اشتراک گذاری با دوستان
اشتراک گذاری در linkedin
اشتراک گذاری در twitter
اشتراک گذاری در facebook
اشتراک گذاری در telegram
اشتراک گذاری در whatsapp

وضعیت: بسته

  شماره سند:

  تاریخ انتشار: 1401/04/11

  مهلت ارسال پیشنهاد: 1401/04/14

  فرصت‌ها: براساس پیشنهاد‌ها قابل‌ مذاکره خواهد بود.

 تماس : 02166539734 – 02166533864

  ارسال پروپوزال‌ها: https://ghazal.inif.ir/grant

ضرورت مسئله

امروزه در بازارهای دارویی، داروهای ضد انعقاد و رقیق‌کنندههای فراوانی وجود دارند که کاربردهای درمانی مختلفی داشته و می‌توانند در درمان و کنترل علائم بیماری‌های مهمی نظیر ترومبوز ورید عمقی[1]، ترومبوآمبولی[2] ریوی، فیبریلاسیون دهلیزی[3]، بیماری‌های دریچه‌ای قلب و دریچه‌های مصنوعی قلب تأثیر داشته باشند. به‌عنوان‌مثال وارفارین یک رقیق‌کننده خون قوی است که برای استفاده پزشکی در ایالات‌متحده در سال 1954 تائید شد. در حال حاضر، وارفارین یکی از داروهایی است که اغلب برای بیماران مبتلا به بیماری‌های قلبی عروقی تجویز می‌شود.

مصرف بیش‌ازاندازه داروهای ضد انعقادی مانند وارفارین می‌تواند منجر به خون‌ریزی شدید و تهدیدکننده حیات شود، درحالی‌که دوز ناکافی داروی ضد انعقاد می‌تواند منجر به ترومبوز[4] و لخته‌های خونی ناخواسته شود. با تمام این اوصاف در حال حاضر دوز وارفارین موردنیاز پس از چندین روز آزمون‌وخطا تعیین می‌شود، به این معنی که بستری شدن در بیمارستان و نمونه‌گیری روزانه خون در این فرآیند ضروری می‌باشد. علت این امر این است که فارماکوکینتیک[5] وارفارین به عوامل متعددی ازجمله تداخلات دارویی، تغییرات ژنتیکی و رژیم غذایی بستگی دارد. بنابراین پزشکان هنوز در تعیین دوز بهینه وارفارین با چالش مواجه هستند. معمولاً برای تنظیم دوزهای وارفارین، بستری طولانی‌مدت و مراجعات مکرر به کلینیک و درمان سرپایی موردنیاز است. علیرغم این دشواری‌ها در تنظیم دوز وارفارین، بسیاری از بیماران ضد انعقاد همچنان نیاز به تجویز وارفارین دارند، زیرا هیچ ضد انعقاد خوراکی دیگری وجود ندارد که بتواند جایگزین آن شود.

[1] Deep vein thrombosis

[2] Pulmonary embolism

[3] Artial fibrillation

[4] Thrombosis

[5] Pharmacokinetic

مشروح مسئله تحقیقاتی

همان‌طور که پیش‌ازاین گفته شد، وارفارین یکی از داروهایی است که اغلب برای بیماران مبتلا به بیماری‌های قلبی-عروقی تجویز می‌شود و اندیکاسیون‌های مختلفی، ازجمله ترومبوز ورید عمقی، ترومبوآمبولی ریوی، فیبریلاسیون دهلیزی، بیماری‌های دریچهای قلب و دریچه‌های مصنوعی قلب برای آن وجود دارد. تأثیرات وارفارین به وسیله آزمایش انعقاد خون اندازه‌گیری می‌شود که نسبت نرمال شده بینالمللی زمان پروترومبین(PT INR)، مهمترین و دقیق‌ترین فاکتور آزمایشگاهی برای اندازه‌گیری این امر است. در یک فرد سالم بدون اختلال انعقادی، سطح PT INR تقریباً 1.0 است و هر بیماری که وارفارین مصرف می‌کند نیز محدوده PT INR هدف خاصی دارد.

