به گزارش ایسنا و به نقل از ام.آی.تی نیوز، سیستم یادگیری ماشینی میتواند پایینترین دوزهای دارو که در کاهش اندازه تومور مغزی موثر هستند، تشخیص دهد.
پژوهشگران دانشگاه "ام.آی.تی"(MIT)، برای بهبود کیفیت زندگی بیماران مبتلا به "گلیوبلاستوما"(glioblastoma) و کاهش شیمیدرمانی و پرتودرمانی، روشهای جدیدی از یادگیری ماشینی را به کار گرفتهاند.
گلیوبلاستوما، بدخیمترین نوع تومور است که در مغز یا نخاع بروز میکند و تشخیص آن در بزرگسالان، بیش از پنج سال طول نمیکشد. بیماران مبتلا به این تومور، باید هر ماه، مجموعهای از پرتودرمانی را پشت سر بگذارند و چند نوع دارو را استفاده کنند. پزشکان حرفهای، معمولا بالاترین میزان داروهای ایمن را برای کاهش اندازه تومور به کار میگیرند اما این داروهای قوی، اثرات جانبی بسیاری بر بیماران دارند.
پژوهشگران دانشگاه ام.آی.تی در این بررسی، مدلی ارائه کردند که میتواند سم ناشی از دوزهای دارو را کاهش دهد و در عین حال، تاثیر آن را حفظ کند. این مدل که مبتنی بر روش یادگیری ماشینی است، رژیم های درمانی که در حال حاضر مورد استفاده هستند، بررسی و دوزهای دارو را به طور پیوسته تنظیم میکند. این مدل نهایتا، یک برنامه درمانی بهتر با پایینترین دوز دارو ارائه میدهد که میتواند در کاهش اندازه تومور موثر باشد.
در آزمایشهای این پژوهش، 50 بیمار مورد بررسی قرار گرفتند و مدل یادگیری ماشینی، چرخههای درمانی را برای کاهش دوز دارو و کوچک کردن تومور طراحی کرد. این مدل در بسیاری موارد، تمام دوزهای دارو را حذف کرد و مصرف آنها را به جای دو بار در ماه، به تنها دو بار در سال کاهش داد.
"پراتیک شاه"(Pratik Shah)، پژوهشگر ارشد این پروژه گفت: هدف ما از این بررسی، کمک به بیماران در کاهش اندازه تومور آنهاست اما در عین حال، میخواهیم با کاهش میزان سم موجود در دارو، از عوارض جانبی مضر آن بکاهیم و اینگونه، کیفیت زندگی بیمار را افزایش دهیم.
مقاله این پژوهش، هفته آینده در کنفرانس "یادگیری ماشینی برای سلامتی" (Machine Learning for Healthcare) در "دانشگاه استنفورد" (Stanford University) ارائه خواهد شد.
انتهای پیام
نظرات