به گزارش مفدابهشتی به نقل از روابط عمومی جهاددانشگاهی علوم پزشکی شهید بهشتی- فرج حسینیان سرپرست معاونت پژوهشی جهاددانشگاهی علوم پزشکی شهید بهشتی با بیان این که در حوزه‌ی سلامت موضوع داده‌کاوی دارای اهمیت است، گفت: «در حوزه‌ی سلامت یکی از مهم‌ترین بخش‌هایی که وجود دارد، اطلاعاتی‌ست که از همه‌ی درمان‌ها و پژوهش‌ها خارج و ثبت می‌شود، که متأسفانه این دیتاها حداقل در کشور ما چندان جدی گرفته نمی‌شود.»
سرپرست معاونت پژوهشی جهاددانشگاهی علوم پزشکی شهید بهشتی با اشاره به اهمیت ثبت دیتاها در حوزه‌ی سلامت ادامه داد: «ثبت دیتاها می‌تواند منشأ بسیاری از بازسازی‌های جدید باشد، فرآیندها را تسریع ببخشد و باعث شود در برخورد با بیماری‌ها بتوانیم کارهای بهتری انجام دهیم. به این دلیل ما در کنار حوزه‌های کارکردی در جهاددانشگاهی علوم پزشکی شهید بهشتی بخش انفورماتیک سلامت را به‌صورت جدی در بحث هوش مصنوعی و داده‌کاوی شروع به کارکردیم و یک کارگروه تشکیل دادیم که بتوانیم در بحث داده‌ها که حوزه‌ی جوانی‌ست در بخش سلامت کشور فعالیت داشته باشیم.».
این عضو هیأت علمی جهاددانشگاهی در پایان با بیان این‌که این نشست پس از نشست‌های گذشته است که در حوزه‌ی داده‌ها در بحث سلامت برگزارشده افزود: «این راه جدیدی‌ست که شروع شده و قطعاً در آینده حوزه‌ی سلامت به سمت داده‌های بزرگ و یادگیری‌های عمیق و بحث هوش مصنوعی می‌رود. امیدوارم بتوانیم در این حوزه در عرصه‌ی بین‌المللی پایه‌گذار بحث‌های جدید باشیم.»
دکتر مصطفی حمدیه، دبیر علمی وبینار با اشاره به این‌که به‌طور متوسط30درصد از داده‌های جهان در حوزه‌ی سلامت است گفت: «بازار سلامت ازنظر گستردگی و اهمیت در کنار بازارهایی هم‌چون معدن، نفت و فولاد قرار می‌گیرد.»
این عضو هیأت‌علمی گروه روان‌پزشکی دانشگاه علوم پزشکی شهید بهشتی با اشاره به اهمیت داده‌ها در حوزه‌ی سلامت اظهار کرد: «علم داده روزبه‌روز در حال گسترش است و با توانایی خود در تحلیل داده‌ها در مقیاس بزرگ می‌تواند تحول بزرگی در عرصه‌ی پزشکی و مراقبت‌های بهداشتی و درمانی، در زمینه‌های گوناگون پدید آورد.»
وی با بیان این‌که تحلیل داده‌ها می‌تواند راهی برای رسیدن به موفقیت در سازمان‌ها باشد یادآوری کرد: «لازمه‌ی موفق بودن سازمان‌ها تحلیل حداقل 7درصد داده‌هایشان است که در عمل کمتر از 1درصد داده‌ها در سازمان‌ها تحلیل می‌شود.»
دکتر حمدیه با اشاره به معنای داده‌کاوی گفت: «داده‌کاوی به معنای استخراج اطلاعات و دانش و کشف الگوهای پنهان از پایگاه داده‌های بسیار بزرگ است که این داده‌ها در اکثر سازمان‌ها به‌سرعت در حال جمع‌آوری و ذخیره‌سازی‌ست و سازمان‌ها علاقه‌مند به استفاده از این منبع بزرگ و ارزشمند برای رشد و توسعه خود هستند.»
دبیر علمی وبینار در ادامه گفت: «از انواع منابع دادها در حوزه‌ی سلامت می‌توان به دست آوردن داده از معاینه‌ی بیمار از وضعیت و اطلاعات ثبت‌شده بیمار تصاویری که از بیمار گرفته می‌شود از نقاط مختلف بدن اطلاعات که از خانواده و خود بیمار گرفته می‌شود از تست‌هایی که از بیمار گرفته می‌شود همه از منابع اطلاعات هستند که می‌تواند به نام دیتا به ما در پژوهش کمک کنند.»
دکتر مصطفی حمدیه با اشاره به کاربرد علم داده در صنعت سلامت گفت: «علم داده‌کاوی می‌تواند در پیشگیری از بیماری‌ها، پیش‌بینی شیوع بیماری‌های جدید، تشخیص بیماری‌ها، درمان بیماری‌ها، مراقبت‌های پس از بستری، پردازش تصاویر پزشکی و ساخت داروهای جدید مخصوص هر بیماری تأثیرگذار باشد.»