در حال حاضر پاسخگویی به این نیاز به شیوه کاملاً سنتی اما علمی ‌انجام می‌شود. بیمارانی که نیازمند تنظیم دوز داروهای ضد انعقادی هستند، ابتدا در بیمارستان بستری می‌شوند و بر اساس فرمول‌های پزشکی دوز داروی آن‌ها کاهش می‌یابد. سپس سپس بیماران به صورت روزانه (در روزهای اول حتی به صورت چند بار در روز) از لحاظ وضعیت انعقاد خون با استفاده از تست های PT INR مورد ارزیابی قرار می گیرند. در ویزیت‌های بعدی، پزشک معالج با توجه به نوع بیماریِ بیمار و همچنین نتایج آزمایش‌ها،  با تغییر دوز دارو، تا زمانی که بیمار بتواند با دوز مشخصی از بیمارستان خارج شود، اقدام به تنظیم آن می‌نماید. پس از ترخیص بیمار، فرآیند کنترل بیمار خاتمه نمی‌یابد و و بیمار می‌بایست ضمن انجام آزمایشات، تحت نظر پزشک معالج خود، از مناسب و متناسب بودن دوز دارو اطمینان حاصل نماید.

فناوری‌های نوین و خصوصاً توسعه هوش مصنوعی در طی دهه‌های اخیر می‌تواند به‌عنوان راهکاری برای طراحی دستیار‌های هوشمند با دقت بالا در تنظیم دوز اولیه و ثانویه این داروها کمک‌کننده باشد. هدف از انتشار این فراخوان، بهره‌گیری از دانش بومی ‌متخصصین فعال در زمینه هوش مصنوعی، یادگیری ماشین، هماهنگی و هم‌فکری با پزشکان و دست‌اندرکاران حوزه دارو و درمان است تا دستیاری هوشمند و خود یادگیرنده برای کمک به پزشکان در تنظیم دوز اولیه و ثانویه داروهای ضد انعقاد خون طراحی شود. لذا تیم موردنظر باید از متخصصین در زمینه‌های هوش مصنوعی، یادگیری ماشین، برنامه‌نویسی، تحلیل کلان داده‌ها، پزشکان و داروسازان تشکیل شده باشد. همچنین در گام اول، باید جمع‌آوری کلان داده‌ها، فراهم‌سازی آن‌ها و تحلیل آن‌ها بر اساس مدل‌های یادگیری ماشین انجام شود و در ادامه، الگوریتم‌های خود یادگیرنده می‌تواند به بهبود عملکرد سامانه کمک کنند. همچنین دقت عملکرد و کارایی هریک از سامانه‌های مورد ادعا درنهایت به‌وسیله مطالعات مستقل مورد ارزیابی قرار گیرند.

امروزه برخلاف سالیان پیش تمامی اطلاعات مربوط به روند درمان و پایش بیماران در مراکز دولتی به‌صورت کامل در سامانه‌های الکترونیک وزارت بهداشت که مهم‌ترین آن سامانه سپاس (سامانه پرونده الکترونیک سلامت) است ثبت می‌گردد. تمامی داده‌ها در سامانه سپاس نه‌تنها با کدینگ‌های مخصوص و قابل‌ردیابی ثبت می‌گردند، بلکه امکان واکشی مجدد و استخراج به‌صورت پایگاه‌های داده مدون را دارند. در زمینه تنظیم دوز داروهای ضد انعقاد نیز موضوع به همین صورت است. در حال حاضر متغیرهای شناخته‌شده‌ای ذکر گردیده‌اند که تمامی آن‌ها در سامانه سپاس با کدینگ‌های مخصوص تعریف شده است و از تمامی مراکز درمانی دولتی در تمام کشور این داده‌ها در سرورهای وزارت بهداشت گردآوری می‌شوند. در جدول 1 به مهم‌ترین متغیرهایی که کتب پزشکی به‌عنوان عوامل مؤثر بر تنظیم دوز داروهای ضدانعقاد خون نام می‌برند، اشاره شده است:

ردیف

نام متغیر

شرح متغیر

۱

تاریخ تولد و سن

اين ويژگي معرف تولد بيمار به تاريخ شمسي است. بر اساس این تاریخ و تاریخ کنونی، سن بیمار قابل‌محاسبه است.

