به گزارش پایگاه اطلاع رسانی بنیان، هوش مصنوعی و یادگیری ماشینی باعث ایجاد یک تغییر پارادایم در پزشکی می‌شوند و راه‌حل‌های مبتنی بر داده‌ها و راه‌حل‌های شخصی‌سازی شده برای مدیریت دیابت و خطرات بیش از حد قلبی عروقی ناشی از آن را فراهم می‌کنند.

توسعه و ارزیابی مدل‌های یادگیری ماشین بالینی
درک اصول اصلی توسعه و ارزیابی مدل برای تفسیر شواهد ضروری است. این مفاهیم گسترده هستند، در طیف وسیعی از شرایط بالینی و وظایف ML قابل اجرا هستند و مبانی ارزیابی حیاتی هوش مصنوعی و ML را نشان می دهند.

هوش مصنوعی (AI) و یادگیری ماشین (ML)
اگرچه هوش مصنوعی و ML به طور جدایی ناپذیری به هم مرتبط هستند، اما اصطلاحات یکسانی نیستند. هوش مصنوعی (AI) توانایی یک ماشین را برای انجام وظایفی که مختص هوش انسانی است، مانند درک زبان طبیعی، حل مسئله یا کارهای خلاقانه مانند تولید تصاویر و متن را توصیف می‌کند. از سوی دیگر، فرآیندی که از طریق آن یک سیستم هوش مصنوعی این توانایی را به دست می‌آورد، یادگیری و بهبود از طریق تجربیات و داده‌های مشاهده‌شده برای پیش‌بینی موارد جدید یا دیده نشده، یادگیری ماشین (ML) نامیده می‌شود.

آموزش مدل
مرحله خاصی که طی آن یک مدل از داده‌ها یاد می‌گیرد آموزش نیز نامیده می‌شود، در حالی که مجموعه داده مربوطه به عنوان مجموعه آموزشی نامیده می‌شود. در اینجا، مدل پیش‌بینی می‌کند و متعاقباً پارامترهای خود را بر اساس معیاری تنظیم می‌کند که میزان خوب یا بد بودن پیش‌بینی‌ها را کمیت می‌کند (تابع ضرر). معمول است که در طول آموزش، مدل بر روی یک گروه مشاهده نشده از مشاهدات (مجموعه اعتبارسنجی) اعمال می‌شود تا ارزیابی قابل اعتمادتری در مورد عملکرد در داده‌های دیده نشده به دست آید. 

یادگیری تحت نظارت و بدون نظارت
فرآیند یادگیری می‌تواند تحت نظارت یا بدون نظارت باشد. یادگیری نظارت شده یک فرآیند تکراری را توصیف می‌کند که ویژگی‌های ورودی مربوطه را انتخاب می‌شوند و سپس وزن‌هایی را برای پیوند داده‌های ورودی به یک مقدار (رگرسیون) یا کلاس (طبقه بندی) اختصاص می‌دهد. از سوی دیگر، یادگیری بدون نظارت، مجموعه داده‌های بدون برچسب را با شناسایی شباهت‌ها و تفاوت‌ها بین نقاط داده، تجزیه و تحلیل و خوشه بندی می‌شوند، بنابراین الگوهای پنهان در داده‌ها را آشکار می‌کند.

الگوریتم‌های یادگیری ماشینی
فرآیند ML چه تحت نظارت و چه بدون نظارت، نیازمند مجموعه‌ای از قوانین و تکنیک‌های آماری است که می‌توانند الگوهای معناداری را از داده‌ها یاد بگیرند که به نام الگوریتم شناخته می‌شوند. از رگرسیون خطی تا الگوریتم‌های یادگیری عمیق، این الگوریتم‌ها به طور قابل‌توجهی در توانایی‌شان برای مدل‌سازی داده‌های پیچیده، تفسیرپذیری و عملکرد متفاوت هستند. علاوه بر این، آن‌ها را می‌توان نه تنها برای مدل سازی نتایج مقطعی یا کوتاه مدت، همانطور که با رگرسیون لجستیک انجام می‌شود، بلکه برای پیش بینی‌های بلندمدت از طریق تجزیه و تحلیل بقا، مشابه مدل سازی رگرسیون کاکس که به طور گسترده برای تخمین خطر CVD استفاده می‌شود، تطبیق داد.

