ما با استفاده از هوش مصنوعی، مدلی ساختیم که با تحلیل نتایج آزمایش ساده "نوار عصب"، میتواند بیماری خطرناک ALS را از مشکلات کمری عصبی تشخیص دهد. این مدل با دقت بالای ۸۷٪، الگوهای پنهان در آزمایش را می‌یابد و به پزشکان در تصمیم‌گیری کمک می‌کند. در آزمایش‌ها، این مدل موفق شد ۸۵ از هر ۱۰۰ بیمار واقعی ALS را به درستی شناسایی کند.

تاثیرات و کاربردها

۱. ابزار کمکی برای پزشکان متخصص مغز و اعصاب: این مدل هوش مصنوعی می‌تواند به‌صورت یک نرم‌افزار یا ماژول نرم‌افزاری در سیستم‌های بیمارستانی و کلینیک‌های تخصصی مغز و اعصاب ادغام شود. نحوه استفاده به این صورت است: پزشک پس از انجام آزمایش استاندارد NCS (مطالعه هدایت عصبی)، نتایج عددی را در نرم‌افزار وارد می‌کند. نرم‌افزار به‌طور خودکار داده‌ها را تحلیل کرده و یک گزارش کمکی ارائه می‌دهد که احتمال ALS را در مقایسه با رادیکولوپاتی با شاخص‌های دقت، حساسیت و اطمینان کمی‌سازی می‌کند. این گزارش به پزشک کمک می‌کند تا تصمیم آگاهانه‌تری برای درخواست آزمایش‌های تکمیلی (مانند EMG تخصصی یا MRI) یا شروع مداخلات درمانی بگیرد. ۲. تسریع فرآیند تشخیصی و کاهش هزینه‌های نظام سلامت: با کاهش نیاز به مشاوره‌های متعدد و آزمایش‌های تشخیصی گسترده و گاهی تهاجمی، مسیر تشخیصی کوتاه‌تر و مقرون‌به‌صرفه‌تر می‌شود. این مدل می‌تواند در مراکز درمانی سطح دو یا شهرستان‌ها که دسترسی به فوق‌تخصص مغز و اعصاب محدود است، به عنوان یک سیستم غربالگری اولیه هوشمند عمل کند و موارد با احتمال بالا را برای ارجاع به مراکز تخصصی علامت‌گذاری کند. ۳. راهنمای طراحی پروتکل‌های آینده: یافته‌های این تحقیق که ۳۵ پارامتر کلیدی در NCS را برای تشخیص معرفی می‌کند، می‌تواند توسط کمیته‌های تدوین دستورالعمل‌های تشخیصی ملی و بین‌المللی مورد توجه قرار گیرد. این نتایج مسیر را برای استانداردسازی و بهینه‌سازی پروتکل‌های فعلی آزمایش NCS در موارد مشکوک به ALS هموار می‌سازد. ۴. پایه‌ای برای توسعه بیشتر فناوری: این مدل می‌تواند هسته مرکزی یک اپلیکیشن یا پلتفرم تله‌مدیسین (پزشکی از راه دور) باشد که امکان مشاوره تشخیصی اولیه از راه دور را فراهم کند. شرکت‌های فعال در حوزه فناوری‌های سلامت دیجیتال می‌توانند این الگوریتم را توسعه داده و پس از دریافت تأییدیه‌های نظارتی (مانند FDA یا CE)، آن را به عنوان یک محصول پزشکی نرم‌افزاری به بازار عرضه کنند.