۲

مساحت سطح بدن

سطح بدنی بیمار که بر اساس اطلاعات پایه، وزن و قد، در سامانه سپاس قابل محاسبه است.

۳

شاخص توده بدنی

شاخص توده بدنی بیمار که بر اساس اطلاعات پایه، وزن و قد، در سامانه سپاس قابل محاسبه است.

4

جنس

نشان‌دهنده جنسيت افراد است. کدهاي مربوط به آن در پيوست 1 راهنمای تبادل داده با سامانه سپاس نشان داده شده است.

5

نژاد

نژاد بیمار بر اساس اطلاعات سیستم جهانی Race

6

INR هدف

میزان عددی INR  هدف، در بیماری که بر اساس تشخیص دریافتی از سامانه سپاس و مبتنی بر متغیرهای قابل‌پیش‌بینی باید به شبکه عصبی آموزش داده شود

7

سطح ویتامین K خون

سطح خون ویتامین K که در صورت درخواست باید از سامانه سپاس دریافت گردد.

8

نارسایی قلبی تحمل نشده

اینکه آیا بیمار به نارسایی قلبی تحمل نشده مبتلا هست با نه؟

9

دیابت

اینکه آیا بیمار به دیابت مبتلا هست یا نه؟

10

پرفشاری خون

اینکه آیا بیمار به پرفشاری خون مبتلا هست یا نه؟

11

وضعیت‌های بعد از عمل جراحی

آیا برای بیمار عمل جراحی طی بستری انجام شده است؟

12

اندیکاسیون تجویز

اندیکاسیون تجویز داروی ضدانعقاد برای بیمار چه بوده است؟

13

دوز داروی آمیودارون

دوز داروهای آمیودارون مصرفی توسط بیمار مشتمل بر شکل دارو، دوز دارو در هر واحد، تعداد دفعات در روز و تعداد روزهای مصرف.


با این‌وجود کاربرد هوش مصنوعی، تنها محدود به دستیاری پزشک در تنظیم دوز دارو بر اساس متغیرهای قابل‌پیش‌بینی (در سیستم تحت نظارت) نبوده و هدف این فراخوان نیز در این حد خلاصه نمی‌گردد. امروزه تکنولوژی یادگیری ماشین در زمینه علوم پزشکی و دارویی توانسته است به دانشمندان و پزشکان در یافتن متغیرهای جدید و موثر بر روند ایجاد بیماری یا درمان کمک کنند.

بنابراین بر اساس توضیحات فوق، فراخوان حاضر مبتنی بر دو بخش خواهد بود:

1- یادگیری ماشین و هوش مصنوعی با متغیرهای قابل پیش‌بینی: استفاده از دادههایی از سامانه «سپاس» برای طراحی ماژول دستیار تنظیم دوز داروهای ضد انعقاد خون به طوری‌که از قبل مطالعات علمی-پزشکی، اثرات آن‌ها را بر تاثیر دوز داروهای ضد انعقاد خون ثابت کرده است.

2- یادگیری ماشین و هوش مصنوعی با متغیرهای غیرقابل‌پیش‌بینی: استفاده از داده‌هایی از سامانه «سپاس» که قبلاً مطالعات علمی-‌پزشکی اثرات آن را بر تأثیر دوز داروهای ضدانعقادخون ثابت نکرده است، به‌منظور کشف سایر متغیرهای مؤثر بر دوز داروهای ضدانعقادخون و اعمال اثرات آن بر تصمیم نهایی در مورد دوز دارو.