ارزیابی عملکرد مدل
ارزیابی جامع عملکرد یک مدل پیش‌بینی‌کننده ML مستلزم یک ارزیابی یکپارچه از تمایز، کالیبراسیون و مزایای بالینی است. معیارهای تشخیصی که معمولاً مورد استفاده قرار می‌گیرند، مانند منحنی مشخصه عملیاتی گیرنده (AUROC) و ناحیه زیر منحنی دقیق-یادآوری (AUPRC) رتبه‌بندی مدل از پیش‌بینی‌های فردی و توانایی تمایز بین کلاس‌های مختلف را توصیف می‌کنند. با این حال، AUROC ممکن است توصیف کاملی از عملکرد مدل، به ویژه در مجموعه داده‌های نامتعادل، ارائه ندهد.

تفسیر پذیری و توضیح پذیری
کاربران نهایی انسانی ممکن است نسبت به استفاده از چیزی که نمی‌توانند درک کنند احساس بی میلی کنند. تفسیرپذیری و توضیح پذیری دو مفهوم نزدیک به هم مرتبط و در عین حال کمی متفاوت را توصیف می‌کنند. تفسیرپذیری به میزانی اشاره دارد که یک انسان می‌تواند درک کند که چگونه ویژگی‌ها برای پیش بینی ترکیب می‌شوند. این امر به ویژه در هنگام آموزش یک مدل برای درک رفتار کلی آن و شناسایی منابع بالقوه سوگیری مطلوب است.

پیشرفت‌های مبتنی بر داده در دیابت و بیماری‌های قلبی عروقی
از دستگاه‌های پایش مداوم گلوکز گرفته تا پرونده‌های الکترونیکی سلامت (EHR)، نوار قلب (ECG)، تصاویر شبکیه، و تصاویر توموگرافی کامپیوتری، نظارت، غربالگری و مدیریت روزانه بیماران دیابتی دارای یک جریان دائمی ساختار یافته و بدون ساختار است. 

غربالگری هدفمند و طبقه بندی خطر پیش دیابت و دیابت
هم انجمن دیابت آمریکا (ADA) و هم گروه ویژه خدمات پیشگیرانه ایالات متحده (USPTF) بر اهمیت غربالگری زودهنگام برای پیش دیابت و دیابت در میان بزرگسالان بدون علامت برای اطمینان از تشخیص به موقع و جلوگیری از دیابت پایین دستی تاکید کرده‌اند. عوارض و عواقب آن دستورالعمل‌های کنونی غربالگری برای پیش دیابت و دیابت نوع 2 را با ارزیابی غیررسمی عوامل خطر یا یک محاسبه گر خطر معتبر در میان همه بزرگسالان بدون علامت و آزمایش در میان بزرگسالان در هر سنی که دارای اضافه وزن یا چاق هستند و دارای یک یا چند عامل خطر هستند توصیه می‌شوند.

فنوتیپ‌های قابل محاسبه بیماران دیابتی
طبقه بندی سنتی دیابت به نوع 1 و نوع 2 به طور کامل ماهیت پیچیده و بسیار ناهمگن این بیماری را نشان نمی‌دهد. از ناهمگونی ریزمحیط جزایر گرفته تا تنوع اندوتیپ‌های پاتوفیزیولوژیکی که گروه‌های جمعیتی متعددی را در بر می‌گیرد، دیابت بر گروه متنوعی از بیماران با زیربنای مولکولی متمایز که نیاز به رویکردهای فردی برای درمان دارند، تأثیر می‌گذارد.

