اخبار
دوشنبه، 10 تیر 1398
 هوش مصنوعی بازگشت از اغما را پیش‌بینی می‌کند

هوش مصنوعی بازگشت از اغما را پیش‌بینی می‌کند




دانشمندان با استفاده از فناوری یادگیری ماشین توانستند الگوهای هوشیاری پنهان را در اطلاعات نوار مغزی(EEG) بیماران آسیب مغزی به اغما رفته شناسایی کرده و احتمال بازگشت و بهبود آنها را پیش‌بینی کنند.

 

به گزارش ایسنا و به نقل از گیزمگ، یک مطالعه برجسته از متخصصان مغز و اعصاب در دانشگاه کلمبیا روش جدیدی برای شناسایی علائم هوشیاری در بیماران آسیب دیده مغزی و به کما رفته فقط با استفاده از یک اسکن EEG ساده ابداع کرده است.
این تحقیق همچنین نشان می‌دهد که داده‌های EEG می‌تواند پیش‌بینی کند که کدام یک از بیماران شانس بیشتری برای بازگشت از حالت کما و بهبودی دارند.
حدود ده سال پیش، پیشرفت در تصویربرداری پزشکی دانشمندان را قادر ساخت تا علائم عمیق هوشیاری را در بیماران به اغما رفته به علت آسیب مغزی ردیابی کنند. اطلاعات ام‌.آر. آی(MRI) آنچه را که "هوشیاری پنهان"(hidden consciousness) نامیده می‌شود، نشان داد که گاهی نیز به عنوان هوشیاری پوشیده شناخته می‌شود.
این پیشرفت غیرقابل انکار پزشکی، تعریف هوشیاری را برای اهداف دانشگاهی گسترش داد، اما قبل از اینکه این دانش بتواند به طور مؤثر از نظر بالینی به چیزی کارآمد تبدیل شود، چالش‌های متعددی باقی مانده بود. برای مثال انجام آزمایش‌های MRI در شرایط مراقبت‌های ویژه آسان نیست و حتی پس از آن معلوم شد که معنی دقیق این علائم برای بهبودی بیمار چیست.
"جان کلاسن" نویسنده اصلی این پژوهش می‌گوید: یکی از چالش برانگیزترین مشکلات در آی‌سی‌یو(ICU)، پیش‌بینی بهبود و نه تنها بقای بیماران بی‌هوش شده پس از وارد شدن آسیب مغزی بود. از آنجایی که مطالعات اولیه "هوشیاری پنهان" را نشان داده بود، ما به دنبال یک راه عملی برای انجام این کار در روزهای اولیه به اغما رفتن بودیم، زمانی که اکثر تصمیمات درمانی که بر نتایج تأثیر مهمی می‌گذارند، گرفته می‌شود.
این مطالعه روی ۱۰۴ بیمار آسیب شدید مغزی در بخش مراقبت‌های ویژه متمرکز بود. همه این بیماران کاملاً بی‌هوش بودند، اما فلج نشده بودند. در حالی که نوار مغزی گرفته می‌شد، از بیماران خواسته می‌شد مشت خود را باز و بسته کنند. سپس یک الگوریتم یادگیری ماشین به تجزیه و تحلیل نوار مغزی پرداخت تا ببیند آیا زمانی که دستورات صوتی گفته می‌شد، باعث هرگونه تغییر الگوی کوچک در داده‌های عصبی شده است یا نه.
نتایج نشان داد که الگوهای منحصر به فردی در نوار مغزی در پاسخ به دستورات صوتی در ۱۵ درصد از بیماران طی چهار روز اول وارد شدن آسیب مغزی دیده شده است که نشان از "هوشیاری پنهان" داشت. تقریباً نیمی از این بیماران در نهایت بهبود یافتند و از بیمارستان مرخص شدند.
در حالی که تنها ۲۶ درصد از افرادی که این علائم اولیه را نداشتند بهبود یافتند.
یک سال بعد، ۴۴ درصد از بیمارانی که علائم ابتدایی EEG داشتند، به طور مستقل روزی تا هشت ساعت کار می‌کردند. در حالی که در گروه مقابل تنها ۱۴ درصد از بیماران به این نقطه رسیدند.
اگرچه این نتایج فوق‌العاده امیدوار کننده است، اما قبل از اینکه آنها در برنامه‌های کاربردی بالینی به کار گرفته شود هنوز به کار بیشتری نیاز دارد. این مطالعه به اندازه کافی بزرگ نبود تا انواع آسیب‌های مغزی را متمایز کند.
نشانه‌های اولیه نشان می‌دهد که آزمایش EEG در موارد خونریزی مغزی و آسیب مغزی در مقایسه با آسیب‌های ناشی از محرومیت از اکسیژن مؤثرترین روش است، در حالی که باید از طریق آزمایش‌های بزرگ‌تر روشن شود.
کلاسن همچنین می‌گوید که برخی از موانع فنی وجود دارد که باید قبل از اینکه این تست به طور گسترده اجرا شود، برطرف شود. به کامپیوترها برای پردازش داده‌های EEG نیاز است و آزمایشات در روزهای اول باید چندین بار در روز برای حصول دقیق‌ترین نتایج انجام شود.
کلاسن می‌گوید: مهم است که نظارت و ارزیابی نوار مغزی هرچه سریع‌تر و بلافاصله پس از وارد شدن آسیب مغزی انجام شود.
با این حال، این کشف جدید می‌تواند به تغییرات قابل توجه در نحوه برخورد و درمان بیماران به اغما رفته در چند روز اول پس از آسیب مغزی منجر شود. اگر این تکنیک بتواند به طور مؤثر تنظیم شود، می‌تواند به راحتی به بخش‌های مراقبت‌های ویژه در سراسر جهان توسعه یابد و به پزشکان کمک کند تا بیماران بیشتری را پس از آسیب مغزی از کما دربیاورند و به سمت بهبودی سوق دهند.
کلاسن گفت: اگرچه مطالعه ما کوچک بود، اما نشان داد که نوار مغزی(EEG) که به راحتی در کنار بیمار در تخت‌های آی‌سی‌یو تقریباً در همه بیمارستان‌های سراسر جهان در دسترس است، دارای پتانسیل کامل تغییر نحوه برخورد و درمان بیماران مبتلا به آسیب شدید مغزی است.
این تحقیق در مجله The New England Journal of Medicine منتشر شده است.


منبع:
ایسنا