استفاده از هوش مصنوعی (AI) برای بهبود تفسیر نتایج تست تشخیص سریع

تست­‌های تشخیص سریع سرولوژیکی (RDTs) به دلیل توانایی که در ارائه یک نتیجه ساده و دوگانه (مثبت یا منفی) دارند به طور گسترده‌ای در پاتولوژی (آسیب‌شناسی) استفاده می‌شود. این نوع آزمایش برای اولین بار در اوایل دهه 70 ساخته شد و بیش از سه دهه است که بیشتر برای تعیین وضعیت بارداری استفاده می‌شود.

در طول سال‌ها، کاربردهای RDT به طور قابل توجهی گسترش یافته‌است و امروزه ما تست‌هایی را برای انواع پاتوژن‌ها و آنالیت‌ها داریم که آنها را به ابزاری ارزشمند برای تشخیص و مدیریت سلامت تبدیل می‌کند. با این حال، خواندن و پردازش نتایج تست به صورت دستی با محدودیت‌هایی همراه بود که در حال حاضر با استفاده از هوش مصنوعی (Artificial Intelligence) و یادگیری ماشین (machine learning) برطرف می‌شوند.

تست‌های تشخیص سریع سرولوژیکی چیست و چگونه کار می‌کند؟

تست‌های تشخیص سریع سرولوژیک آنتی‌بادی‌ها را در نمونه‌های مایع انسانی شناسایی می‌کنند و نتیجه آزمایش دوتایی (مثبت یا منفی) را در مدت زمان نسبتا کوتاهی (5 تا 20 دقیقه) ایجاد می‌کنند. آن‌ها می‌توانند برای تشخیص عفونت فعال یا قبلی و یا شناسایی اختلالات خود ایمنی استفاده شوند.

تست‌های تشخیص سریع، سنجش‌های تشخیصی هستند که برای استفاده در محیط­هایی با منابع محدود یا برای استفاده در  محل مراقبت بیمار (PoC) طراحی شده‌اند. آنها در دماهای بالا پایدار هستند، استفاده از آن‌ها و خوانش نتایج‌شان ساده است و ارزان هستند.

تست‌های تشخیص سریع یا ایمونواسی بیماری را بر اساس واکنش آنتی‌ژن-آنتی‌ادی تشخیص می‌دهند و می‌توانند حضور و غلظت یک آنالیت را تعیین کنند. در حالت طبیعی هر آنتی‌ژن خاصی پاسخ‌های ایمنی منحصر به فردی را تحریک می‌کند و پروتئین‌های تولید شده توسط پاسخ ایمنی، آنتی‌بادی نامیده می‌شوند، بنابراین شناسایی آنتی‌بادی خاص در هر تست تشخیص سریع نشان­دهنده وجود یک ترکیب هدف (آنتی‌ژن مورد نظر) در نمونه است.

رایج‌ترین نوع تست‌های تشخیص سریع، دستگاه لترال فلو است، یک پلتفرم مبتنی بر کاغذ که با اعمال نمونه سیال به یک انتهای نوار تست (پد نمونه) و انتظار برای جریان یافتن نمونه با استفاده از جریان مویینگی به انتهای دیگر نوار (پد جاذب) عمل می‌کند. نمونه مایع حاوی یک آنالیت است که به عوامل گیراندازی مزدوج و غشاء متصل می‌شود. پد مزدوج حاوی آنتی‌بادی‌های اختصاصی آنالیت هدف است. نمونه همراه با آنتی‌بادی مزدوج شده متصل به آنالیت هدف، در طول نوار و به سمت غشا (ناحیه تشخیص) حرکت می‌کند. غشا حاوی آنتی‌بادی‌های اختصاصی یا آنتی‌ژن‌هایی است که در خط‌های تست و کنترل تثبیت شده‌اند و با آنالیت متصل به آنتی‌بادی مزدوج شده واکنش می‌دهند.

ظهور خط تست در سنجش ساندویچی به معنای حضور آنالیت مورد نظر در نمونه (پاسخ مثبت تست) است و هر چه غلظت آنالیت بیشتر باشد، خط تست تیره‌تر است و در حالت رقابتی ظاهر نشدن خط تست نشان دهنده حضور آنالیت در نمونه (پاسخ مثبت تست) است. در حالی‌که ظهور خط کنترل نشان می‌دهد نمونه به درستی در نوار تست جریان یافته‌است.

