به گزارش گروه فضای مجازی،به نقل از مدیکال‌اکسپرس، شاید یادگیری ماشینی بتواند در پیش‌بینی مرگ و میر و یا حمله قلبی بر انسان غلبه کند.

پژوهشگران "انجمن تصویربرداری قلب و عروق اروپا" (EACVI) توانستند با تحلیل ۸۵ متغیر در ۹۵۰ بیمار، نحوه بررسی داده‌های حاصل از تصویربرداری را به آن آموزش دهند. این الگوریتم پس از یادگیری داده‌ها توانست الگو‌های رابط میان متغیر‌ها و مرگ و میر یا حمله قلبی را با دقت بیش از ۹۰ درصد شناسایی کند.

یادگیری ماشینی در حال حاضر هر روز مورد استفاده قرار می‌گیرد. موتور جستجوی گوگل، سیستم تشخیص چهره تلفن همراه، خودرو‌های خودران و سیستم‌هایی از این دست برای سازگار شدن با کاربر، از الگوریتم‌های یادگیری ماشینی استفاده می‌کنند.

دکتر "لوئیس ادواردو جوارز- اوروزکو" (Luis Eduardo Juarez-Orozco)، از پژوهشگران این پروژه گفت: پیشرفت یادگیری ماشینی، بسیار فراتر از پیشرفت‌های صورت گرفته در حوزه پزشکی است. ما در حوزه پزشکی باید مراقب خطرات احتمالی و پیامد‌های ناشی از آن‌ها باشیم. اگرچه داده‌های بسیاری در این حوزه در اختیار داریم، اما تا زمانی که اطمینان کافی نداشته باشیم، نمی‌توانیم از آن‌ها استفاده کنیم.

پزشکان برای تصمیم‌گیری در مورد درمان، از رتبه‌بندی خطر استفاده می‌کنند، اما این رتبه‌ها، بر اساس مجموعه کوچکی از متغیر‌ها شکل می‌گیرند و اغلب دقت کافی را ندارند. یادگیری ماشینی با کمک تکرار و تنظیم می‌تواند مجموعه بزرگی از داده‌ها را ارائه دهد و الگو‌های پیچیده‌ای را شناسایی کند که شاید انسان‌ها از عهده آن برنیایند.

پژوهشگران در این پروژه، احتمال ابتلاء به "بیماری سرخرگ کرونری" (CAD) را در ۹۵۰ بیمار که از درد قفسه سینه رنج می‌بردند، مورد بررسی قرار دادند. آن‌ها توانستند با کمک یک روش تصویربرداری موسوم به "سی‌تی آنژیوگرافی کرونری" (CCTA)، داده‌هایی در مورد سرخ‌رگ‌های کرونری، باریک شدن رگ و تجمع کلسیم در آن به دست آورند. کسانی که در این مرحله، مشکوک به داشتن بیماری تشخیص داده شدند، با پت اسکن نیز مورد بررسی قرار گرفتند.

طی یک پژوهش شش ساله، ۲۴ حمله قلبی و ۴۹ مرگ مورد بررسی قرار گرفتند و ۸۵ نوع متغیر به ثبت رسید. پژوهشگران، ۸۵ متغیر را به یک الگوریتم یادگیری ماشینی موسوم به "لوجیت‌بوست" (LogitBoost) وارد کردند. این الگوریتم، متغیر‌ها را چندین بار مورد بررسی قرار داد تا بهترین ساختار را برای شناسایی افرادی که در معرض حمله قلبی یا مرگ قرار دارند، پیدا کند.

جوارز- اوروزکو ادامه داد: این الگوریتم، اطلاعات خود را از داده‌ها به دست می‌آورد و پس از تحلیل‌های بسیار، الگو‌هایی را مشخص می‌کند که باید برای شناسایی بیمارانی که در معرض حمله قلبی یا مرگ قرار دارند، به کار روند.

وی افزود: پزشکان در حال حاضر، داده‌های بسیاری را درباره بیماران گردآوری می‌کنند. ما دریافتیم که یادگیری ماشینی می‌تواند با ادغام این داده‌ها، احتمال وجود خطر مرگ یا حمله قلبی را به دقت پیش‌بینی کند. این روش به ما امکان می‌دهد تا درمان‌های شخصی‌سازی شده را برای بیماران ارائه دهیم و در نهایت به پیامد‌های بهتری برسیم.