هوش مصنوعی برای هر بیمار یک «دوقلوی دیجیتال» می‌سازد

این سامانه با ادغام پویای داده‌های چندوجهی بیمار، از جمله داده‌های ژنومی، تصاویر پزشکی و سوابق بالینی، یک مدل «دوقلوی دیجیتال» ایجاد می‌کند که به‌طور مداوم به‌روزرسانی می‌شود. این مدل نه‌تنها می‌تواند تغییرات وضعیت بیمار را به‌صورت لحظه‌ای رصد کند، بلکه قادر است اثربخشی احتمالی گزینه‌های مختلف درمان سرطان را نیز پیش‌بینی کند و به تیم‌های درمانی در تدوین راهکارهای پزشکی دقیق‌تر و شخصی‌سازی‌شده‌تر کمک کند.

این سامانه از یک پلتفرم اختصاصی برای متخصصان سلامت و یک اپلیکیشن موبایلی برای بیماران تشکیل شده است و می‌تواند در واکنش به تغییرات لحظه‌ای وضعیت بیمار، تحلیل‌های پیش‌بینانه انجام دهد و اثربخشی گزینه‌های مختلف درمانی را شبیه‌سازی کند. این فناوری از تشخیص بالینی، پایش وضعیت بیمار و ارزیابی درمان پشتیبانی هوشمند ارائه می‌دهد.

این سامانه به‌ویژه برای سرطان و مراقبت‌های ویژه مناسب است؛ حوزه‌هایی که در آنها روند پیشرفت بیماری می‌تواند پیچیده باشد، گزینه‌های درمانی متنوع‌اند و هزینه‌های پزشکی بالاست. این فناوری می‌تواند به توسعه پزشکی دقیق کمک کند.

یکی از نقاط قوت اصلی این سامانه، همکاری نزدیک میان متخصصان سلامت و بیماران است. پلتفرم اختصاصی متخصصان سلامت، داده‌های چندوجهی شامل داده‌های ژنومی، تصاویر پزشکی، گزارش‌های پاتولوژی، نتایج آزمایش‌های آزمایشگاهی و سوابق بالینی را یکپارچه می‌کند و به پزشکان امکان می‌دهد تصویری جامع از وضعیت بیمار به دست آورند، تصمیم‌گیری‌های تشخیصی و درمانی را بهبود بخشند و روند مشاوره‌های چندتخصصی و ارجاع بیماران را تسهیل کنند.

در همین حال، اپلیکیشن موبایلی ویژه بیماران به آنها امکان می‌دهد سوابق پزشکی خود را بارگذاری کنند، علائم روزانه را ثبت کنند و وضعیت سلامت خود را پیگیری کنند.

این سامانه به بیماران اجازه می‌دهد از دریافت‌کنندگان منفعل درمان به مشارکت‌کنندگان فعال در مدیریت سلامت خود تبدیل شوند و همکاری میان پزشک و بیمار را بیش از پیش تقویت کنند.

برای توسعه کاربرد این فناوری در مراقبت و درمان سرطان و تصمیم‌گیری‌های درمانی، تیم پژوهشی همچنین یک چارچوب بالینی، داده‌محور و چندمقیاسی مبتنی بر هوش مصنوعی برای پیش‌بینی پاسخ بیماران مبتلا به سرطان ریه سلول غیرکوچک (non-small cell lung cancer) (شایع‌ترین نوع سرطان ریه) به ایمنی‌درمانی ارائه کرده است.

این رویکرد چندوجهی، ویژگی‌های تصاویر هیستوپاتولوژیک را با داده‌های بالینی، از جمله الگوهای بیان ژن و متن مربوط به نوع سرطان، ادغام می‌کند.

این چارچوب جدید که «شبکه همجوشی روابط بصری-جهانی» (Visual-Global Relation Fusion Network) یا ViGNet نام دارد، یک رمزگذار بصری چندمقیاسی و یک رمزگذار مبتنی بر ژن را با یکدیگر ترکیب می‌کند و به هوش مصنوعی امکان می‌دهد ویژگی‌های تصویری و ژنومی مرتبط با پاسخ به درمان سرطان را تحلیل کند.

در ارزیابی‌های کیفی و کمی، ViGNet در طبقه‌بندی پاسخ به درمان، عملکرد بهتری نسبت به روش‌های پایه نشان داد و در پیش‌بینی پاسخ به ایمنی‌درمانی به عملکرد تفکیکی ۸۲.۵۵ درصد دست یافت.

این پژوهش امکان ادغام کارآمدتر داده‌های چندمنبعی را فراهم می‌کند و از به‌کارگیری عملی روش‌های هوش مصنوعی در محیط‌های بالینی پشتیبانی می‌کند؛ موضوعی که می‌تواند اطلاعات مهمی برای درمان شخصی‌سازی‌شده و تصمیم‌گیری‌های بالینی ارائه دهد.

با استقرار تدریجی این سامانه در محیط‌های بالینی، داده‌های دنیای واقعی که جمع‌آوری می‌کند می‌تواند برای توسعه دارو، کارآزمایی‌های بالینی و بهینه‌سازی برنامه‌های درمانی مورد استفاده قرار گیرد و در نهایت به تقویت زیست‌بوم نوآوری پزشکی و بهره‌مندی بیماران بیشتر کمک کند.