پیش‌بینی عفونت در نوزادان با استفاده از یادگیری ماشینی

به گزارش عصرقائم، «سپسیس»؛ مهم‌ترین بیماری ۲۸ روز اول زندگی و از دلایل اصلی مرگ‌ومیر نوزادان در بخش مراقبت‌های ویژه است. این عفونت نوزادی به عنوان عفونت‌های بیمارستانی شناخته می‌شود. از آن‌جا که اغلب این عفونت‌ها به آنتی‌بیوتیک مقاوم هستند، ‌می‌توانند عامل اصلی عدم پاسخ‌گویی بالینی به درمان و گسترش سریع بیمای سپسیس و بروز شوک سپتیک، نارسایی‌های متعدد و مرگ‌ومیر بیشتر در بیمارستان‌ها شوند.

«آسینتوباکتر» یکی از باکتری‌های فرصت‌طلب مهمی است که به طور وسیعی در بیمارستان‌ها پراکنده شده و عامل اصلی عفونت‌های بیمارستانی است. چون به سرعت به گروه‌های اصلی آنتی‌بیوتیک مانند پنی‌سیلین، مقاوم می‌شود و درمان آن مشکل است.

با توجه به اهمیت تشخیص سریع سپسیس نوزادی، پژوهشگران با انجام یک مطالعه سپسیس با عامل عفونی، آسینتوباکتر را در نوزادان بستری در بخش مراقبت‌های ویژه با استفاده از مدل‌سازی «یادگیری ماشینی»، بررسی کردند.

یادگیری ماشینی؛ یکی از شاخه‌های علوم کامپیوتر است که می‌تواند با استفاده از داده‌ها، آموزش ببیند و بر اساس آن آموخته‌ها، داده‌های جدیدی را پیش‌بینی کند. از این روش می‌توان در پیش‌بینی، پیش‌آگهی و تشخیص بیماری‌ها، جراحی روباتیک، درمان شخصی‌سازی‌شده، کشف داروها و … استفاده کرد. این روش می‌تواند داده‌های بزرگی را که خارج از محدوده پردازشی انسان است، بررسی کند.

برای انجام این مطالعه، ابتدا با جستجو در پایگاه‌های اطلاعاتی، یافته‌های بالینی، یافته‌های آزمایشگاهی، گاز خون شریانی، علایم حیاتی، بیماری‌های همراه و رویه‌های تهاجمی سپسیس را جستجو کردند. پس از استخراج این داده‌ها، لیستی شامل ۷۵ ویژگی را جهت تایید در اختیار پنج نفر از استادان فوق تخصص نوزادان قرار دادند.

همچنین اطلاعات چهار هزار و ۱۹۶ نوزاد از ابتدای سال ۱۳۹۵ تا شهریور ۱۳۹۹ از سامانه مرکز تحقیقات مادر، جنین و نوزاد بیمارستان ولیعصر تهران دریافت شد و عملیات پردازش بر روی آن‌ها انجام گرفت.

بر اساس بررسی انجام‌شده بالاترین میزان اهمیت در پیش‌بینی سپسیس مربوط به «مدت زمان بستری در بخش مراقبت‌های ویژه» و کم‌ترین اهمیت مربوط به «کاتتر وریدی نافی» است.

در پژوهش‌های دیگر مواردی از قبیل سن بارداری و علایم حیاتی، کشت خون مثبت، لاکتات، فشار خون سیستولیک، سن بارداری، وزن نوزاد هنگام تولد، تهویه مکانیکی، تغذیه کامل تزریقی و انتقال خون، بی‌حالی و تغذیه ضعیف، جنسیت نوزاد و … برای پیش‌بینی سپسیس در نوزادان استفاده شده است.

به گفته پژوهشگران این مطالعه استفاده از نمونه‌های آموزشی مختلف و انتخاب‌های پیچیده‌ از ویژگی‌های ترکیبی می‌تواند عملکرد این مدل‌ها را بهبود بخشد. همچنین لازم است اثربخشی بالینی این مدل‌های یادگیری در یک کارآزمایی بالینی تایید شود.

در انجام این پژوهش، نیلوفر محمدزاده، زیبا مسیبی و محمد شجاعی‌نیا؛ محققان دانشگاه علوم پزشکی تهران، به همراه حمید بیگی پژوهشگر گروه هوش مصنوعی دانشگاه صنعتی شریف، مشارکت داشتند.

این کار حاصل پایان‌نامه کارشناسی ارشد رشته انفورماتیک پزشکی دانشگاه علوم پزشکی تهران است و یافته‌های آن به صورت مقاله علمی با عنوان «پیش‌بینی سپسیس به دلیل عفونت آسینتوباکتری در نوزادان بستری در بخش مراقبت‌های ویژه نوزادان» در دو ماه‌نامه پیاورد سلامت؛ مجله دانشکده پیراپزشکی دانشگاه علوم پزشکی تهران، منتشر شده است.