به گزارش خبرگزاری مهر به نقل از فیز، یک مدل هوش مصنوعی مبتنی بر شبکه حافظه بلندمدت-کوتاه‌مدت (LSTM) می‌تواند به پزشکان کمک کند افت قند خون بیماران بستری را پیش از وقوع پیش‌بینی کنند و با مداخله زودهنگام، از عوارض خطرناکی مانند تشنج، کما و آریتمی‌های قلبی طولانی‌مدت جلوگیری شود.

این مدل یکی از چالش‌های قدیمی خدمات بیمارستانی را هدف قرار داده است. افت قند خون یا هیپوگلیسمی، عارضه‌ای شایع و بالقوه خطرناک در میان بیماران بستری به شمار می‌رود؛ از جمله افرادی که داروهای دیابت دریافت می‌کنند، بیمارانی که پیش از جراحی باید ناشتا باشند و همچنین افرادی که در شرایط بحرانی قرار دارند. با این حال، تاکنون ابزار رایج و دقیقی برای پیش‌بینی اینکه کدام بیماران در معرض افت قند خون قرار می‌گیرند، وجود نداشته است.

«روما جیانچاندانی»، از پژوهشگران ارشد این مطالعه، می‌گوید: «در حال حاضر بیشتر مراقبت‌های مرتبط با هیپوگلیسمی در بیمارستان‌ها ماهیتی واکنشی دارند؛ یعنی پس از کاهش قند خون بیمار وارد عمل می‌شویم.»

مدل هوش مصنوعی جدید با تحلیل الگوهای مربوط به داروها، نتایج آزمایشگاهی، وعده‌های غذایی و سایر اطلاعات موجود در پرونده الکترونیکی سلامت بیماران، خطر افت قند خون را ارزیابی می‌کند. این سامانه داده‌ها را در بازه‌های زمانی چهارساعته و طی یک دوره پنج‌روزه جمع‌آوری کرده و از آنها برای پیش‌بینی وقوع هیپوگلیسمی در 24 ساعت آینده استفاده می‌کند.

پژوهشگران این مدل را با استفاده از داده‌های بیش از 143 هزار بیمار بستری بین سال‌های 2014 تا 2025 آموزش و ارزیابی کردند. همچنین برای تأیید نتایج اولیه، عملکرد آن را با داده‌های بیمارستانی آینده‌نگر نیز مورد آزمایش قرار دادند.

به گفته محققان، این ابزار با هدف هشدار زودهنگام به تیم درمانی پیش از افت قند خون بیمار و همچنین شناسایی عوامل اصلی مؤثر در افزایش این خطر طراحی شده است؛ قابلیتی که می‌تواند کیفیت مراقبت از بیماران بستری را به‌طور قابل‌توجهی بهبود بخشد.