیر، طول مدت بستری و هزینههای درمانی دارند.
وی افزود: همین چالشها تیم پژوهشی را بر آن داشت تا با بهرهگیری از روشهای یادگیری ماشین، مدلی برای پیشبینی مرگومیر در این بیماران طراحی کند تا امکان مداخله زودهنگام فراهم شود.
این پژوهش با همکاری بینرشتهای و مشارکت متخصصان حوزههای مختلف انجام شده است. دکتر بابائی با اشاره به نقش همکاران علمی گفت: دکتر حسن شجاعیمند، متخصص هوش مصنوعی از دانشگاه علوم پزشکی گناباد، و دکتر پرنیا ولایتی، متخصص مدیریت اطلاعات سلامت از دانشگاه علوم پزشکی شهید بهشتی، به همراه دیگر اساتید و پژوهشگران، نقش کلیدی در طراحی مدلها، تحلیل دادهها و پیادهسازی الگوریتمها داشتند. مدلها با استفاده از زبان برنامهنویسی Python و پنج چارچوب AutoML توسعه یافتند.
وی در معرفی ویژگیهای پژوهش توضیح داد: این مطالعه بر اساس دادههای ۱۱۶۴ بیمار مبتلا به عفونتهای بیمارستانی در بیمارستان حضرت رسول اکرم (ص) انجام شد. متغیرهایی مانند سن، جنسیت، نوع عفونت، بخش بستری، بیماریهای زمینهای، مداخلات تهاجمی، میکروارگانیسم عامل عفونت، مدت بستری و فاصله زمانی پذیرش تا بروز عفونت در مدلها لحاظ شد و هدف نهایی، پیشبینی مرگ یا ترخیص بیمار بود.
از جمله نوآوریهای این پژوهش، استفاده همزمان از پنج چارچوب پیشرفته AutoML شامل AutoGluon، H2O، Auto-Sklearn، FLAML و LightAutoML برای انتخاب بهترین مدل بدون نیاز به تنظیمات پیچیده دستی است. همچنین با بهکارگیری الگوریتم SHAP، اهمیت متغیرها بهصورت شفاف تحلیل شد و عواملی مانند بخش بستری، سن بیمار، نوع عفونت و زمان بروز عفونت، بیشترین نقش را در پیشبینی مرگومیر نشان دادند. این رویکرد، تفسیرپذیری مدل و اعتماد بالینی به نتایج آن را افزایش داده است.
دکتر بابائی با اشاره به وضعیت اجرا گفت: این پژوهش در حال حاضر به مرحله پیادهسازی آزمایشی رسیده و مدل AutoGluon عملکرد مطلوبی با دقت حدود ۷۹ درصد و شاخص AUROC معادل 0.85 نشان داده است. وی افزود: گامهای اولیه برای استقرار عملیاتی مدل در سامانههای اطلاعات بیمارستانی در حال بررسی است، هرچند پیش از بهرهبرداری رسمی، انجام اعتبارسنجی خارجی در سایر بیمارستانها و اخذ مجوزهای اخلاقی و فنی ضروری است.
وی تأکید کرد: کاربرد این مدل میتواند به افزایش شانس نجات بیماران پرخطر، کاهش مدت بستری و هزینههای درمانی خانوادهها، پیشگیری از گسترش عفونت در بیمارستان و کاهش فشار بر بخشهای مراقبت ویژه منجر شود. به گفته او، استفاده از فناوریهای هوش مصنوعی در کنترل عفونتهای بیمارستانی، نقش مهمی در افزایش ایمنی بیمار و اعتماد عمومی به نظام سلامت دارد.
مجری طرح در بخش دیگری از سخنان خود، خواستار حمایت جدیتر مسئولان از پژوهشهای دادهمحور و فناورانه شد و گفت: بدون تأمین زیرساخت، بودجه هدفمند، دسترسی امن به دادههای بیمارستانی و حمایت از پژوهشهای بینرشتهای، بسیاری از این طرحها در حد مقاله باقی میمانند. وی بر ضرورت تسهیل مسیر تبدیل پژوهش به محصول عملیاتی و ادغام آن در سامانههای بیمارستانی تأکید کرد.
دکتر بابائی در پایان از برنامههای آینده تیم پژوهشی برای گسترش اعتبارسنجی مدل در سایر بیمارستانها و توسعه یک سامانه هوشمند هشداردهنده برای شناسایی لحظهای بیماران در معرض خطر خبر داد و ابراز امیدواری کرد که با همکاری مراکز دانشبنیان، این مدل بهصورت یک نرمافزار کاربردی در سامانههای HIS پیادهسازی شود. وی همچنین از مسئولان و کادر درمانی بیمارستان حضرت رسول اکرم (ص) و مرکز تحقیقات طب پیشگیری و سلامت جمعیت بهدلیل همکاری در اجرای این پژوهش قدردانی کرد.