محدودیت‌هایی که قبلا در تست‌های تشخیص سریع وجود داشت

در هر صورت به چند دلیل سادگی تست‌های تشخیص سریع به این معنی نیست که نتایج به راحتی قابل خواندن یا قابل اعتماد هستند:

ممکن است ابعاد خط‌های تست در یک برند یا مدل نسبت به سایرین متفاوت باشد.

غلظت کم آنتی‌بادی می‌تواند خطوط آزمایشی را ایجاد کند که به راحتی قابل تشخیص نیستند و باعث می‌شود که تست‌های مثبت، منفی خوانده شوند.

ذهنیت (تاثیر پذیری نتایج از احساسات و نظرات شخصی) و محدودیت‌های بینایی فردی که نتایج را می‌خواند نیز می‌تواند بر نتیجه تست تأثیر بگذارد.

تست‌های محل مراقبت بیمار مانند تست‌های لترال فلو را می‌توان با حداقل آموزش و تجهیزات انجام داد، اما در مقایسه با آزمایش‌های انجام‌شده در آزمایشگاه‌های مرجع حساسیت کمتری دارند.

داده‌های مربوط به نتایج آزمایش را فقط می‌توان به صورت دستی جمع‌آوری و پردازش کرد، کاری که زمان‌بر بوده و مستعد خطای انسانی است.

به طور خلاصه، دو پیشرفت عمده ضروری بود: یافتن راهی برای حذف ذهنیت و محدودیت‌های خوانشگر انسانی از خواندن نتایج تست و جمع‌آوری و پردازش مؤثرتر داده‌های نتایج تست‌­ها. استفاده از خوانشگرهای دیجیتال ترکیب شده با نرم‌افزار هوش مصنوعی، نحوه پردازش نتایج تست‌های تشخیص سریع را تغییر داده‌است و منجر به پاسخ‌های سریع و شخصی به تشخیص و گشودن افق جدیدی برای تحقیقات و اکتشافات علمی ‌شده‌است.

بهبودهایی در تفسیر نتایج تست تشخیص سریع انجام شده‌است:

دو جهت بهبود مورد نیاز برای به حداکثر رساندن ارزش تست‌های تشخیص سریع  با پیاده‌سازی فناوری‌های پیشرفته زیر ایجاد شده‌است:

اپلیکیشن‌ها (برنامه) خوانشگر (Reader apps):

اپلیکیشن‌های تلفن‌های هوشمند را برای خوانش نتایج تست تشخیص سریع با استفاده از یادگیری ماشینی برای طبقه‌بندی نتایج تست سرولوژیکی و کاهش ابهامات خوانش نتایج استفاده می‌کنند. چنین برنامه‌هایی در مقایسه با خوانش با چشم، دقتی بیش از 99 درصد دارند که صحتی کمی ‌بیش از 90 درصد ایجاد می‌کند. علاوه بر این، برنامه‌های خوانش قابلیت ردیابی را برای ارائه تشخیص واضح‌تر فراهم می‌کنند. استفاده از برنامه‌های خوانشگر اعتماد به نفس کارکنان بالینی را افزایش می‌دهد و فرصت‌هایی را برای خودآزمایی دقیق‌تر بیمار ایجاد می‌کند. از آنجایی که شدت خط تست به مقدار آنتی‌بادی‌های موجود در نمونه بستگی دارد، برنامه‌های تلفن‌های هوشمند توانایی‌های تصویربرداری با وضوح بالا دوربین تلفن هوشمند را با پردازش تصویر ترکیب می‌کنند تا نتایج آزمایش تشخیص سریع را بخوانند و تفسیر کنند.

دستگاه‌های خوانشگر :

خوانشگرهای لترال فلو مانند آن­هایی که توسط Qassay تولید می‌شوند راه‌حل موثر و کم هزینه دیگری برای خواندن صحیح نتایج تست تشخیص سریع هستند. به عنوان مثال، خوانشگره چند منظوره (LFT) ما، که به صورت کیت با نوارهای تست یکبار مصرف متعدد عرضه می‌شود.

