نقش آزمایشگاه های پزشکی هوشمند در تشخیص بیماری ها

به گزارش خبرگزاری مهر، سید محمود تارا مسئول پنل پیش نیازهای شکل گیری آزمایشگاه پزشکی هوشمند در بیست و یکمین کنگره کشوری و پانزدهمین کنگره بین المللی ارتقای کیفیت خدمات آزمایشگاهی تشخیص پزشکی ایران که در روزهای ۱۱ الی ۱۴ اردیبهشت ۱۴۰۳ در مرکز همایش‌های برج میلاد برگزار می‌شود، اظهار داشت: آزمایشگاه‌های بالینی و پزشکی هوشمند امروزه یکی از پایه‌های مهم در تشخیص و مدیریت بیماری‌ها محسوب می‌شوند.

بیشتر بخوانید: اخباری که در وبسایت منتشر نمی‌شوند!

این آزمایشگاه‌ها با استفاده از تکنولوژی‌های هوش مصنوعی، اطلاعات پزشکی را تحلیل کرده و الگوریتم‌های پیشرفته‌ای را به کار می‌برند تا بیماری‌ها را سریع‌تر بهبود بخشند. اهمیت آنها در دنیای امروزی این است که این تکنولوژی‌ها به پزشکان کمک می‌کنند تا بیماری‌ها را به دقت تشخیص دهند، پیش بینی کنند و درمان‌های بهتر و موثرتری را ارائه دهند.

وی افزود: هر چند در سطح جهانی، آزمایشگاه‌های پزشکی امروزی به طور گسترده‌ای از تکنولوژی‌های هوشمند مانند سیستم‌های اتوماسیون، تجهیزات تصویری پیشرفته (به ویژه در پاتولوژی و مطالعه لام)، سیستم‌های اطلاعات آزمایشگاهی هوشمند، بستر داده‌های بزرگ و سیستم‌های پشتیبانی تصمیم‌گیری بر اساس هوش مصنوعی استفاده می‌کنند ولی این اتفاق، هنوز در کشور ما، در حال طی مراحل اولیه هستند و آزمایشگاه‌های اندکی وجود دارند که پیشرفت‌های قابل ملاحظه‌ای در این زمینه داشته اند.

این متخصص حوزه انفورماتیک سلامت و بالین با اشاره به نیازهای اساسی و مهم در شکل گیری آزمایشگاه‌های پزشکی هوشمند بیان داشت: برای شکل‌گیری آزمایشگاه‌های پزشکی هوشمند، نیازمندی‌های اساسی شامل دسترسی به داده‌های بزرگ و با کیفیت، تکنولوژی‌های پردازش داده قدرتمند، استانداردهای امنیتی برای حفظ حریم خصوصی بیماران و توانایی‌های فنی- انسانی همکاری و ارتباطات مؤثر بین تجهیزات و سیستم‌ها هستند. پس از شکل گیری زیرساخت حداقل، بکارگیری تیم خبره این حوزه و تشکیل تیم‌های مشترک با کادر بالینی شروع کننده اولین فعالیت‌ها است.

وی به نقش شرکت‌های دانش بنیان ایرانی در برطرف کردن این نیازها تاکید کرد و گفت: شرکت‌های دانش بنیان ایرانی با توجه به توانایی‌ها و تخصص‌های خود، می‌توانند در برطرف کردن نیازهای ذکر شده نقش مهمی داشته باشند. آنها می‌توانند به طراحی و توسعه نرم‌افزارهای پزشکی، تولید تجهیزات آزمایشگاهی پیشرفته و ارائه راهکارهای هوشمند برای مدیریت داده‌های پزشکی و اطلاعات بیماری‌ها کمک کنند. این بستر، به خصوص در کشور ما، بستری گسترده و پتانسیل فعالیت فراوان دارد.

کد خبر 6089499 حبیب احسنی پور

منبع: مهر

کلیدواژه: کنگره علوم آزمایشگاهی تجهیزات آزمایشگاهی سازمان غذا و دارو سازمان غذا و دارو سازمان نظام پزشکی تجهیزات پزشکی وزارت بهداشت درمان و آموزش پزشکی صنعت داروسازی رژیم غذایی ورزش آلزایمر دانشگاه علوم پزشکی شهید بهشتی انجمن فیزیوتراپی طرح فروش دارو برنامه سلامت خانواده شورای عالی سلامت و امنیت غذایی داروخانه آزمایشگاه های پزشکی پزشکی هوشمند آزمایشگاه ها تکنولوژی ها بیماری ها سیستم ها شکل گیری

درخواست حذف خبر:

«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.mehrnews.com دریافت کرده‌است، لذا منبع این خبر، وبسایت «مهر» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۴۰۲۰۲۶۰۲ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.

با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.

