تطوير أداة ذكاء اصطناعي جديدة للمساعدة في علاج مرضى COVID-19 حول العالم

طور فريق من الباحثين الدوليين أداة ذكاء اصطناعي (AI) يمكنها التنبؤ بكمية الأكسجين الإضافية التي قد يحتاجها مريض COVID-19 أثناء الرعاية في المستشفى، وللتحقق من دقة أداة الذكاء الاصطناعي، تم اختبارها في عدد من المستشفيات عبر القارات الخمس.

وأظهرت النتائج أنها تنبأت بالأكسجين المطلوب في غضون 24 ساعة من وصول المريض إلى قسم الطوارئ ، مع حساسية 95 في المائة وخصوصية تزيد عن 88 في المائة، وتم تحليل نتائج حوالي 10000 مريض مصاب بفيروس كوفيد -19 من جميع أنحاء العالم في الدراسة التي نُشرت في مجلة Nature Medicine يوم الخميس.

واستخدمت هذه التقنية ، المعروفة باسم التعلم الفيدرالي ، خوارزمية لتحليل الأشعة السينية للصدر والبيانات الصحية الإلكترونية من مرضى المستشفى الذين يعانون من أعراض COVID-19، وللحفاظ على السرية التامة للمرضى ، تم إخفاء هويته تمامًا وتم إرسال خوارزمية إلى كل مستشفى حتى لا تتم مشاركة أي بيانات أو ترك موقعها.

وبمجرد أن "تعلمت" الخوارزمية من البيانات ، تم جمع التحليل معًا لبناء أداة الذكاء الاصطناعي، وقالت البروفيسورة فيونا جيلبرت ، من جامعة كامبريدج في المملكة المتحدة ، التي قادت الدراسة: "يتمتع التعلم الموحد بقدرة تحويلية لجلب ابتكار الذكاء الاصطناعي إلى سير العمل السريري".

وقال المؤلف الأول للدراسة إتاي دايان ، من Mass General Bingham في الولايات المتحدة: "عادةً في تطوير الذكاء الاصطناعي ، عندما تنشئ خوارزمية على بيانات مستشفى ما ، فإنها لا تعمل بشكل جيد في أي مستشفى آخر"، ومن خلال تطوير النموذج باستخدام بيانات موضوعية متعددة الوسائط من قارات مختلفة ، تمكن الباحثون من بناء نموذج قابل للتعميم يمكن أن يساعد أطباء الخطوط الأمامية في جميع أنحاء العالم.

وجمعت الدراسة المتعاونين عبر أمريكا الشمالية والجنوبية وأوروبا وآسيا ، واستغرقت الدراسة أسبوعين فقط من "تعلم" الذكاء الاصطناعي لتحقيق تنبؤات عالية الجودة، وقالت منى جي فلوريس ، الرئيس العالمي للذكاء الاصطناعي الطبي في شركة تكنولوجيا الرعاية الصحية NVIDIA: "أتاح التعلم الفيدرالي للباحثين التعاون ووضع معيار جديد لما يمكننا القيام به عالميًا ، باستخدام قوة الذكاء الاصطناعي".

وقال فلوريس: "سيؤدي هذا إلى تطوير الذكاء الاصطناعي ليس فقط في مجال الرعاية الصحية ولكن في جميع الصناعات التي تتطلع إلى بناء نماذج قوية دون التضحية بالخصوصية".