Ana sayfa/Sağlık

Pekiştirmeli öğrenme, depresyonda rTMS protokolü seçti

19 klinik grubundaki 1.609 yetişkinin rutin verileriyle eğitilen model, tedaviye dirençli depresyonda seans bazında uyarım türü, yoğunluğu ve tarafı için öneriler üretti.

Pekiştirmeli öğrenme, depresyonda rTMS protokolü seçti için özgün kapak görseli
KISA ÖZET

Bilmen gereken 3 şey

  • Algoritma Ocak 2023–Haziran 2025 arasında rTMS alan 1.609 yetişkinin elektronik sağlık kaydıyla geliştirildi.
  • Ayrı tutulan kliniklerdeki 370 hastada, model önerisiyle eşleşen kararlar bir sonraki seansta PHQ-9 puanında 0,788 puan daha fazla iyileşmeyle ilişkiliydi.
  • Her öneriye uyulması halinde tedavi dönemi boyunca ek 3,22 puanlık iyileşme öngörüldü; çalışma gözlemsel olduğu için nedensellik kanıtlanmadı.
YAPAY ZEKÂ ETKİ KARTI

Bu gelişme nereyi etkiliyor?

ETKİ
ANALİZİ
Toplum92/100
Bilim90/100
Günlük yaşam78/100
Ekonomi66/100

Bu puanlar haberin kapsamı, etkilenen kişi ve sektörler ile kısa–orta vadeli sonuçları dikkate alınarak editoryal olarak hazırlanır.

Ne oldu?

rTMS ve aralıklı teta patlamalı uyarım yerleşik tedaviler olsa da klinisyenlerin her seansta tür, yoğunluk ve taraf seçimini yönlendiren güçlü kanıt sınırlı. Model, rutin uygulamadaki karar ve sonuç dizilerini seans seviyesinde öğrendi.

Karşılaştırma randomize değildi; klinisyenlerin modelle aynı seçimi yaptığı seanslar başka açılardan da farklı olabilir. İleriye dönük bir deneme yapılmadan algoritma tedavi reçetesi olarak kullanılamaz.

Neden önemli?

Ruh sağlığında yapay zekânın yalnızca risk tahmini değil, tedavinin zaman içindeki uyarlanması için de kullanılabileceğini gösteriyor; aynı zamanda randomize doğrulama gereksinimini açıkça ortaya koyuyor.

KONU ZAMAN ÇİZELGESİ

Sağlık gündemi nasıl ilerledi?

RESMÎ KAYNAKnpj Digital Medicine

Haberin dayandığı özgün duyuruyu inceleyebilirsin.

Kaynağı aç
OKUMAYA DEVAM ET

Haber akışı devam ediyor

Aşağı kaydırdıkça sıradaki yapay zekâ haberleri otomatik olarak açılır.

SIRADAKİ HABER01

Dil modeli, opioid bozukluğu riskini farklı hastane kayıtlarına taşıdı

Önceden eğitilmiş bir dil modeli, kurumlar arasında değişen ve eğitimde görülmeyen binlerce klinik özelliği ortak bir temsile çevirerek opioid kullanım bozukluğu tahmininin farklı EHR sistemlerine aktarılmasını hedefledi.

Dil modeli, opioid bozukluğu riskini farklı hastane kayıtlarına taşıdı kapak görseli

Ne oldu?

Elektronik sağlık kaydı modelleri çoğu zaman tek bir kurumun kodlama alışkanlıklarını öğreniyor ve başka hastaneye taşındığında bozuluyor. Araştırmacılar klinik özellik adlarını metinsel anlamlarıyla temsil ederek görülmemiş değişkenleri benzer kavramlarla eşleştirdi.

Risk işaretleme sistemleri yanlış pozitiflerle damgalanma ve bakım erişiminde zarar oluşturabilir. Gerçek kullanım için farklı nüfuslarda kalibrasyon, adalet analizi, açık eşikler ve bağımlılık uzmanının denetimi gerekiyor.

Neden önemli?

Sağlık yapay zekâsının yaygınlaşmasındaki temel engellerden biri, hastanelerin aynı olguyu farklı kodlarla kaydetmesi. Anlamsal uyum yaklaşımı, tek merkezde başarılı modelleri daha taşınabilir hale getirebilir.

Sıradaki haber hazırlanıyor…

YAPAY ZEKÂ ▲38%APPLE ▲21%ROBOTİK ▲17%ÇİP ▲12%OYUN ▼8%SİBER GÜVENLİK ▲24%