خبر بعدی:

هوش مصنوعی قادر است بیماری‌های نادر را سال‌ها زودتر شناسایی کند

ایتنا - مطالعه جدیدی نشان می‌دهد که هوش مصنوعی ممکن است بتواند بیمارانی را که سال‌ها زودتر از زمان تشخیص معمول به بیماری‌های نادر مبتلا هستند، شناسایی کند. محققان در Science Translational Medicine گزارش دادند که یک برنامه جدید هوش مصنوعی توانست افراد در معرض خطر ابتلا به یک اختلال ایمنی نادر را شناسایی کند. محققان دریافتند از یک گروه 100 نفری که بر اساس برنامه هوش مصنوعی در معرض بالاترین خطر قرار دارند، 74 نفر به احتمال زیاد به این اختلال مبتلا هستند.

به گفته آنها، این تحقیق نشان می‌دهد که هوش مصنوعی می‌تواند به طور بالقوه به روند بهبود این بیماران کمک کند.

دکتر مانیش بوت، محقق ارشد، در بیانیه‌ای گفت: «افرادی که بیماری‌های نادر دارند ممکن است با تاخیرهای طولانی در تشخیص و درمان مواجه شوند که منجر به آزمایش‌های غیرضروری، بیماری پیشرونده، استرس‌های روانی و بار مالی می‌شود. با استفاده از ابزارهای هوش مصنوعی رویکردی را برای سرعت بخشیدن به تشخیص بیماران تشخیص داده نشده با شناسایی الگوهایی در پرونده الکترونیکی سلامت آنها ایجاد کردیم که شبیه الگوهای بیمارانی است که به این اختلالات معروف هستند.»

محققان بر مجموعه ای از اختلالات به نام نقص ایمنی متغیر رایج یا CVID تمرکز کردند. این اختلالات اغلب برای سال‌ها یا دهه‌ها از تشخیص دور می‌مانند. اختلالات CVID حدود 1 نفر از هر 25000 نفر را تحت تاثیر قرار می‌دهد و به طور معمول باعث کمبود آنتی‌بادی و اختلال در پاسخ‌های ایمنی در بدن می‌شود. به گفته محققان، نه تنها اختلالات CVID نادر است، بلکه علائم می‌تواند بین بیماران بسیار متفاوت باشد و اغلب با بیماری‌های شایع‌تر همپوشانی دارند.

بوت گفت:« علائم بالینی فنوتیپ‌های ایمنی نادر مانند CVID با بسیاری از تخصص‌های پزشکی تلاقی می‌کند.» بیماران ممکن است برای عفونت‌های سینوسی در کلینیک‌های گوش، حلق و بینی مراجعه کنند یا در کلینیک‌های ریه برای پنومونی درمان شوند. این تقسیم مراقبت در میان متخصصان متعدد منجر به تاخیرهای طولانی در تشخیص و درمان می‌شود.»

علاوه بر این، اختلالات CVID اغلب توسط تغییرات تنها در یک ژن از بیش از 60 ژن مرتبط با آنها ایجاد می‌شود. به گفته محققان، این موضوع امکان انجام آزمایش ژنتیکی برای تشخیص قطعی را رد می‌کند.

برای این مطالعه، محققان یک هوش مصنوعی به نام PheNet (فنت) توسعه دادند. این نام به کلمه "فنوتیپ" اشاره دارد که اصطلاح پزشکی برای ویژگی‌های یک بیماری است که در مبتلایان دیده می‌شود. فنت الگوهای فنوتیپ را از موارد تأیید شده CVID می‌آموزد و سپس از این برای رتبه‌بندی خطر ابتلا به این اختلال استفاده می‌کند. فنت میلیون‌ها پرونده الکترونیکی را بررسی کرد و همه بیماران را از نظر خطر ابتلا به CVID بر اساس آنچه آموخته بود رتبه‌بندی کرد.

نتایج نشان می‌دهد حدود 74 درصد از بیماران که PheNet به‌عنوان بالاترین خطر ابتلا به CVID رتبه‌بندی کرده‌اند، بر اساس بررسی‌های بعدی پزشکان، احتمال ابتلا به یکی از این اختلالات را دارند.

بر اساس این نتایج، تیم تحقیقاتی 4 میلیون دلار بودجه از مؤسسه ملی بهداشت برای مطالعه بیشتر برنامه هوش مصنوعی در محیط‌های واقعی دریافت کرده است.

Bogdan Pasaniuc، محقق ارشد و استاد پزشکی محاسباتی، ژنتیک و آسیب شناسی، گفت: «ما نشان دادیم که الگوریتم‌های هوش مصنوعی مانند PheNet می‌توانند با تسریع در تشخیص CVID مزایای بالینی ارائه دهند و انتظار داریم این امر در مورد سایر بیماری‌های نادر نیز اعمال شود. ما اکنون در حال بهبود دقت رویکرد خود برای شناسایی بهتر CVID و در عین حال گسترش به سایر بیماری‌ها هستیم. ما همچنین برنامه‌ریزی خواهیم کرد تا به سیستم یاد دهیم که یادداشت‌های پزشکی را بخواند تا اطلاعات بیشتری در مورد بیماران و بیماری‌های آنها به دست آورد.»