مجله خبری بهداشت | دندان | سلامت

اخبار سلامت | اخبار پزشکی | اخبار دندان پزشکی | سلامت دندان

مطالعه ، اخبار سلامت ، ET HealthWorld

1 min read

هوش مصنوعی می تواند بیماران بدون علامت Covid-19 را با استفاده از سرفه های ضبط شده توسط تلفن همراه تشخیص دهد: مطالعهواشنگتن: دانشمندان یک مدل هوش مصنوعی (AI) را ایجاد کرده اند که به گفته آنها می تواند بیماران Covid-19 بدون علامت را از طریق ضبط سرفه از افراد سالم تشخیص دهد و نتایج را در یک برنامه تلفن هوشمند نشان دهد.

محققان از انستیتوی فناوری ماساچوست (MIT) در ایالات متحده دریافتند که افراد بدون علامت ممکن است از نظر سرفه با افراد سالم متفاوت باشند.

آنها گفتند که این تفاوت ها برای گوش انسان قابل رمزگشایی نیستند ، اما با هوش مصنوعی قابل تشخیص هستند.

در مقاله ای که در مجله مهندسی پزشکی و زیست پزشکی IEEE منتشر شده است ، این تیم بر روی یک مدل هوش مصنوعی توضیح داده اند که افراد بدون علامت را از طریق ضبط سرفه های اجباری از افراد سالم متمایز می کند.

آنها گفتند که این ضبط ها توسط افراد داوطلبانه از طریق مرورگرهای وب و دستگاه هایی مانند تلفن های همراه و لپ تاپ ها ارسال شده است.

محققان این مدل را روی ده ها هزار نمونه از سرفه و همچنین کلمات گفتاری آموزش دادند.

هنگامی که آنها با ضبط های جدید سرفه به مدل تغذیه کردند ، به طور دقیق 98.5 درصد سرفه ها را در افرادی که تأیید Covid-19 داشتند ، شناسایی کرد.

به گفته محققان ، این شامل 100 درصد سرفه های تجویز بدون علامت است – که گزارش کردند علائمی ندارند اما آزمایش ویروس مثبت بوده است.

این تیم در حال کار بر روی ترکیب مدل در یک برنامه کاربر پسند است ، که در صورت تأیید و تصویب در مقیاس وسیع ، می تواند یک ابزار رایگان ، راحت و غیرتهاجمی قبل از غربالگری برای شناسایی افرادی باشد که احتمالاً بدون علامت برای Covid-19 هستند. ، محققان گفتند.

کاربر می تواند روزانه وارد سیستم شود ، در تلفن خود سرفه کند و بلافاصله اطلاعاتی راجع به آلوده شدن به وی بدست آورد و بنابراین باید با یک آزمایش رسمی تایید کند.

برایان سوبیرانا ، دانشمند محقق در آزمایشگاه شناسه خودکار MIT گفت: “اجرای م effectiveثر این ابزار تشخیصی گروهی می تواند از گسترش همه گیری در صورت کاهش همه افراد در صورت استفاده از آن قبل از رفتن به کلاس ، کارخانه یا رستوران استفاده کند.”

قبل از شروع بیماری همه گیر ، گروه های تحقیقاتی قبلاً الگوریتم هایی را برای ضبط تلفن های همراه از سرفه آموزش داده بودند تا بیماری هایی مانند ذات الریه و آسم را به درستی تشخیص دهند.

به همین ترتیب ، تیم MIT در حال ساخت مدل های هوش مصنوعی برای تجزیه و تحلیل ضبط های مربوط به سرفه های اجباری بود تا ببیند آیا آنها می توانند علائم آلزایمر ، بیماری همراه نه تنها با کاهش حافظه بلکه با تخریب عصبی عضلانی مانند تارهای صوتی ضعیف را نیز تشخیص دهند.

در ماه آوریل ، تیم تصمیم گرفت تا آنجا که می تواند موارد ضبط شده از سرفه ، از جمله موارد مربوط به بیماران Covid-19 ، را جمع آوری کند.

آنها وب سایتی را تأسیس کردند که افراد می توانند یک سری سرفه را از طریق تلفن همراه یا سایر دستگاه های دارای وب ضبط کنند.

شرکت کنندگان همچنین یک بررسی از علائمی را که تجربه می کنند پر می کنند ، اینکه آیا Covid-19 دارند یا خیر ، و اینکه آیا آنها از طریق آزمایش رسمی تشخیص داده شده اند ، با ارزیابی پزشک از علائم آنها یا اینکه خود تشخیص داده شده اند.

آنها همچنین می توانند جنسیت ، موقعیت جغرافیایی و زبان مادری خود را یادداشت کنند.

تا به امروز ، محققان بیش از 70،000 مورد ضبط شده جمع آوری کرده اند که هر کدام حاوی چندین سرفه است ، که در حدود 200000 نمونه صوتی سرفه اجباری است ، که سوبیرانا گفت “بزرگترین مجموعه تحقیقاتی سرفه است که ما از آن می دانیم.”

این تیم از 2500 ضبط مرتبط با Covid ، به همراه 2500 ضبط دیگر که به طور تصادفی از مجموعه انتخاب کردند ، برای ایجاد تعادل در مجموعه داده استفاده کردند.

آنها از 4000 نمونه از این نمونه ها برای آموزش مدل هوش مصنوعی استفاده کردند. 1000 ضبط باقیمانده سپس به مدل وارد شد تا ببیند آیا می تواند به طور دقیق سرفه های بیماران Covid را در مقابل افراد سالم تشخیص دهد.

محققان توانستند الگوهایی را در چهار نشانگر زیستی – قدرت طناب صوتی ، احساسات ، عملکرد ریه و تنفس ، و تخریب عضلات – که خاص Covid-19 است ، انتخاب کنند.

این مدل 98.5 درصد سرفه های افراد مبتلا به Covid-19 را شناسایی کرده است و از این تعداد ، همه سرفه های بدون علامت را با دقت تشخیص می دهد.

سوبیرانا گفت: “ما فکر می کنیم این نشان می دهد که نحوه تولید صدا هنگام Covid تغییر می کند ، حتی اگر بدون علامت باشید.”

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *