ابداع یك روش یادگیری ماشینی برای پیش بینی نتایج كووید-۱۹
پژوهشگران آمریکایی در بررسی جدید خود، یک روش مبتنی بر یادگیری ماشینی را ابداع نموده اند که می تواند به بررسی نتایج ناشی از کووید-19 کمک نماید.
به گزارش بی دانلود به نقل از ایسنا و به نقل از نیوزوایز، پژوهشگران "مرکز پزشکی مانت ساینای"(Mount Sinai)، از روشی موسوم به "یادگیری فدرال"(federated learning) جهت بررسی سوابق الکترونیکی استفاده کردند تا نحوه پیشرفت کووید-۱۹ را در بیماران بهتر پیش بینی کنند.
بگفته پژوهشگران، این روش امیدوارکننده ای برای ابداع مدلهای یادگیری بیشتر است که بدون به خطر انداختن حریم خصوصی بیمار، فراتر از سامانه سلامت عمل می کند. این مدلها می توانند به بهبود کیفیت مراقبت از بیماران کمک کنند.
یادگیری فدرال، روشی است که الگوریتمی را در چندین دستگاه یا سرورهای شامل نمونه داده های محلی آموزش می دهد اما از تجمع داده های بالینی که اثرات نامطلوبی همچون مشکلات حریم خصوصی را برای بیماران به همراه دارد، پیشگیری می کند.
پژوهشگران مانت ساینای با بهره گیری از سوابق سلامت الکترونیکی ثبت شده در پنج بیمارستان جداگانه، مدلهای یادگیری فدرال را به کار بردند و آنها را ارزیابی کردند تا میزان مرگ و میز را در بیماران مبتلا به کووید-۱۹ پیش بینی کنند.
آنها عملکرد مدل یادگیری فدرال را بواسطه نمونه های تولید شده با بهره گیری از داده های هر بیمارستان که به مدلهای محلی مربوط بود، به صورت جداگانه مقایسه کردند. پژوهشگران بعد از آموزش مدلهای خود با یک شبکه فدرال و آزمایش داده های مدلهای محلی در هر بیمارستان، دریافتند که مدلهای فدرال، قدرت پیش بینی را می افزایند و نسبت به مدلهای محلی بیشتر بیمارستان ها، عملکرد بیشتری دارند.
"بنجامین گلیکسبرگ"(Benjamin Glicksberg)، از پژوهشگران این پروژه اظهار داشت: مدلهای یادگیری ماشینی در حوزه مراقبت از سلامت، اغلب به داده های متنوع در مقیاس بزرگ نیاز دارند تا قابل انتقال باشند. یادگیری فدرال، روشی است که به مدلها کمک می نماید تا بتوانند به یادگیری از منابع بپردازند؛ بدون این که داده های حساس بیمار را افشا کنند. ما در پژوهش خود نشان داده ایم که این راهبرد می تواند برای شرایطی مانند همه گیری کووید-۱۹ مفید باشد.
این پژوهش، در "Journal of Medical Internet Research" به چاپ رسید.
این مطلب را می پسندید؟
(0)
(0)
تازه ترین مطالب مرتبط
نظرات بینندگان در مورد این مطلب