രോഗികളിൽ കോവിഡ് -19 ബാക്ടീരിയ സഹ-അണുബാധ പ്രവചിക്കാൻ ഗവേഷകർ മെഷീൻ ലേണിംഗ് ഉപയോഗിക്കുന്നു
ആശുപത്രിയിൽ പ്രവേശിപ്പിക്കപ്പെട്ട കോവിഡ് -19 രോഗികളിൽ ദ്വിതീയ ബാക്ടീരിയ അണുബാധയുടെ അപകടസാധ്യത പ്രവചിക്കാൻ സഹായിക്കുന്നതിന് ഓസ്ട്രേലിയയിലെ ക്വീൻസ്ലാൻഡ് സർവകലാശാലയിലെ ഗവേഷകർ മെഷീൻ ലേണിംഗ് (എം എൽ) ഉപയോഗിച്ചു.
ദി ലാൻസെറ്റ് മൈക്രോബ് ജേണലിൽ പ്രസിദ്ധീകരിച്ച പഠനമനുസരിച്ച്, ഈ അണുബാധയുള്ള രോഗികൾക്ക് ആൻറിബയോട്ടിക് ഉപയോഗം നിർണായകമാണോ എന്ന് കണ്ടെത്താൻ മെഷീൻ ലേണിംഗ് ടെക്നിക് സഹായിക്കും.
“കോവിഡ് -19 രോഗികളിൽ ദ്വിതീയ ബാക്ടീരിയ അണുബാധയുടെ കണക്കുകൾ വിശാലമാണ്, പക്ഷേ ചില പഠനങ്ങളിൽ, മാരകമായ കേസുകളിൽ 100 ശതമാനവും ബാക്ടീരിയ സഹ-അണുബാധ അനുഭവിച്ചിട്ടുണ്ട്,” ക്വീൻസ്ലാൻഡ് സർവകലാശാലയിലെ അസോസിയേറ്റ് പ്രൊഫസർ ഡോ.
“ബാക്ടീരിയ സഹ-അണുബാധയുടെ അപകടസാധ്യത കുറയ്ക്കുന്നതിന്, എല്ലാ കോവിഡ് -19 രോഗികളെയും ആൻറിബയോട്ടിക്കുകൾ ഉപയോഗിച്ച് ചികിത്സിക്കാൻ സൈദ്ധാന്തികമായി കഴിയും,” അവർ കൂട്ടിച്ചേർത്തു.
എന്നിരുന്നാലും, ആൻറിബയോട്ടിക്കുകൾ ഉപയോഗിച്ച് അമിതമായി ചികിത്സിക്കുന്നത് ആൻറിബയോട്ടിക് പ്രതിരോധത്തിലേക്കും ബാക്ടീരിയ സൂപ്പർബഗുകൾ സൃഷ്ടിക്കുന്നതിലേക്കും നയിച്ചേക്കാമെന്ന് ഷോർട്ട് അഭിപ്രായപ്പെട്ടു.
“കോവിഡ് -19 രോഗികളിൽ ബാക്ടീരിയ അണുബാധയുടെ അപകടസാധ്യത നിർണ്ണയിക്കാൻ ശക്തമായ പ്രവചന മോഡൽ വികസിപ്പിക്കാൻ ഞങ്ങൾ സഹായിച്ചു, ഇത് ആൻറിബയോട്ടിക്കുകളുടെ ശ്രദ്ധാപൂർവ്വമായ ഉപയോഗം സുഗമമാക്കുന്നു,” അവർ പറഞ്ഞു.
ഈ സാങ്കേതികതയെ ‘ഏറ്റവും കുറഞ്ഞ സമ്പൂർണ്ണ ചുരുങ്ങൽ, സെലക്ഷൻ ഓപ്പറേറ്റർ’ – അല്ലെങ്കിൽ ലാസ്സോ എന്ന് വിളിക്കുന്നു.
കോവിഡ് -19 രോഗികളുള്ള ആറ് വ്യത്യസ്ത രാജ്യങ്ങളിൽ നിന്നുള്ള രക്ത സാമ്പിളുകൾ വിലയിരുത്താൻ ലാസ്സോ ഉപയോഗിച്ചു.
കോവിഡ് -19 രോഗിയിൽ ഏഴ് ജീനുകളുടെ പ്രകടനത്തിന് ആശുപത്രിയിൽ പ്രവേശിപ്പിച്ച് 24 മണിക്കൂറിന് ശേഷം ദ്വിതീയ ശ്വാസകോശ ബാക്ടീരിയ അണുബാധ ഉണ്ടാകാനുള്ള സാധ്യത പ്രവചിക്കാൻ കഴിയുമെന്ന് ഗവേഷകർ കണ്ടെത്തി.
“ഒരു ആശുപത്രിയിൽ ക്ലിനിക്കൽ അവതരണ സമയത്ത് ജീൻ ട്രാൻസ്ക്രിപ്ഷനും വിശകലനവും മെഷീൻ ലേണിംഗിനൊപ്പം ആൻറിബയോട്ടിക് കുറിപ്പടിയുടെ ഗെയിം മാറ്റാൻ കഴിയുമെന്ന ആവേശകരമായ സാധ്യത ഈ ഡാറ്റ ഉയർത്തുന്നു,” ക്വീൻസ്ലാൻഡ് സർവകലാശാലയിലെ ലക്ചറർ ഡോ.
കൂടാതെ, ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെ ചുറ്റിപ്പറ്റി മാധ്യമങ്ങളിൽ ചർച്ച ചെയ്യുന്ന സങ്കീർണ്ണമായ മെഷീൻ ലേണിംഗ് രീതികളേക്കാൾ ലളിതമാണ് ലാസ്സോയെന്നും അവർ അഭിപ്രായപ്പെട്ടു.
Experienced Researcher with a demonstrated history of working in the Deep Learning, Computer Vision