پیش بینی CVD در بیماران مبتلا به دیابت (از تشخیص تا پیش بینی خطر)
دیابت با طیف وسیعی از عوارض میکرو و ماکرو عروقی همراه است. با توجه به سادگی و در دسترس بودن گسترده، تصاویر فوندوسکوپی در برخی از اولین مدل‌های DL در پزشکی مورد استفاده قرار گرفت و رتینوپاتی دیابتی را با عملکردی مطابق با خوانندگان متخصص پیش‌بینی کرد. این امر راه را برای غربالگری موثر دیابت و بیماری مزمن کلیوی مرتبط با دیابت و رتینوپاتی در محیط‌هایی با منابع محدود باز کرده است، همانطور که در مطالعات پیاده سازی در دنیای واقعی در تایلند و هند نشان داده شده است.

سلامت دیجیتال برای بهینه سازی و شخصی سازی مراقبت از دیابت از طریق الگوریتم‌های پیش بینی
با تغییر تمرکز از پیشگیری ثانویه از عوارض مرتبط با دیابت به پیشگیری اولیه در جامعه، چندین فناوری سلامت دیجیتال ظهور می‌کنند که می‌توانند در مقیاس و حداقل هزینه به کار گرفته شوند. مدل‌های زبان بزرگ (LLM) قبلاً به عوامل مکالمه هوشمند ("ربات‌های گفتگو") مانند ChatGPT منجر شده‌اند که برای اکثر افرادی که به اینترنت دسترسی دارند، آزادانه در دسترس هستند. چنین مدل‌هایی تکلیف‌گرا هستند و نشان داده شده‌اند که دستورالعمل‌های «مختصر»، «سازمان‌یافته» و قابل درک را برای یک سری سؤالات در مورد خودمدیریتی دیابت ارائه می‌کنند، البته با نادرستی‌های واقعی گاه به گاه.

نوآوری مبتنی بر هوش مصنوعی در آزمایشات بالینی و تولید شواهد
تشخیص اثرات درمان ناهمگن
کارآزمایی‌های تصادفی‌سازی و کنترل‌شده (RCTs) نشان‌دهنده استاندارد طلایی روش‌شناختی و نظارتی برای آزمایش اثربخشی و ایمنی درمان‌های جدید است. با این حال، RCT ها به طور سنتی یک اثر درمانی متوسط (ATE) را گزارش می‌کنند که به اندازه کافی سود فردی را برای هر پروفایل منحصر به فرد بیمار توصیف نمی‌شوند. تشخیص اثرات درمان ناهمگن قابل اعتماد (HTE) با این واقعیت محدود می‌شود که در کارآزمایی‌های پیامد، شرکت‌کنندگان به یک بازو اختصاص داده می‌شوند (بنابراین «معمولاً» هرگز مشاهده نمی‌شود). علاوه بر این، اکثر کارآزمایی‌ها فاقد قدرت آماری برای تشخیص تفاوت‌های زیرگروهی هستند.
پیشرفت‌های سریع در هوش مصنوعی و ML انقلابی در زمینه پزشکی ایجاد کرده و راه‌های جدیدی را برای بهینه سازی مدیریت دیابت و عوارض قلبی عروقی آن شناسایی کرده است. با این حال، چندین چالش باقی مانده است، از استانداردسازی ارزیابی عملکرد مدل همراه با قابلیت تفسیر و توضیح مدل تا کاهش تعصب در طول توسعه و استقرار. اذعان به این چالش‌ها و ایجاد یک محیط مشترک بین پزشکان، محققان، حامیان مالی و آژانس‌های نظارتی، پیش نیازی برای استفاده از پتانسیل کامل هوش مصنوعی در تسریع گذار به سمت رویکرد بیمار محورتر برای مراقبت از دیابت و CVD است.
پایان مطلب./