هوش مصنوعی و پزشکی از راه دور در هشدار زودهنگام شیوع بیماری ها: تصحیح صریح سوگیری دسترسی دیجیتال

سامانه های ویزیت آنلاین، شکایات نشانگانی را روزها پیش از رسیدن مورد بیماری به نظام گزارش دهی رسمی ثبت می کنند؛ اما کاربران این خدمات نمونه ای تصادفی از جمعیت نیستند و شدت مراجعه آنان تابع دسترسی دیجیتال است. هدف این پژوهش، صورت بندی و ارزیابی چارچوبی است که این سوگیری را به صورت صریح مدل سازی و تصحیح می کند. چارچوب پیشنهادی چهار لایه دارد: جمع آوری محلی نشانگانی؛ مدل مشاهده ای که نرخ مراجعه هر استان را تابعی توانی از شاخص دسترسی دیجیتال می گیرد و با هشت استان دیده بان کالیبره می شود؛ هسته مکانیزمی–عصبی که یک مدل SEIR روی گراف تحرک بین استانی را با شبکه عصبی تصحیح کننده نرخ انتقال ترکیب می کند؛ و لایه پیش بینی همدیس تطبیقی که قاعده اعلام هشدار را در نرخ هشدار کاذب کنترل شده تنظیم می کند. ارزیابی کاملا محاسباتی (in-silico) بود: مرجع واقعیت با یک مدل متاجمعیتی تصادفی روی ۳۱ گره استانی، چهار سناریو و ۴۸ اجرای مستقل تولید و با یک مدل مشاهده سوگیرانه به داده ویزیت آنلاین تبدیل شد. چارچوب پیشنهادی خطای مطلق میانگین افق هفت روزه را نسبت به مدل مکانیزمی خالص ۱۲ درصد و نسبت به نسخه فاقد تصحیح سوگیری ۱۸ درصد کاهش داد؛ شکاف سوگیری برآورد میان استان های کم دسترسی و پردسترسی را از ۰/۴۹ به ۰/۱۱ رساند (کاهش ۷۸ درصد)؛ و در سطح چندک هشدار همسان، میانگین زمان پیش آگاهی در استان های کم دسترسی را بدون افزایش نرخ هشدار کاذب از ۶/۰ به ۸/۳ روز رساند. در مقابل، پوشش تجربی بازه های نود درصد در همه روش ها کمتر از سطح اسمی بود (۰/۵۲ تا ۰/۵۹). ارزش پایش نشانگانی از راه دور، بیش از الگوریتم پیش بینی، به تصحیح صریح سوگیری دسترسی وابسته است. چون مدل مولد داده و مدل تصحیح هم خانواده اند، اندازه های گزارش شده کران بالای اثر تصحیح اند، نه برآوردی برای داده میدانی.

کلیدواژه ها:

پزشکی از راه دور ، هوش مصنوعی ، بیمار ، بیماری ، پیش بینی بیماری