medicalxpress

Konuşulan dili metin haline getirmek, yüzleri tanımak ve reklamları yayınlamak için Facebook, Google ve Amazon tarafından kullanılan teknoloji; doktorların Amerikan hastanelerindeki en ölümcül enfeksiyonlardan biriyle savaşmasına yardımcı olabilir.
Clintridium difficile; nesnelerle veya enfekte insanlarla fiziksel temasta yayılan bir bakteri olup, hastanelerde gelişiyor. New England Journal of Medicine‘de yapılan 2015 çalışmasına göre yılda 453.000 vakaya ve Amerika Birleşik Devletleri’nde 29.000 kişinin ölümüne neden oluyor. Hijyen ve uyarı işaretleri izleme gibi geleneksel yöntemler çoğu zaman enfeksiyonu durduramıyor.
Massachusetts Hastanesi Bulaşıcı Hastalıklar Uzmanı Erica Shenoy ve Michigan Üniversitesi Bilgisayar Uzmanı ve Bilgisayar Mühendisliği Görevlisi Jenna Wiens; hastada bulunan C. diff bakterisinin gelişme riskini tahmin etmek için bir algoritma oluşturdular.

Hastaya bulaşan enfeksiyon, CDI olarak bilinir. Bu yöntem hala deneysel aşamada olmakla birlikte, araştırmacılar; hastaların vital bulguları ve diğer sağlık kayıtları kullanılarak hastane rutinlerine entegre olduklarını görmek istiyor.
Yapay zekanın bir biçimine dayanan CDI Algoritması; ABD sağlık endüstrisine girmeye başlayan bir teknolojik dalganın öncü noktasındadır. Yıllarca süren deneylerden sonra, makine öğrenme’sinin tahmini güçleri yerleşmiş durumda. Stanford Üniversitesi Klinik Çıkarım ve Algoritmalar Programını yöneten Zeeshan Syed; laboratuvardan, geniş gerçek dünya uygulamalarına geçmeye hazır olduğunu belirtiyor.

Makine öğrenimi; hayvan beyinlerinin öğrenme biçimini kabaca taklit eden yapay sinir ağlarına dayanır.
Örneğin, bir tilki kokuları, manzaraları ve sesleri yanıtlayan yeni bir bölgeyi kafasında haritalandırdığından; bir sonraki yemek bulma oranını en üst düzeye çıkarmak için davranışını sürekli düzenler.

Yapay sinir ağları, bir ve sıfırların sanal alanlarını haritalamaktadır.

Kahve bardaklarının görüntülerini tanımlamak için programlanmış bir makine öğrenme algoritması; rasgele nesnelerin fotoğraflarını bir kahve fincanı resimleri veritabanına kıyasla karşılaştırabilir; daha fazla görüntü inceleyerek, sistemli bir şekilde olumlu kimliği daha hızlı ve doğru bir şekilde belirleyen özellikleri öğrenir.
Shenoy ve Wiens’in CDI algoritması, CDI vakaları ile bunların arkasındaki koşullar arasında bağlantılar arayan, Massachusetts Hastanesi’nde ve Michigan Sağlık Sistemi Üniversitesi’nde yatan 374.000 hastadan alınan bir veri setini analiz etti.
Kayıtlar 4.000’in üzerinde farklı değişken içeriyordu. Wiens: “Laboratuvar sonuçlarından hastanın yatağına, yanındaki yatakta kim olduklarına ve enfekte olup olmadıklarına kadar her şeyle ilgili verilere sahibiz. Bütün ilaçları, laboratuvarları ve teşhisleri dahil ettik ve bunu günlük olarak çıkardık. Hastanın hastanede dolaşmasıyla birlikte, risk zamanla gelişir ve biz de bunu yakalamak istiyoruz.”

Sürekli olarak bu verileri analiz ederken, makine öğrenme süreci; hastanın hastanede kalmasının herhangi bir anında enfeksiyona neden olma olasılığı bulunan semptomların, şartların ve tıbbi geçmiş ayrıntılarının doktorların kaçırabileceği hastalık belirtilerini ortaya çıkarmaktadır.