بر این اساس، الگوی یادگیری هوشمند باید توانایی پایش داده‌هایی را که در اختیار دارد، داشته باشد تا بتواند سایر متغیرهای مؤثر در تنظیم دوز داروهای ضدانعقاد خون را نیز شناسایی نموده و آن را در تصمیم‌یاری خود مداخله دهد. اگرچه این بخش از موضوع مشمول یادگیری ماشین غیرقابل‌پیش‌بینی می‌شود و شبکه عصبی طراحی‌شده باید بتواند به‌صورت مستقل داده‌ها را ارزیابی نموده و اثر آن‌ها بر دوز دارو را شناسایی نماید و بعدازآن دوز دارو را تنظیم کند، اما نمونه متغیرهایی مؤثر احتمالاً شامل موارد زیر می‌باشند:

 

ردیف

نام متغیر

شرح متغیر

۱

میزان تحصیلات

ميزان تحصیلات فرد به طوری‌کدهاي مربوطه در بخش ميزان تحصیلات در پيوست 0 راهنمای تبادل داده با سامانه سپاس قابل‌مشاهده است.

۲

وضعیت تأهل

اين ويژگي نشان‌دهنده وضعيت تأهل فرد است. مقادير مختلف آن در پيوست 3 راهنمای تبادل داده با سامانه سپاس مشخص است.

۳

ملیت

اين ويژگي نمايانگر مليت فرد است. مقادير مربوطه به‌صورت کدهاي دو حرفي مطابق با استاندارد ISO31661  براي کشورهاي مختلف ارائه شده است. اين کدها به همراه نام هر کشور از نشاني maxa.behdasht.gov.ir قابل رویت است.

۴

شغل

اين ويژگي شغل بيمار را نشان می‌دهد. کدهاي موارد شايع مربوط به اين ويژگي در پيوست 0 راهنمای تبادل داده با سامانه سپاس ارائه شده است.

۵

منطقه جغرافیایی محل سکونت

اين کلاس مختص داده‌های مربوط به يک منطقه جغرافيايي است و حاوي بخش‌های مختلف تقسيمات کشوري، شامل موارد: استان، شهرستان، بخش، شهر و دهستان، می‌باشد. اقلام اطلاعاتی، مانند محل سکونت، محل تولد، محل صدور شناسنامه و… با استفاده از اين کلاس نمايش داده می‌شوند. کدهاي ویژگی‌های اين کلاس می‌تواند بر اساس کدهاي تقسيمات کشوري با سيستم کدگذاري countryDivisions مقداردهي شوند که از آدرس زیر قابل‌دستیابی هستند: http://maxa.behdasht.gov.ir/  

۶

ارتفاع محل زندگی

بر اساس تطابق منطقه جغرافیایی با پایگاه داده مربوط به اطلاعات ارتفاع طول و عرض‌های جغرافیایی خاص

۷

عرض جغرافیایی محل زندگی

بر اساس تطابق منطقه جغرافیایی با پایگاه داده مربوط به اطلاعات عرض‌های جغرافیایی هر شهر

۸

سازمان بیمه‌گر

نام سازمان بیمه‌گر؛ فهرست سازمان‌های بيمه‌گر و کدهاي مربوطه در پيوست 0 راهنمای تبادل داده با سامانه سپاس آمده است.

۹

تشخیص بیمار

براي ارائه و ارسال کد تشخيص از سيستم‌هاي کدگذاري بین‌المللی، مانند ICD10، استفاده می‌شود. براي دريافت اصطلاح‌شناسی (Terminology) مذکور به سامانه مرکز کدينگ سلامت ايران (مکسا) به آدرس maxa.behdasht.gov.ir مراجعه کنید.

۱۰

انواع خدمات ارائه‌شده

اطلاعات این بخش در سامانه سپاس تحت عنوان BillServices ذخیره می‌گردد که خود یک ویژگی است. اين ويژگي در سامانه سپاس از نوع کلاس ServiceDetailsVO بوده و حاوي اطلاعات ريز خدمات ارائه‌شده به بيمار در طول مدت پذيرش تا ترخيص وي می‌باشد. ويژگي‌هاي اين کلاس به‌صورت کامل در کتاب راهنمای تبادل داده با سامانه سپاس توضيح داده شده است.

