Fraunhofer Avusturya ve Treviso’daki AULSS2 Marca Trevigiana Enstitüsü, laboratuvarların iş yükünü azaltabilecek yapay zekaya dayalı bir yöntem geliştirdi.
Medical X Press’in haberine göre, idrar yolu enfeksiyonları genellikle idrar kültürü yoluyla teşhis ediliyor: İdrar örneğinin bir özütü bir plakaya uygulanır ve sonraki 24 ila 48 saat boyunca mikroskop altında bakteri üremesi açısından incelenir. Ancak bu zaman alıcı prosedürden sonra örneklerin üçte ikisinden fazlası negatif çıkıyor.
Bu negatif numunelerin önceden filtrelenebilmesi, laboratuvarlardaki iş yükünü önemli ölçüde azaltacak ve negatif test sonuçları çok daha hızlı bir şekilde elde edilebilecek. Avusturyalı ve İtalyan araştırma ekipleri tarafından geliştirilen yapay zeka (YZ), negatif numuneleri önceki yöntemlerden daha doğru bir şekilde tespit edebilir ve bu nedenle laboratuvardaki iş yükünü yüzde 16 oranında azaltabilir.
Kullanılan algoritma, yorumlanabilir YZ olarak adlandırılan kategoriye giriyor: Hastayı tedavi eden doktorları, bir numuneyi neden negatif olarak tanımladığının nedenleri hakkında bilgilendiriyor. Çalışma sonuçları American Journal of Clinical Pathology’de yayınlandı ve uygun makinelerde hemen kullanıma hazır.
Her idrar örneğini ayrıntılı olarak incelemek çok zaman alıcı olduğundan, birçok hastane halihazırda akış sitometrisini kullanıyor. Bu sayede doktorlar bir ön seçim yapabiliyor, böylece açıkça negatif veya kontamine olmuş örnekler ilk etapta idrar kültürüne gönderilmiyor. Bu amaçla yaygın olarak kullanılan bir cihaz, araştırmacıların çalışmalarının bir parçası olarak verilerini analiz ettikleri “Sysmex Uf-1000i “dir.
Bu cihaz numunedeki partikülleri otomatik olarak sayar ve sınıflandırır ve daha sonra teşhis için kullanılabilecek 40’tan fazla parametre çıktısı verir. Ancak negatif numuneleri tanımlamaya yönelik önceki yöntemler bu parametrelerden yalnızca birkaçını kullanıyordu ki bu da araştırma projesinin itici gücünü oluşturdu.
Fraunhofer Avusturya’daki projenin başkanı Giacomo Da Col, “Değerlendirmeye sadece iki ya da üç parametre yerine daha fazla parametre dahil ederek sonuçları iyileştirip iyileştiremeyeceğimizi görmek istedik” diyor. İtalya’nın Aviano kentindeki Ulusal Kanser Enstitüsü’nden tıp doktoru Fabio Del Ben ve bir araştırma ekibiyle birlikte, 10.534 hastadan alınan 15.312 örnek değerlendirildi.
Yorumlanabilir YZ olarak karar ağaçları
Bununla birlikte, araştırmacıların projede kullanılacak YZ için özel gereksinimleri vardı.
Giacomo Da Col, “Özellikle tıpta, bir YZ’nin kara kutu olmaması önemlidir. Bir YZ’nin açıklama yapmadan sadece bir değerlendirme yapması mantıklı değil. Bu nedenle, algoritmamızın şeffaf ve yorumlanabilir olması ve doktorların bir numunenin neden negatif olarak kategorize edildiğini bilmesi bizim için zorunlu bir gereklilikti” diye açıklıyor.
Bu durumun geçerli olduğu bir yapay zeka biçimi, karar ağaçları olarak adlandırılan yöntem. Bu metodoloji çok sezgisel ve değerlendirmelerinin anlaşılmasını mümkün kılıyor.
Karar ağaçlarının çalışma şekli insanların düşünme şekline benziyor: Bir yargıya varmak için belirli soruları birbiri ardına sorup cevaplıyorlar. Ekip, YZ’nin karar kriterlerinin doktorlarınkine çok benzediğini tespit etti. YZ ayrıca en önemli kriterlerden birinin bakteri sayısı olması gerektiği sonucuna vardı ve bunu hastanın yaşı izledi. Ancak önceki yöntemlerden farklı olarak, araştırmacılar diğer parametreleri de dikkate aldı.
Nihai algoritma mevcut parametrelerden yedisini kullanıyor, gerekli %95 hassasiyete sahip ve önceki yöntemlere kıyasla laboratuvarların iş yükünü %16 oranında azaltabiliyor.
Bu sonuca ulaşmak için birkaç tur iyileştirme yapılması gerekti. Yapay zekanın geliştirilmesinde kilit rol oynayan Fraunhofer Avusturya’dan Doriana Cobârzan, “Yorumlanabilirliği korurken performansı artırmak için karar ağacı algoritmasında çeşitli iyileştirmeler yaptık” diyor.
Karar ağacının tamamı American Journal of Clinical Pathology makalesinde yayınlandığından, araştırma ekibiyle aynı akış sitometri cihazını kullanan kullanıcılar, metodolojiyi makinelerine hemen programlayabilir ve tıbbi uygulamada hemen uygulayabilirler.
Proje lideri Giacomo Da Col’a göre çalışmanın bir dezavantajı şu ana kadar tek bir hastanede yürütülmüş olması. Bu nedenle araştırmacılar, benzer bir çalışmayı kendi hastanelerinde yürütmek isteyen işbirliği ortakları arıyor.
Giacomo Da Col, “Örneğin örnekleme prosedürü başka bir hastanede farklıysa sonuçlar da farklı olabilir. İnsanların beslenme şekli de idrar örneklerinin analizi üzerinde etkili olduğundan, insanların farklı bir beslenme şekline sahip olduğu bir bölgede sonuçlar biraz farklılık gösterebilir. Algoritmanın diğer hastanelerde de değerlendirilmesi arzu edilir” diyor.
apayzeka.news’in hiçbir güncellemesini kaçırmamak için bizi Facebook, Twitter, LinkedIn, Instagram‘ ve Whatsapp Kanalımız‘dan takip edin.
