محققان یک مدل یادگیری ماشین( یادگیری عمیق ) برای کمک به تشخیص سکته های مغزی با استفاده از گوشی هوشمند ساخته اند تا ناهنجاری های حرکات عضلانی گفتار و صورت را تشخیص دهد. بر اساس مقاله ای در تحقیقات هوش مصنوعی ، محققان بیمارستان پن ایالتی و هیوستون متدیست در تلاشند که از پزشکان الگوبرداری کنند آنها می خواهند این مدل یادگیری ماشینی بداند که پزشک هنگام مواجهه با یک قربانی احتمالی سکته مغزی در یک محیط بالینی و قبل از تصمیم گیری در مورد انجام سی تی اسکن چه کارهایی انجام می دهد. هنگامی که نوبت به تشخیص سکته می رسد ، پزشکان اورژانس گزینه های محدودی دارند: بیمار را برای اسکن های اغلب گران و وقت گیر مبتنی بر رادیواکتیویته بفرستند و یا با یک متخصص مغز و اعصاب تماس بگیرید که ممکن است برای انجام آزمایش های تشخیصی بالینی در دسترس نباشد.
محققان از تجزیه و تحلیل حرکت صورت و پردازش زبان طبیعی برای تشخیص ناهنجاری هایی مانند افتادگی گونه یا گفتار گنگ استفاده می کنند. امید آنها این است که این برنامه توسط مراقبین یا بیماران برای ارزیابی خود قبل از رفتن به بیمارستان مورد استفاده قرار گیرد. محققان از یک مجموعه داده از 80 بیمار مبتلا به علائم سکته مغزی در متدیست هیوستون استفاده کردند و در نتیجه مدل نهایی آنها به 79٪ دقت دست یافت. یکی از ارزشهای اصلی آن صرفه جویی در وقت در مراحل ارزیابی سکته مغزی است.
به گفته جان ولپی ، متخصص مغز و اعصاب عروقی متدیست هوستون ، میلیون ها سلول عصبی هر دقیقه در سکته مغزی می میرند ، اما بسیاری از مطالعات نشان می دهد که بسیاری از بیماران با علائم متوسط با چند ساعت تاخیر مواجه می شوند. استفان تی سی افزود: “هرچه زودتر بتوانید سکته مغزی را شناسایی کنید ، گزینه های بهتری برای درمان بیماران در دسترس خواهد بود.”
رویکرد جدید این تیم اولین روش برای تجزیه و تحلیل وجود سکته مغزی در میان بیماران اورژانس واقعی مشکوک به سکته مغزی با استفاده از تجزیه و تحلیل محاسبه حرکات صورت و پردازش زبان طبیعی برای شناسایی ناهنجاری های صورت یا صدای بیمار است ، مانند افتادگی عضلات گونه یا گفتار نا مفهوم . نتایج می تواند به پزشکان اورژانس کمک کند تا مراحل بعدی مهم را برای بیمار با سرعت بیشتری تعیین کنند. سرانجام ، کادر درمانی یا بیماران می توانند از این برنامه برای ارزیابی این مشکل قبل از رسیدن به بیمارستان استفاده کنند. محققان برای آموزش مدل رایانه ای ، مجموعه داده ای از بیش از 80 بیمار را که در بیمارستان هیوستون متدیست در تگزاس دچار علائم سکته مغزی بودند ، ساختند. از هر بیمار خواسته شد تا آزمایش گفتاری را برای تجزیه و تحلیل گفتار و ارتباط شناختی خود هنگام ضبط در iPhone انجام دهد. شارون هوانگ ، دانشیار علوم و فناوری اطلاعات در پن استیت گفت: “به دست آوردن داده های صورت در تنظیمات طبیعی، کار ما را برای استفاده بالینی در دنیای واقعی قوی تر و مفید تر می کند و در نهایت روش ما را برای تشخیص از راه دور سکته مغزی و ارزیابی خود توانمند می کند”. با آزمایش این مدل بر روی مجموعه داده های هیوستون متدیست ، محققان دریافتند که عملکرد آن به 79٪ دقت دست یافت – قابل مقایسه با تشخیص بالینی توسط پزشکان اورژانس ، که از آزمایش های اضافی مانند سی تی اسکن استفاده می کنند. با این حال ، این مدل با توانایی ارزیابی بیمار در کمتر از چهار دقیقه می تواند در تشخیص زمان سکته مغزی صرفه جویی کند.
جان وولپی ، متخصص مغز و اعصاب عروقی و مدیر مشترک مرکز سکته مغزی ادی اسکورلاک در بیمارستان هوستون متدیست گفت: “میلیون ها نورون در هر دقیقه در هنگام سکته می میرند.” “در سکته های شدید از زمان ورود بیمار به بخش اورژانس وظایف و پروتکل برای کادر درمانی ما واضح است ، اما مطالعات نشان می دهد که در اکثر سکته های مغزی که علائم خفیف تا متوسط دارند ، تشخیص می تواند ساعت ها به تأخیر بیفتد و سپس بیمار ممکن است واجد شرایط بهترین روشهای درمانی نباشد. ” وولپی اظهار داشت كه پزشكان در حال حاضر از روش دودویی در تشخیص سكته مغزی استفاده می كنند: یا بیمار مشکوک به سکته است و برای انجام آزمایشات فرستاده می شود و یا یا مشکوک به سکته مغزی نیستند ، که به طور بالقوه بیمارانی را که ممکن است نیاز به ارزیابی بیشتری داشته باشند نادیده می گیرند.