وی با اشاره به آخرین دست‌آوردهای در آنالیز تصاویر پزشکی اظهار کرد: «می‌توان به آشکارسازی توده در تصاویر ماموگرافی، بخش‌بندی بافت‌های مغز، آشکارسازی برون‌رفت مایع از راه‌های تنفسی، دسته‌بندی رتینوپاتی دیابتی تصاویر چشم، بخش‌بندی تصاویر پروستات، دسته‌بندی غدد، آشکارسازی متاستاز سرطان سینه، دسته‌بندی بیماری‌های پوست، دسته‌بندی و بخش‌بندی تصاویر پاتولوژی اشاره کرد.»
دکتر حمدیه با اشاره به جایگاه ایران ثبت اطلاعات و داده‌کاوی اظهار تصریح کرد: «یکی از کارهایی که در این حوزه انجام‌شده در خانه‌های بهداشت سرویس‌هایی است که اطلاعات را ثبت می‌کند که اطلاعات خوبی‌ست برای انجام کارهای پژوهشی ولی درمجموع ایران در جایگاه خوبی قرار ندارد.».
این عضو هیأت‌علمی گروه روان‌پزشکی دانشگاه علوم پزشکی شهید بهشتی در پایان به شروع پروژه‌ای که در این حوزه با همکاری جهاددانشگاهی با نام «بررسی عوامل مؤثر در تشخیص بیماری آلزایمر» با استفاده از الگوریتم‌های داده‌کاوی اشاره کرد.
شاخص پیشرفت علمی یک کشور تعداد مقاله علمی نیست
در ادامه این وبینار محمود حاجی پور اپیدمیولوژیست و عضو شورای پژوهشی مرکز تحقیقات گوارش و کبد اطفال با تأکید بر اهمیت تصمیمات بر اساس تحقیق و پژوهش گفت: «اساساً هیچ تصمیمی بدون تحقیق و پژوهش مؤثر نخواهد شد، زمانی موفق هستیم که تصمیمات بر پایه تحقیق و پژوهش بوده و کاربردی و راهبردی باشد.»
وی با بیان این‌که به‌جای تمرکز بر کمیت مقالات باید به نشانگرهایی اعتنا نمود که به بررسی کیفیت مقالات می‌پردازند، اظهار کرد: «شاخص پیشرفت علمی یک کشور تعداد مقاله علمی نیست. در سال‌های اخیر ارتقای مرتبه اعضای هیأت‌علمی و فارغ‌التحصیلی دانشجویان تحصیلات تکمیلی دانشگاه‌ها منوط به دادن هرچه بیش‌تر مقالات شده است.»
محمود حاجی پور با اشاره به آمار سهم بودجه‌ی پژوهشی گفت: «بر اساس آخرین آمار، سهم بودجه‌ی پژوهشی برخی کشورها از تولید ناخالص ملی در چین ۲ درصد، آمریکا ۲/۸ درصد، فرانسه ۲/۳ درصد، هند یک درصد، کره جنوبی ۳/۶ درصد (که افزایش پیداکرده)، آلمان ۲/۹ درصد، ژاپن ۳/۴ درصد، روسیه ۱/۵ درصد و ایران حدود نیم درصد است.»
وی با اشاره به مجموع اعتبارات وزارت بهداشت در سال 99 ادامه داد: «مجموع اعتبارات وزارت بهداشت در سال ۹۹ معادل ۹۸۷۳۸۸ میلیارد ریال است که نسبت به سال ۹۸، ۱۰ درصد رشد داشته و اعتبارات امور سلامت معادل ۷۰۳۴۴۰ میلیارد ریال است که نسبت به سال قبل، ۹ درصد رشد داشته است. (فصول بهداشت و درمان هرکدام ۱۰درصد رشد و فصل تحقیق و توسعه ۲۷درصد کاهش داشته است).»
عضو شورای پژوهشی مرکز تحقیقات گوارش و کبد اطفال با اشاره به بودجه 1درصدی مراکز پژوهشی، گفت: درمجموع، ۶۰۳۶۹۴ میلیارد ریال بودجه برای دانشگاه‌ها لحاظ شده است. ۸۷ درصد این اعتبارات برای بهداشت و درمان، حدود ۱۲ درصد برای برنامه‌های آموزشی و کمتر از ۱ درصد برای مراکز پژوهشی در نظر گرفته‌شده است.»
وی با بیان تأثیر تحریم‌ها در درازمدت افزود: «ازجمله تأثیر تحریم‌ها می‌توان به کاهش مشارکت‌های علمی بین‌المللی، هزینه‌ی چاپ مقالات، موضعی شدن تحقیقات و ناهماهنگی با علم روز دنیا، ایجاد اثرات روانی ، نبود امکان داوری و چاپ مقاله‌های پژوهشگران ایرانی در نشریات بین‌المللی، نبود و کمبود دسترسی به تجهیزات پیشرفته و صادر نشدن ویزای پژوهشگران برای شرکت در همایش‌های خارجی اشاره کرد.»
این دانش‌آموخته دکترای اپیدمیولوژی با اشاره معنای رجیستری که جمع‌آوری مستمر و نظام‌مند اطلاعات تمامیِ نفرات در یک جمعیت مشخص است- اظهار کرد: «دانشگاه علوم پزشکی شهید بهشتی توانسته در ثبت بیماری‌ها قوی عمل کند و بیماری‌های ریجستر شده به 50 نوع بیماری رسیده است.»