İnternet ticaretinde sıradan olan bu tür algoritmalar; sağlık bakımından göreceli olarak denenmemiştir. ABD’de, yazılı sağlık kayıtlarından elektronik sağlık kayıtlarına geçiş yavaş olmuştur. Verilerin biçimi ve kalitesi, sağlık sistemi bazen tıbbi pratik seviyesine göre değişmekte ve bilgisayar bilimcileri için engel teşkil etmektedir.
Ancak diğer eğilimler kaçınılmaz: Bilgisayar gücünün daha ucuza çıkması beklenirken, katlanarak büyüdü. Bir kere, bir makine öğrenme algoritması oluşturmak, ana bilgisayar ağlarını gerektiriyor. Ancak, artık bir dizüstü bilgisayarda yapılabilir.
Uzmanlar, radyoloji ve patoloji öncesi değişiklikleri deneyimleyeceklerini söylüyor. Makine öğrenme programları görüntü analiz etmeyi en kolay şekilde yapar. X-ışınları ve MR, PET ve CT taramaları sonuçta veri yığınlarıdır. Binlerce mevcut tarama görüntüsündeki verileri ve hekimler tarafından yapılan teşhisleri bir araya getiren algoritmalar; günlerce veya saatler içinde tıbbi kuruluşun kolektif bilgisini değerlendirebilir. Bu, tek bir doktorun doğruluğunu çoğaltmasına olanak tanır.
Makine öğrenme algoritmaları artık cilt ve akciğer kanserini güvenilir şekilde teşhis edebilir ve nöbet riskini öngörebilir.
Bir doktor olan Google Araştırmacı Bilim İnsanı Lily Peng; bir hastanın diyabetik retinopati riskini retina taramasından teşhis etmek için makine öğrenme algoritması geliştiren, ekibin başında bulundu. Şeker hastalığının ortak bir yan etkisi olan DR, tedavi edilmezse körlüğe neden olabilir. Diyabet oranlarının dünya çapında artması, DR’yi 2011 yılında 126,6 milyondan 2030 yılına kadar 191 milyona ulaşması beklenen küresel sağlık sorununa dönüştürdü.

Peng’in ekibi, Hindistan ve ABD’deki hastanelerden 128.000 retinal tarama topladı ve hastalığın belirtileri için onları 5 puanlık bir ölçekte derecelendirmek üzere 54 oftalmologdan (göz doktoru) oluşan bir ekip kurdu. Birden fazla doktor, yorumlamadaki bireysel farklılıkları ortalama olarak görmek için, her bir görüntüyü gözden geçirdi.
Tanılarla birlikte ilk veri kümesinde “eğitim” gördükten sonra, algoritma, başka bir veri kümesinde test edildi ve oftalmologların ortak performansının biraz üzerindeydi.
Şu sıralar Peng; Hindistan’da bu aracı uygulamak için çalışıyor; burada oftalmologların kronik sıkıntısı ise; DR’nin genellikle hastanın vizyonunu kurtarmak için erkenden tanım ve tedavi edilmediği anlamına geliyor.

Bir grup Hintli hastanede şimdi algoritmayı test ediyor. Genellikle bir tarama yapılır ve bir hasta (varsa) sonuç alınması için günlerce bekleyebilir. Hastane bilgisayarlarında çalışan bir yazılım aracılığıyla ise; algoritma sonuçlarını hemen elde eder ve hasta tedaviye yönlendirilebilir.

 

medicalxpress

 

Geçen yıl, Gıda ve İlaç İdaresi, San Francisco şirketi Arterys tarafından ticari kullanım için ilk tıbbi makine öğrenme algoritmasını onaylandı.

Algoritma DeepVentricle; doktorların normalde 30 saniyede gerçekleştirdikleri görevler arasında olan kan hacminin hesaplanması için hareket halindeki kalp kasının birden fazla MRI taramasını ventriküllerin konturlarını elle çizerek gerçekleştirir. Bu da ortalama 45 dakika sürer.

