تشخیص زودهنگام "تب مالت" با فرمول‌های ریاضی!

نتایج این پژوهش نشان می‌دهد که مدل شبکه عصبی مصنوعی عمیق می‌تواند به‌عنوان یک روش کارآمد و هوشمند برای تشخیص موارد بروسلوز انسانی به کار گرفته شود.

بیماری "بروسلوزیس"یا "تب مالت"، ازجمله بیماری‌هایی است که با مصرف محصولات لبنی ناسالم به افراد منتقل می‌شود. محققان کشور برای تشخیص به‌موقع این بیماری، استفاده از یک مدل شبکه عصبی مصنوعی را مورد استفاده قرار داده و به موفقیت‌های خوبی دست یافته‌اند.

به گزارش ایسنا، بروسلوزیس یا تب مالت یک بیماری با قدرت درگیرکردن چند ارگان است که در موارد شدید و حاد خود را به‌صورت یک بیماری تب‌دار (ناگهانی و یا تدریجی) نشان می‌دهد. ولی در صورت عدم تشخیص و درمان به‌موقع و مناسب، بیماری ادامه یافته و می‌تواند به سمت یک بیماری مزمن و ناتوان‌کننده با عوارض شدید و گاهی مرگ‌بار پیش رفت کند. معمولاً شدت این بیماری در کسانی که به‌دفعات با دام‌ها در تماس هستند و به‌طور دائمی با باکتری بروسلا تماس دارند خفیف و ملایم است. این بیماری به علت ایجاد سقط جنین در دام، کاهش تولید شیر، عقیمی و نازایی دام‌های مبتلا و همچنین به علت ابتلای انسان به بیماری تب مالت، همواره از دو بعد اقتصادی و بهداشتی مورد توجه قرار می‌گیرد.

تب مالت بیماری است که به گفته محققان بیشتر در جوانان دیده می‌شود و در افراد با سن بالا، فراوانی کمتری دارد. سودمندترین آزمون بررسی پاسخ درمانی در بروسلوز، اندازه‌گیری عیار آزمونی به نام 2ME است. هرچند تعداد کمی از بیماران ممکن است به‌طور خودبه‌خودی خوب شوند، اما تشخیص و درمان زودهنگام در بیماری تب مالت یک اصل مهم است، چراکه هر چه درمان دیرتر شروع شود، احتمال بروز عوارض و عود آن بیش‌تر می‌شود. بر اساس مطالعات، تأخیر بیش از 30 روز در شروع درمان، باعث عوارض بسیاری خواهد شد و تقریباً هر عضوی از بدن ممکن است به این باکتری آلوده شود. بر همین اساس تشخیص سریع و شروع به‌موقع درمان آن از اهمیت بالایی برخوردار است.

در همین رابطه، پژوهشگرانی از دانشگاه ولیعصر (عج) رفسنجان و دانشگاه علوم پزشکی این شهر، پژوهشی را انجام داده‌اند که در آن برای تشخیص بیماری بروسلوزیس، از شبکه‌های عصبی مصنوعی استفاده شده است.

در این مطالعه توصیفی-تحلیلی، موارد بروسلوز انسانی بر اساس شاخص‌های جنس، سن، بارداری، سابقه تماس با دام و استفاده از مواد غیرپاستوریزه لبنی در طول سه سال از شهرستان رفسنجان واقع در جنوب ایران جمع‌آوری‌شده و مورد تحلیل قرار گرفتند و از روش شبکه عصبی مصنوعی «آتوانکو در عمیق» برای هر زیرمجموعه استفاده شد.

به گفته علی فیاضی، محقق گروه مهندسی برق دانشگاه ولیعصر (عج) رفسنجان و همکارانش، «روش مورد مطالعه ما به صحت حدود 85 درصد و حساسیت 62 درصدی در پیش‌بینی موارد بیماری بروسلوزیس دست یافت، لذا نتایج تجربی، عملکرد دقیق شبکه عصبی را در تشخیص بیماری بروسلوز نشان می‌دهد».

آن‌ها ادامه می‌دهند: «بااین‌حال مطالعه و پژوهش‌های بیشتری برای طراحی مدل‌های دیگر از شبکه‌های عصبی مصنوعی بر اساس یادگیری عمیق جهت تشخیص سایر بیمارهای عفونی مورد نیاز است».

بر اساس یافته‌های این پژوهش که در نشریه «انفورماتیک سلامت و زیست پزشکی» منتشر شده‌اند، می‌توان از مدل مورد اشاره به‌عنوان یک ابزار مناسب در تشخیص به‌موقع بیماری بروسلوزیس استفاده کرد.

نشریه فوق به‌صورت فصل‌نامه توسط مرکز تحقیقات انفورماتیک پزشکی دانشگاه علوم پزشکی کرمان انتشار می‌یابد.