Clinlabomics: استفاده از داده های آزمایشگاهی بالینی با استراتژی های داده کاوی

تمرکز جهانی اخیر بر روی داده های بزرگ در پزشکی با افزایش هوش مصنوعی (AI) در تشخیص و تصمیم گیری به دنبال پیشرفت های اخیر در فناوری رایانه همراه است. تا به حال، هوش مصنوعی در جنبه‌های مختلف پزشکی، از جمله تشخیص بیماری، نظارت، درمان، پیش‌بینی خطرات آینده، مداخلات هدفمند و درک بیماری استفاده شده است. نمونه های موفق زیادی در پزشکی برای استفاده از داده های بزرگ مانند رادیولوژی و آسیب شناسی، قلب و عروق چشم پزشکی و جراحی وجود دارد. ترکیب پزشکی و هوش مصنوعی به ابزاری قدرتمند برای تغییر مراقبت های بهداشتی و حتی تغییر ماهیت غربالگری بیماری در تشخیص بالینی تبدیل شده است. همانطور که می‌دانیم، آزمایشگاه‌های بالینی روزانه مقادیر زیادی داده‌های آزمایشی تولید می‌کنند و داده‌های آزمایشگاهی بالینی همراه با هوش مصنوعی ممکن است تشخیص جدیدی را ایجاد کنند و درمان توجه گسترده‌ای را به خود جلب کرده است. در حال حاضر مفهوم جدیدی از رادیومیک برای داده های تصویربرداری ترکیب شده با هوش مصنوعی ایجاد شده است، اما تعریف جدیدی از داده های آزمایشگاهی بالینی همراه با هوش مصنوعی وجود ندارد به طوری که بسیاری از مطالعات در این زمینه را نمی توان به طور دقیق طبقه بندی کرد. بنابراین، ما مفهوم جدیدی از omics آزمایشگاهی بالینی (Clinlabomics) را با ترکیب پزشکی آزمایشگاهی بالینی و هوش مصنوعی پیشنهاد می‌کنیم. Clinlabomics می‌تواند از روش‌های با کارایی بالا برای استخراج مقادیر زیادی از داده‌های ویژگی از خون، مایعات بدن، ترشحات، مدفوع و داده‌های آزمایش‌های آزمایشگاهی بالینی استفاده کند. سپس با استفاده از آمار داده ها، یادگیری ماشینی و روش های دیگر اطلاعات کشف نشده بیشتری را بخوانید. در این بررسی، کاربرد داده‌های آزمایشگاهی بالینی همراه با هوش مصنوعی در زمینه‌های پزشکی را خلاصه کرده‌ایم. غیرقابل انکار، کاربرد Clinlabomics روشی است که می تواند به بسیاری از زمینه های پزشکی کمک کند، اما همچنان نیاز به اعتبار بیشتر در یک محیط و آزمایشگاه چند مرکزی دارد.

منبع: https://bmcbioinformatics.biomedcentral.com