این عضو کمیته راهبردی ثبت بیماری‌ها ادامه داد: «نظام ثبت بیماری‌ها و داده‌های نظام سلامت نقش مؤثری در تشخیص و اندازه‌گیری میزان گسترش یک بیماری خاص یا یک رویداد بهداشتی در جامعه دارد و نظام سلامت را قادر می‌سازد بر کیفیت خدمات‌رسانی بهداشتی نظارت بهتر و مؤثرتری داشته باشد. نظام ثبت هم‌چنین منبع مناسبی برای تشخیص بیماران به‌منظور انجام مطالعات پژوهشی بعدی از قبیل مطالعات کوهورت و کار آزمایی بالینی فراهم می‌آورد.»
حاجی‌پور با بیان این‌که پروژه ایران 2040 استنفورد، به دنبال پیش‌بینی آینده کشور تحت سناریوهای محتمل است، بیان کرد: «پروژه‌ی ایران 2040 استنفورد، ابتکاری دانشگاهی با هدف ترویج و تشویق همکاری‌های علمی در حوزه‌های اقتصادی و فنی مرتبط با توسعه پایدار درازمدت در ایران است. این پروژه تحقیقات کمّی و آینده‌نگر در زمینه‌ی گسترده‌ای از حوزه‌های مرتبط با توسعه اقتصادی ایران را ترویج می‌نماید. و هیچ‌گونه دستورالعمل و خط‌مشی سیاسی را حمایت و پیگیری نمی‌نماید. همکاران این پروژه تنها بر اساس مهارت‌های پژوهشی انتخاب می‌گردند و مدیریت پروژه از دیدگاه‌های سیاسی همکاران آگاهی نداشته و مسؤولیتی نیز در قبال آن ندارد.»
وی در پایان با اشاره به گزارش‌های منتشرشده‌ی پروژه ایران 2040 استنفورد، گفت: «در قالب این پروژه تاکنون گزارش‌های متنوعی در حوزه‌های آینده نفت و تأثیر آن بر اقتصاد ایران، بررسی وضعیت کشاورزی ایران، افق پیش روی بخش انرژی ایران، وضعیت جمعیتی ایران، اقتصاد ایران و مشکلات ناشی از تحریم‌ها، بانکداری در ایران، وضعیت آب در ایران و درنهایت بررسی وضعیت پژوهشی ایران منتشرشده است.»
اهمیت ثبت داده‌های با کیفیت؛ در تولید سیستم‌های پزشکی
در ادامه دکتر آرش روشن‌پور عضو هیأت علمی دانشگاه آزاد اسلامی، واحد تهران سما با اشاره به اهمیت کیفیت داده‌های پزشکی در یادگیری عمیق تصریح کرد: «فرآیند یادگیری ماشین و بالاخص یادگیری عمیق به‌شدت وابسته به کمیت و کیفیت داده‌هاست و با توجه به اهمیت تشخیص صحیح در حوزه‌ی پزشکی این اهمیت دوچندان می‌شود.»
دکتر روشن‌پور با بیان این‌که تولیدکنندگان داده‌های پزشکی برای تولید مدل‌های هوشمند تشخیصی وظایفی دارند، ادامه داد: «ازجمله‌ی این وظایف می‌توان به اندازه‌گیری دقیق‌تر، کالیبره نمودن تجهیزات، اطمینان از ورود اطلاعات، کنترل و اعتبارسنجی اطلاعات وارد شده، ممانعت از خالی ماندن مقادیر ضروری اشاره نمود.»
وی افزود: «تولیدکنندگان سیستم‌های هوشمند پزشکی در جایگاه استفاده‌کنندگان داده‌های پزشکی وظایفی مانند موارد زیر را دارند: افزایش دقت در پیش‌پردازش و پاک‌سازی داده‌ها، رسیدگی به داده‌های فاقد مقدار، رسیدگی به داده‌های پرت، هم‌چنین کاهش تأثیر نویز در مدل‌سازی.»
وی افزود: «انتخاب بهترین خصیصه‌ها، هم‌چنین تنظیم مناسب هایپرپارامترهای مدل ازجمله مسایلی‌ست که می‌تواند تأثیر نویز را در فرآیند مدل‌سازی کاهش دهد.»
این هیأت‌علمی دانشگاه آزاد تهران در این نشست به موضوعات تولید سیستم‌های خبره در پزشکی و مشکلات آن، استفاده از یادگیری ماشین به منظور کاهش این مشکل، یادگیری در شبکه‌ی عصبی مصنوعی، اهمیت رسیدگی به خصیصه‌های پیش‌گو و تأثیر آن‌ها در تصمیم‌گیری، کیفیت داده‌های پزشکی در یادگیری عمیق (یافته‌ها)، مدل‌هایی بر پایه ی شبکه عصبی عمیق، داده‌های پرت، نویز، تولید مدل دارای پیچیدگی کمتر برای نادیده گرفتن نویز پرداخت.
ارسال نظر