Qassay® (by P4Q) Rapid  خوانشگرهای دیجیتال لترال فلو مبتنی بر فناوری سنسور چند طیفی با دقت بالا، دسترسی زیاد و پشتیبانی از تشخیص پزشکی هستند که آنها را قادر می‌سازد تا تست لترال فلو را با صحت بالاتر در آنالیز کمی ‌و کیفی ارزیابی کنند.

ذخیره نتایج آزمایش در فضای (ذخیره‌سازی) ابری

نتایج آزمایش چه با استفاده از یک برنامه تلفن هوشمند خوانده شود یا چه با یک دستگاه خوانشگر اختصاصی، داده‌های خام به طور خودکار هماهنگ (و همزمان) شده و در فضای ابری ذخیره می‌شوند. زیرساخت ابری، ذخیره‌سازی امن و دسترسی به داده‌ها را فراهم می‌کند،  استفاده از پلتفرم‌های ابری اختصاصی، مفاهیم نظارتی را برای کاربران ساده می‌کند.

Qassay® از توسعه پلتفرم ابری trust-test وب‌سایت خود (www.trust-test.com) بر اساس aws (سرویس‌های وب آمازون) استفاده می‌کند، که طبقه‌بندی و آنالیز داده­های آزمایش را با قابلیت‌های یادگیری ماشین ارائه می‌دهد.

امنیت داده‌های داخلی ما (امنیت داده‌ها در حین حمل و نقل و در حالت استراحت) با  چندین گزینه‌ مدیریت داده‌، با استفاده از جدیدترین روش‌های رمزگذاری برای اطمینان از امنیت مطلوب و حفظ حریم خصوصی بیمار با بالاترین استانداردها ارائه می‌شود. علاوه بر این، به ما امکان می‌دهد تا حسابرسان شخص ثالث امنیت و انطباق خدمات را به­عنوان بخشی از برنامه‌های مختلف انطباق با AWS، مانند SOC، PCI، FedRAMP و HIPAA ارزیابی کنند.

استفاده از الگوریتم­های مختلف امکان دستیابی به تشخیص دقیق و قابل اعتماد را فراهم می­کند. در مرحله بعد، این پلتفرم قابلیت‌های نقشه‌برداری آزمایشی را برای کمک به روش‌های آنالیز نقشه شیوع ارائه می‌دهد که منجر به واکنش‌های سریع به تهدیدات همه‌گیری می‌شود.  رهبران محلی قدرت تصمیم­گیری برای ایمن نگه داشتن جمعیت را دارند، در حالی­که داده­ها را به طور ایمن در سراسر شبکه جهانی سازمان­ها به اشتراک می­گذارند.

استفاده از هوش مصنوعی برای پردازش نتایج تست

همانطور که در بخش قبل مشاهده شد، گام منطقی بعدی پس از جمع‌آوری و ذخیره داده‌ها، استفاده از آن برای آنالیز جهت تصمیم‌گیری بهتر است. در سال‌های گذشته تمرکز فزاینده‌ای به نقش هوش مصنوعی و کلان داده در تشخیص‌ شده‌است. توسعه مدیریت داده‌ها در بازار تست لترال فلو پیامدهایی برای سلامت انسان ، سلامت و رفاه حیوانات و برای کاربردهای کشاورزی و محیطی دارد.

مدیریت داده‌های مبتنی بر فضای ابری می‌تواند امکان نظارت در زمان واقعی شیوع بیماری‌ها را فراهم کند و اقدامات پیشگیرانه را برای محدود کردن گسترش شیوع ممکن ‌سازد. در ترکیب با سایر عوامل مانند دما و رطوبت، اطلاعات نتیجه آزمایش حتی می‌تواند برای ایجاد مکانیسم‌های هشدار اولیه برای جلوگیری از شیوع بیماری در آینده استفاده شود.

با استفاده از ذخیره‌سازی در فضای ابری و مدیریت داده‌های هوش مصنوعی، تست‌های تشخیصی لترال فلو دستگاه‌های مستقل‌تری می‌شوند و در یک راه‌حل برای جمع‌آوری داده با کاربرد بالاتر، در بازار تشخیص ادغام می‌شوند. جایگزینی پایگاه‌های داده سنتی با فضای ذخیره‌سازی ابری داده‌ها، روندهای گزارش‌دهی داده‌ها را سریع‌تر و دقیق‌تر می‌کند و به جلوگیری از گسترش بیماری کمک می‌کند. کارشناسان پزشکی و هر کسی که در مدیریت بیماری نقش دارد، می‌تواند به‌جای اینکه منتظر بماند تا داده‌ها از مناطق مختلف جمع‌آوری و بارگذاری شوند، به داده‌های زمان واقعی دسترسی داشته باشند.

