ابزاری برای تشخیص سریع مشکلات نوزادی و مادری از طریق تحلیل جفت‌ها

ابزار جدیدی برای ارزیابی سریع جفت در زمان زایمان

یک ابزار تازه توسعه‌یافته که از بینایی کامپیوتری و هوش مصنوعی (AI) بهره می‌برد، ممکن است به پزشکان کمک کند تا جفت‌ها را در زمان زایمان به سرعت ارزیابی کنند و به این ترتیب، مراقبت‌های نوزادی و مادری را بهبود بخشند. این یافته‌ها از سوی محققان دانشگاه نورث‌وسترن و دانشگاه پن استیت منتشر شده است. مطالعه‌ای که در تاریخ ۱۳ دسامبر در نسخه چاپی مجله Patterns منتشر شد و بر روی جلد این مجله نیز قرار گرفت، به بررسی یک برنامه کامپیوتری به نام PlacentaVision می‌پردازد که می‌تواند یک عکس ساده از جفت را تحلیل کند و ناهنجاری‌های مرتبط با عفونت و سپسیس نوزادی، وضعیتی تهدیدکننده زندگی که میلیون‌ها نوزاد را در سراسر جهان تحت تأثیر قرار می‌دهد، شناسایی کند.

دکتر جفری گلدستین، یکی از نویسندگان این مطالعه و مدیر پاتولوژی پری‌ناتال در دانشگاه نورث‌وسترن، گفت: “جفت یکی از رایج‌ترین نمونه‌هایی است که ما در آزمایشگاه مشاهده می‌کنیم. زمانی که واحد مراقبت‌های ویژه نوزادان در حال درمان یک کودک بیمار است، حتی چند دقیقه می‌تواند در تصمیم‌گیری‌های پزشکی تأثیرگذار باشد. با تشخیص از این عکس‌ها، می‌توانیم چند روز زودتر از روند معمول به پاسخ برسیم.”

دانشگاه نورث‌وسترن بزرگ‌ترین مجموعه تصاویر را برای این مطالعه فراهم کرد و گلدستین رهبری توسعه و عیب‌یابی الگوریتم‌ها را بر عهده داشت. آلیسون دی. گرناند، محقق اصلی پروژه، ایده اولیه این ابزار را از طریق کارهای خود در حوزه بهداشت جهانی، به ویژه در مورد بارداری‌هایی که زنان به دلیل کمبود منابع بهداشتی در خانه زایمان می‌کنند، مطرح کرد. او گفت: “دور انداختن جفت بدون بررسی یک مشکل رایج اما اغلب نادیده گرفته شده است. این یک فرصت از دست رفته برای شناسایی نگرانی‌ها و ارائه مداخلات زودهنگام است که می‌تواند عوارض را کاهش دهد و نتایج را برای مادر و نوزاد بهبود بخشد.”

چرا بررسی زودهنگام جفت اهمیت دارد

جفت در سلامت فرد باردار و نوزاد در طول بارداری نقش حیاتی ایفا می‌کند، اما اغلب در زمان زایمان به طور کامل بررسی نمی‌شود، به ویژه در مناطق با منابع پزشکی محدود. یمو پان، دانشجوی دکترا در برنامه اطلاعات و فناوری از دانشکده علوم و فناوری اطلاعات و نویسنده اصلی این مطالعه، گفت: “این تحقیق می‌تواند جان‌ها را نجات دهد و نتایج سلامتی را بهبود بخشد. این ابزار می‌تواند بررسی جفت را در دسترس‌تر کند و به تحقیقات و مراقبت‌های مربوط به بارداری‌های آینده کمک کند، به ویژه برای مادران و نوزادانی که در معرض خطر عوارض بیشتری هستند.”

شناسایی زودهنگام عفونت جفت از طریق ابزارهایی مانند PlacentaVision ممکن است به پزشکان این امکان را بدهد که اقدامات فوری انجام دهند، مانند تجویز آنتی‌بیوتیک برای مادر یا نوزاد و نظارت دقیق بر نوزاد برای نشانه‌های عفونت، به گفته محققان. طبق گفته پژوهشگران، PlacentaVision برای استفاده در گروه‌های مختلف پزشکی طراحی شده است. پان افزود: “در مناطق با منابع کم – جاهایی که بیمارستان‌ها آزمایشگاه‌های پاتولوژی یا متخصصان ندارند – این ابزار می‌تواند به پزشکان کمک کند تا به سرعت مشکلاتی مانند عفونت‌ها را در جفت شناسایی کنند.”

ابزار جدید برای تحلیل جفت‌ها در بیمارستان‌ها

در بیمارستان‌های مجهز، این ابزار می‌تواند به پزشکان کمک کند تا مشخص کنند کدام جفت‌ها نیاز به بررسی‌های دقیق‌تری دارند. این امر باعث افزایش کارایی فرآیند و اولویت‌بندی موارد مهم‌تر خواهد شد.

