تعد التحذيرات المبكرة من الأحداث السلبية أثناء العمليات الجراحية أحد أهم العوامل التي تسهم في تحسين أمان المرضى وتقليل المخاطر الجراحية. ومع تقدم التقنية، أصبح من الممكن توقع هذه الأحداث باستخدام تقنيات الذكاء الاصطناعي. في دراسة جديدة، تم تطوير نموذج يسعى إلى التغلب على التحديات الحالية في هذا المجال.

المشكلات التي تواجهها النماذج التقليدية في توقع الأحداث السلبية تشمل تجاهل الاعتماد بين الأحداث، وعدم الاستفادة الكافية من البيانات السريرية المتنوعة، بالإضافة إلى عدم التوازن الموجود في مجموعات البيانات الطبية. للتصدي لهذه التحديات، قدم الباحثون مجموعة بيانات جديدة تعرف باسم مجموعة البيانات متعددة الملصقات للأحداث السلبية (MuAE)، تتضمن ستة أحداث حيوية.

كما اقترحوا نموذجًا ثوريًا يُعرف بـ IAENet، والذي يعتمد على أسلوب التعلم المتعدد الملصقات المستند إلى تقنية التحويل (Transformer). هذا النموذج يسعى إلى دمج موديول تحسين القدرة الزمنية (TAFiLM) للتعامل مع المتغيرات الثابتة والديناميكية، مما يسهل دمجها بشكل قوي ونمذجة الاعتماد الزمني المعقد.

علاوة على ذلك، تم تقديم دالة خسارة جديدة تُسمى خسارة إعادة الوزن المقيدة بالملصقات (LCRLoss) مع تنظيم التكرار المتزامن لتخفيف عدم التوازن بين الأحداث وتعزيز التوافق الهيكلي بين الأحداث المتكررة.

تشير التجارب الواسعة التي أجريت أن نموذج IAENet يتفوق بشكل مستمر على النماذج التقليدية، حيث تحقق تحسينات ملحوظة في الدرجات ضمن مهام التحذير المبكر التي تمتد لـ 5، 10، و15 دقيقة. يبرز هذا النموذج كخطوة هامة لدعم قرارات الفرق الطبية أثناء العمليات الجراحية مما يعكس إمكانياته الكبيرة في حماية المرضى.

ما رأيكم في استخدام الذكاء الاصطناعي لجعل العمليات الجراحية أكثر أمانًا؟ شاركونا في التعليقات.