استفاده از هوش مصنوعی در ارتباط با تست­های تشخیص سریع در طول همه‌گیری (پاندمی) کووید-۱۹

پیشرفت سریع همه‌گیری COVID-19 عاملی در توسعه تست‌های تشخیص سریع جدید برای شناسایی SARS-CoV-2 بوده‌است. تا ژوئن 2020، بیش از 176 RDT سرولوژیک SARS-CoV-2 تولید شده‌است. این تست‌های تشخیص سریع در مراکز بهداشتی و در مراکز امتحان رانندگی مورد استفاده قرار گرفته‌اند که امکان آزمایش جمعیت‌های بزرگ و جمع‌آوری داده‌ها برای انجام مراحل خاموشی و بازگشایی در مواقع ضروری را ممکن ساخته‌است. استفاده از یک برنامه تلفن هوشمند (xRCovid) که از یادگیری ماشینی برای طبقه‌بندی نتایج RDT سرولوژیکی SARS-CoV-2 و کاهش ابهامات خوانش نتایج استفاده می‌کند، منجر به دقت 3/99درصدی در 11 مدل تست تشخیص سریع کووید-19 شده است و همچنین برای اطمینان از تشخیص‌های واضح‌تر قابلیت ردیابی را فراهم می‌سازد.

چگونه هوش مصنوعی می‌تواند به شناسایی دقیق‌تر تست‌های HIV مثبت کمک کند

همچنین در سراسر جهان از هوش مصنوعی برای بهبود تست HIV به وسیله کاهش ریسک مثبت و منفی کاذب استفاده می‌شود. خودآزمایی تعداد تست‌ها را افزایش می‌دهد، اما کسانی که نتایج تست را تفسیر می‌کنند به دلیل محدودیت‌های بینایی و تاثیرپذیری از احساسات و نظرات شخصی می‌توانند خطا داشته باشند.

دانشگاهیان مرکز نانوتکنولوژی لندن در UCL و AHRI از الگوریتم‌های یادگیری عمیق (هوش مصنوعی) برای بهبود توانایی کارکنان بهداشتی برای تشخیص HIV با استفاده از تست‌های لترال فلو در روستاهای آفریقای جنوبی استفاده کردند. یافته‌های آن‌ها که در Nature Medicine منتشر شده است، منعکس‌کننده نتایج اولین و بزرگترین مطالعه میدانی در مورد نتایج آزمایش HIV است که از یادگیری ماشینی برای طبقه‌بندی آن‌ها به عنوان مثبت یا منفی استفاده می‌کند.

اپلیکیشنی در اختیار شرکت‌کنندگان در آزمایش قرار گرفت و آنها بدون آموزش توانستند از آن استفاده کنند. پنج شرکت‌کننده باید تفسیر خود را از 40 نتیجه تست HIV ثبت می‌کردند و تصویری از آزمایش‌ها را برای خوانش توسط طبقه‌بندی‌کننده یادگیری ماشین ارائه می‌دادند. مشاهده شد که تفسیر نتایج آزمایش با چشم دقت 1/92٪ را به همراه داشت، در حالی که طبقه‌بندی کننده یادگیری ماشین عملکرد برتری داشت و 9/98٪ از نتایج آزمایش را به درستی خواند. خودآزمایی دقیق‌تر HIV می‌تواند دسترسی بیماران را برای اقدامات پیشگیرانه و درمان بهبود بخشد.

دکتر کوبوس هربست، سرپرست دانشکده علوم جمعیت AHRI، نشان داد که استفاده از هوش مصنوعی در آزمایش HIV بر اولویت‌ها و نیازهای بهداشتی محلی تأکید دارد: «سیستم دیجیتالی که نتیجه آزمایش و فرد را به مراقبت‌های بهداشتی مرتبط می‌کند، این پتانسیل را دارد که پیشگیری از HIV را غیرمتمرکز کند و اهداف UNAIDS را برای از بین بردن HIV محقق سازد.