جیمز ز. وانگ، استاد برجسته در کالج IST دانشگاه پن استیت و یکی از محققان اصلی این مطالعه، گفت: “قبل از اینکه چنین ابزاری بتواند به‌طور جهانی به کار گرفته شود، موانع فنی اصلی که با آن مواجه بودیم، این بود که مدل را به اندازه کافی انعطاف‌پذیر کنیم تا بتواند تشخیص‌های مختلف مرتبط با جفت را مدیریت کند و همچنین اطمینان حاصل کنیم که ابزار قادر است شرایط مختلف زایمان، از جمله تغییرات در شرایط نوری، کیفیت تصویر و محیط‌های بالینی را به خوبی مدیریت کند.” وی افزود: “ابزار هوش مصنوعی ما باید دقت خود را حفظ کند حتی زمانی که بسیاری از تصاویر آموزشی از یک بیمارستان شهری مجهز به دست آمده‌اند. اطمینان از اینکه PlacentaVision می‌تواند شرایط واقعی متنوعی را مدیریت کند، ضروری بود.”

چگونگی یادگیری ابزار برای تحلیل تصاویر جفت‌ها

محققان از یادگیری متضاد چندمدلی، یک روش هوش مصنوعی برای هم‌راستا کردن و درک روابط بین انواع مختلف داده‌ها – در این مورد، بصری (تصاویر) و متنی (گزارش‌های پاتولوژیک) – استفاده کردند تا به یک برنامه کامپیوتری آموزش دهند که چگونه تصاویر جفت‌ها را تحلیل کند. آن‌ها یک مجموعه داده بزرگ و متنوع از تصاویر جفت و گزارش‌های پاتولوژیک را که در طول ۱۲ سال جمع‌آوری شده بود، گردآوری کردند و بررسی کردند که چگونه این تصاویر با نتایج سلامت مرتبط هستند و مدلی ساختند که می‌تواند پیش‌بینی‌هایی بر اساس تصاویر جدید انجام دهد.

تیم همچنین استراتژی‌های مختلفی برای تغییر تصاویر توسعه داد تا شرایط مختلف عکاسی شبیه‌سازی شود و بتوانند تاب‌آوری مدل را به درستی ارزیابی کنند. نتیجه این تلاش‌ها، PlacentaCLIP+ بود؛ یک مدل یادگیری ماشین قوی که می‌تواند تصاویر جفت‌ها را تحلیل کرده و خطرات سلامتی را با دقت بالا شناسایی کند. این مدل به‌صورت بین‌المللی اعتبارسنجی شد تا عملکرد ثابت آن در جمعیت‌های مختلف تأیید شود.

به گفته محققان، PlacentaVision به گونه‌ای طراحی شده است که استفاده از آن آسان باشد و احتمالاً از طریق یک اپلیکیشن موبایل یا به‌صورت یکپارچه در نرم‌افزارهای سوابق پزشکی کار کند تا پزشکان بتوانند پس از زایمان پاسخ‌های سریعی دریافت کنند.

مرحله بعد: اپلیکیشن کاربرپسند برای کادر پزشکی

پان گفت: “گام‌های بعدی ما شامل توسعه یک اپلیکیشن موبایل کاربرپسند است که می‌تواند توسط حرفه‌ای‌های پزشکی – با حداقل آموزش – در کلینیک‌ها یا بیمارستان‌های کم‌منابع استفاده شود.” وی افزود: “این اپلیکیشن کاربرپسند به پزشکان و پرستاران این امکان را می‌دهد که از جفت‌ها عکس بگیرند و بازخورد فوری دریافت کنند و کیفیت مراقبت را بهبود بخشند.”

محققان قصد دارند این ابزار را با افزودن انواع بیشتری از ویژگی‌های جفت و اضافه کردن داده‌های بالینی برای بهبود پیش‌بینی‌ها هوشمندتر کنند و همچنین به تحقیقات در زمینه سلامت بلندمدت کمک کنند. آن‌ها همچنین این ابزار را در بیمارستان‌های مختلف آزمایش خواهند کرد تا اطمینان حاصل کنند که در شرایط مختلف به خوبی کار می‌کند.

گرناند گفت: “این ابزار پتانسیل تغییر نحوه بررسی جفت‌ها پس از زایمان را دارد، به ویژه در نقاطی از جهان که این بررسی‌ها به ندرت انجام می‌شود. این نوآوری وعده دسترسی بیشتر را در هر دو محیط کم‌منابع و پرمنابع می‌دهد. با بهبودهای بیشتر، این ابزار می‌تواند مراقبت‌های نوزادی و مادری را متحول کند و مداخلات زودهنگام و شخصی‌سازی شده‌ای را فراهم کند که از نتایج جدی سلامتی جلوگیری کرده و زندگی مادران و نوزادان را در سراسر جهان بهبود بخشد.”

این تحقیق با حمایت مؤسسه ملی بهداشت و مؤسسه ملی تصویربرداری زیست‌پزشکی و مهندسی زیست‌پزشکی (گرنت R01EB030130) انجام شده است. تیم همچنین از منابع ابررایانه‌ای برنامه اکوسیستم هماهنگی زیرساخت سایبری پیشرفته (ACCESS) که توسط بنیاد ملی علوم تأمین مالی شده است، استفاده کرد.