Arterys’in Strateji ve Pazarlama Müdürü Carla Leibowitz, “Önemli ve sıkıcı bir şeyi otomatikleştiriyor” diyor.
Geniş çapta kabul görürse, bu tür teknolojiler çok zaman ve para kazandırabilir. Ancak böyle köklü bir değişiklik kabul görmeyebilir.
Scripps Translational Science Institute Direktörü Eric Topol: “Maliyetleri saptamak için potansiyel yollar belirlediğimiz gerçeği iyi bir haber; ancak sorun çalışanların bundan hoşlanmayacak olması…”

Amerikan Tıp Dergisi Yazarı Topol, konuya ilişkin olarak, değişiklik pek çok doktorun işini bitirmeyebilir diyor. Aksine, uzmanlıklarını uygulamak için yeni yollar bulmaları konusunda onları zorlayacaktır. Örneğin, algoritmaların kısa süreli işlemlerinde veya hastalarla daha fazla etkileşime girdiği durumlarda daha zorlu teşhislere odaklanabilirler.

Bunların dışında, algoritmalar; ilerleyen hastalıkların potansiyel olarak yeniden şekillenmesi ya da tamamlanmış tedavideki belirsizlikleri gidermek, hastalığın seyri için daha kesin bir prognozu (hastalık sonuç tahmini) sağlayabilir. Böylece CDI gibi hızlı hareket eden enfeksiyonları ve kalp yetmezliği gibi kronik hastalıkları öngörebilirler.

Sutter Health Başkan Yardımcısı ve Baş Araştırma Görevlisi Walter Stewart, Georgia Tech Bilgisayar Mühendisi Jimeng Sun ile birlikte, 12-18 aylık poliklinik kayıtlarına dayanarak, bir hastanın altı ay içinde kalp yetmezliği geçirip, geçirmeyeceğini öngörebiliyor.
Ayrıca bu sistem, “sağlık hizmetlerinin toplu olarak özelleştirilmesine” de yol açacak. Algoritmalar, kalp yetmezliği gibi durumların başlangıcını önceden tahmin edebildikçe, doktorlar hastanın koşullarına göre terapi sunma olanağına sahip olacaklar.
Bilimsel vaatlere rağmen, tıp alanında makine öğrenimi pek çok açıdan bilinmeyen bir alan olmaya devam etmektedir. Örneğin, tıbbi kararlara girmek için yeni bir ses (makinenin sesi) eklenmiş oluyor. Doktorlar ve hastaların bunu kabul etmeleri zaman alabilir. Potansiyel şüphelerin yanında, makine öğrenimi; genellikle kara bir kutudur: Veriler içeri girer ve cevaplar çıkar. Ancak; hastanın veri noktasındaki belirli kalıplar, ortaya çıkan bir hastalığa işaret ettiğinden, elde edilen verilerin nereden geldiği belli olmayabilir. Sinir ağlarını programlayan bilim insanları bile sonuçlara nasıl ulaştıklarını anlamıyorlar.
Massachusetts Teknoloji Enstitüsü Bilgisayar Bilimi Profesörü John Guttag: “Kararların nasıl yapılacağı konusunda büyük fark yaratacak, her şey eskiye kıyasla çok daha fazla veri güdümlü olacak.”

Sağlık verileri hızla artarken; miktar, kalite ve format kurumlara göre değişmesi ve algoritmaların da “öğrenme” lerini etkilemesine rağmen; doktorlar kararlarında, giderek daha karmaşık olan bu araçlara güveniyorlar. Ancak nasıl çalıştıklarına dair hiçbir fikirleri olmadığını da ekliyorlar.

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

You May Also Like

Mühendisler LEGO Benzeri Yapay Zeka Çipi İnşa Ediyor

Cep telefonlarının, akıllı saatlerin ve diğer giyilebilir cihazların daha yeni bir model…

AI; doktorların COVID-19 salgını sırasında yoğun bakım yataklarından en iyi şekilde yararlanmalarına yardımcı olabilir

Yeni teknoloji, yoğun bakım ünitesi (YBÜ) tedavisine ihtiyaç duyan hastaları belirleyerek COVID-19…

Doğal Dili Programlama Koduna Çeviren Bir Yapay Zeka Sistemi: Codex

  Yapay zeka araştırma şirketi OpenAI, doğal dili programlama koduna çeviren bir…

Bilgisayar bilimcileri, programlama dili Python’u önemli ölçüde hızlandırmak için açık kaynaklı bir araç geliştirdi

Massachusetts Amherst Üniversitesi’nde Emery Berger liderliğindeki bilgisayar bilimcilerinden oluşan bir…