پیامدهای استفاده از هوش مصنوعی برای بهبود تفسیر نتایج آزمایش

فناوری تشخیص سریع همراه با هوش مصنوعی و یادگیری ماشین نشان دهنده شروع عصر جدیدی در تشخیص و مدیریت شیوع بیماری با حصول اطمینان از مزایای زیر است:

• حذف خطای انسانی و تاثیرپذیری از احساسات و نظرات شخصی در مورد نتایج تست برای اطمینان از آنالیز بی‌طرفانه تست؛
• جلوگیری از کمبود عرضه با استفاده از تحلیل پیش‌گویانه برای تعیین نیاز آینده به تجهیزات حیاتی و کاهش ضایعات در زنجیره تامین.
• تهیه نقشه‌های زنده بیماری با ارائه دسترسی به نتایج آزمایش به مقامات بهداشتی با استفاده از ناشناس‌سازی داده‌ها (فرآیندی در راستای حفاظت از اطلاعات خصوصی و حساس کاربران، این اقدام از طریق پاک کردن یا رمزنگاری بخش‌هایی از اطلاعات است که اشخاص را به صورت مستقیم به داده‌ها مربوط می‌سازد.)
• ارائه تست‌های تشخیصی سریع مقرون به صرفه و دقیق به بیماران در مناطق با درآمد پایین یا متوسط.
• مدیریت کارآمدتر مقادیر زیادی از اطلاعات بیمار و به اشتراک‌گذاری اطلاعات با خیال راحت و با سهولت بی‌سابقه؛
• انجام حذف هویت داده‌های بیماران به منظور اطمینان از حفظ حریم خصوصی. شناسایی‌زدایی فرآیند حذف اطلاعات شناسایی از داده‌های بیمار است و برای به اشتراک گذاشتن اطلاعات سلامت با اشخاص ثالث برای اهداف تحقیقاتی و استفاده در آنالیزهای پیشرفته و مدل‌های یادگیری ماشینی حیاتی است. علاوه بر این، داده‌ها را می‌توان در صورت نیاز مجددا شناسایی کرد.
• به طور بالقوه امکان شناسایی ویروس‌ها در چند ثانیه را فراهم می‌کند.

با توجه به آخرین مزیت ذکر شده، یک شرکت تحقیقاتی دانشگاه آکسفورد هم اکنون در حال توسعه فناوری برای شناسایی ویروس‌ها در چند ثانیه است.  OxDX از فوریه 2022، 2.6 میلیون پوند بودجه اولیه برای فناوری تشخیصی مبتنی بر هوش مصنوعی خود جمع‌آوری نموده‌است. انتظار می‌رود این روش جدید گونه‌ها و سویه‌های خاص ویروس‌ها، باکتری‌ها و سایر عوامل بیماری‌زا را در یک نمونه در عرض چند ثانیه شناسایی کند. شرکای اولیه این پروژه IQ Capital و Ahren Innovation Capital هستند.

Alex Batchelor، مدیر اجرایی OxDX، اعلام کرد: «ما با ویروس‌های تنفسی شروع می‌کنیم و بعد آن را گسترش می‌دهیم. به موازات آن، ما گردش کار برای انتقال آزمایش از آزمایشگاه به محل مراقبت بیمار را ساده می‌کنیم، که نشان‌دهنده یک تغییر مرحله‌ای در دسترسی و هزینه تشخیص بیماری‌های عفونی در سراسر جهان است.»

استفاده از فناوری‌های جدید طراحی شده برای خوانش و ذخیره نتایج آزمایش‌های تشخیص سریع، مانند دستگاه‌های خوانشگر، فضای ذخیره‌سازی ابری و آنالیز مبتنی بر هوش مصنوعی، پتانسیل آزمایش‌های لترال فلو و سایر آزمایش‌های سریع و خودارزیابی را به حداکثر می‌رساند. در نتیجه، کارشناسان بهداشتی و افرادی که آزمایش‌های تشخیص سریع را انجام می‌دهند از مزایایی مانند افزایش صحت، ارزش پیش‌بینی‌ (سودمندی در پیش‌بینی) و مدیریت مؤثرتر شیوع برخوردار می‌شوند.

منبع :

تاریخ انتشار 9  June 2022 ، گرفته شده از سایت https://qassay.com