Reanimasiya şöbələrində canlarını qurtarmağa çalışan həkimlər üçün, əgər xəstənin vəziyyəti sürətlə pisləşdikdə və ya həyati əhəmiyyətini yüksək dərəcədə anormal diapazonlarda göstərdikdə onlara xəbərdarlıq edilsəydi, bu, çox faydalı olardı.

Mövcud maşın öyrənmə modelləri bu məqsədə nail olmağa çalışsa da, Communications Medicine -də nəşr olunan Virginia Tech araşdırması göstərir ki, onlar xəstəxanada ölüm proqnozu modelləri ilə kifayətlənmirlər.

Danfeng “Daphne” Yao, Kompüter Elmləri Departamentinin professoru və Sanqani Süni İntellekt və Məlumat Analitikası Mərkəzinin filial üzvü, “Proqnozlar yalnız kritik xəstə vəziyyətini dəqiq tanıya bildikdə dəyərlidir. Onlar sağlamlıq vəziyyəti pisləşən xəstələri müəyyən edə və həkimləri dərhal xəbərdar etməlidirlər”.

Yao, “Tədqiqatımız mövcud maşın öyrənmə modellərinin həssaslığında ciddi çatışmazlıqlar aşkar etdi” dedi. “Qiymətləndirdiyimiz modellərin əksəriyyəti kritik sağlamlıq hadisələrini tanıya bilmir və bu, böyük problem yaradır.”

Tədqiqatlarını aparmaq üçün Yao və kompüter elmləri doktoru. tələbə Tanmoy Sarkar Pias bir sıra tədqiqatçılarla əməkdaşlıq etmişdir.

Onların “Maşın öyrənmə modellərinin kritik və ya pisləşən sağlamlıq vəziyyətlərinə aşağı həssaslığı” adlı məqaləsi, xəstə məlumatlarının modellərə gələcək sağlamlıq risklərini necə təyin etməyi öyrətmək üçün kifayət etmədiyini göstərir. Səhiyyə modellərinin “test xəstələri” ilə kalibrlənməsi modellərin həqiqi qabiliyyətini və məhdudiyyətlərini aşkar etməyə kömək edir.

Komanda gradient qalxma metodu və sinir aktivləşdirmə xəritəsi daxil olmaqla bir çox tibbi test yanaşmaları hazırladı. Sinir aktivləşdirmə xəritəsindəki rəng dəyişiklikləri maşın öyrənmə modellərinin pisləşən xəstə vəziyyətlərinə nə qədər yaxşı reaksiya verdiyini göstərir. Qradiyent yüksəlmə metodu avtomatik olaraq xüsusi test nümunələri yarada bilər ki, bu da modelin keyfiyyətinin qiymətləndirilməsini asanlaşdırır.

“Biz sistematik olaraq maşın öyrənmə modellərinin yeni test nümunələrindən istifadə edərək ciddi tibbi vəziyyətlərə cavab vermək qabiliyyətini qiymətləndirdik, bəziləri zaman seriyasıdır, yəni gələcək dəyərləri proqnozlaşdırmaq üçün müntəzəm fasilələrlə toplanan müşahidələr ardıcıllığından istifadə edirlər” dedi Pias.

” Tibb həkimlərinin rəhbərliyi ilə qiymətləndirməmiz çoxlu maşın öyrənmə modellərini, optimallaşdırma üsullarını və iki klinik proqnoz tapşırığı üçün dörd məlumat dəstini əhatə etdi.”

Xəstəxanadaxili ölüm proqnozu üçün xəsarətlərin 66%-ni tanıya bilməyən modellərə əlavə olaraq, modellər bəzi hallarda bütün test halları üçün adekvat ölüm riski balları yarada bilmədi. Tədqiqat beş illik döş və ağciyər xərçəngi proqnoz modellərinin cavab reaksiyasında oxşar çatışmazlıqları müəyyən etdi.

Yao bildirib ki, bu tapıntılar maşın öyrənməsi və süni intellektdən (AI) istifadə edərək gələcək səhiyyə tədqiqatlarını məlumatlandırır , çünki onlar yalnız xəstə məlumatlarından hazırlanmış statistik maşın öyrənmə modellərinin tamamilə qeyri-kafi olduğunu və bir çox təhlükəli kor nöqtələrə malik olduğunu göstərir.

Təlim məlumatlarını şaxələndirmək üçün strateji cəhətdən işlənmiş sintetik nümunələrdən istifadə etmək olar, bu yanaşma Yao komandasının azlıq xəstələri üçün proqnoz ədalətliliyini artırmaq üçün 2022-ci ildə araşdırdı.

“Daha fundamental dizayn tibbi bilikləri klinik maşın öyrənmə modellərinə dərindən daxil etməkdir” dedi. “Bu, həm hesablama, həm də tibbi təcrübəyə malik böyük bir komanda tələb edən yüksək fənlərarası işdir.”

Bu vaxt, Yao qrupu, sepsisin aşkarlanması kimi zamana həssas klinik işlərdə təhlükəsizliyi və effektivliyi üçün böyük dil modelləri də daxil olmaqla digər tibbi modelləri aktiv şəkildə sınaqdan keçirir.

“AI təhlükəsizlik testi zamana qarşı yarışdır, çünki şirkətlər tibbi məkana məhsullar tökürlər” dedi. “Şəffaf və obyektiv test mütləqdir. AI testi insanların həyatını qorumağa kömək edir və mənim qrupum buna sadiqdir.”

Daha çox məlumat: Maşın Öyrənmə Modellərinin Kritik və ya Pisləşən Sağlamlıq Şərtlərinə Aşağı Cavabdarlığı, Rabitə Tibb (2025). DOI: 10.1038/s43856-025-00775-0

Jurnal məlumatı: Rabitə Tibb Virginia Tech tərəfindən təmin edilmişdir