۱۱

واحدهای تعداد خدمات ارائه‌شده

تعداد خدمات ارائه‌شده را نشان می‌دهد؛ مانند تعداد روزهايي که يک بيمار از تخت CCU  استفاده کرده است يا تعداد داروی مصرفی که به بيمار داده شده است. واحدهاي اين ويژگي در پيوست 1 راهنمای تبادل داده با سامانه سپاس آورده شده است.

۱۲

بخش بستری

نوع بخشي که خدمت در آن ارائه شده يا درخواست خدمت در آن صورت گرفته است. کدهاي مربوط به بخش‌هاي مختلف موجود در مراکز ارائه خدمات سلامت در پيوست 33 راهنمای تبادل داده با سامانه سپاس آمده است.

۱۳

تعداد روزهای بستری

تعداد روزهای بستری بیمار با بررسی اختلاف تاریخ بستری و تاریخ ترخیص از سامانه سپاس استخراج می‌گردد.

۱۴

وضعیت بیمار هنگام ترخیص

بيانگر وضعیت بیمار هنگام ترخیص است. به‌عنوان‌مثال، اينکه بيمار با بهبودي کامل يا نسبي مرخص شده است يا با رضايت شخصي. مقادير مربوط به اين ويژگي در جدول پيوست ۱۵ راهنمای تبادل داده با سامانه سپاس مشخص شده است.

۱۵

پرسنل درگیر در فرآیند درمان

این اطلاعات در سامانه سپاس تحت عنوان کلاس HealthcareProviderVO ارائه شده است. اين کلاس براي ارائه اطلاعات مرتبط با ارائه‌دهندگان خدمات سلامت طراحي شده است. ازآنجایی‌که اين کلاس به‌صورت کلي طراحي شده است، می‌تواند در مدل‌کردن پزشک، پرستار و يا حتي نماينده بيمه مورد استفاده قرار گيرد. اطلاعات این کلاس در جدول شماره ۲۸ راهنمای تبادل داده با سامانه سپاس مرقوم گردیده است.

۱۶

سایر داروها

در سامانه سپاس اطلاعات مربوط به داروها و تجهیزات مورداستفاده در کلاس BatchNumber قرار می‌گیرد. در مواردي که در ويژگي Service، دارو يا تجهيزات يا لوازم استفاده شود، کد شناسه کالاي سلامت در اين ويژگي ثبت می‌گردد.

۱۷

سایر بیماری‌های هم‌زمان

در بخش تشخیص سامانه سپاس یک متغیر مبتنی بر String وجود دارد که پزشکان می‌توانند تشخیص را به‌صورت متنی در آن ذکر کنند. هوش مصنوعی باید بتواند از این رشته‌ها تشخیص‌هایی را که بر اساس کدینگ ICD10 هستند، استخراج نماید.

۱۸

سطح ویتامین D

نتایج تست‌های مربوط به آزمایش‌های بالینی در تمامی پرونده‌های بیماران در سامانه سپاس با کدینگ‌های ویژه و خاص رکورد می‌شوند که تمامی ‌این اطلاعات در کتاب راهنمای تبادل داده با سامانه سپاس و پیوست‌های آن وجود دارد.

۱۹

تعداد پلاکت‌های خون

نتایج تست‌های مربوط به آزمایش‌های بالینی در تمامی پرونده‌های بیماران در سامانه سپاس با کدینگ‌های ویژه و خاص رکورد می‌شوند یه طوری که که تمامی ‌این اطلاعات در کتاب راهنمای تبادل داده با سامانه سپاس و پیوست‌های آن وجود دارد.

۲۰

تعداد گلبول‌های قرمز خون

نتایج تست‌های مربوط به آزمایش‌های بالینی در تمامی پرونده‌های بیماران در سامانه سپاس با کدینگ‌های ویژه و خاص رکورد می‌شوند به طوری که تمامی ‌این اطلاعات در کتاب راهنمای تبادل داده با سامانه سپاس و پیوست‌های آن وجود دارد.

۲۱

تعداد گلبول‌های سفید خون

نتایج تست‌های مربوط به آزمایش‌های بالینی در تمامی پرونده‌های بیماران در سامانه سپاس با کدینگ‌های ویژه و خاص رکورد می‌شوند به طوری که تمامی ‌این اطلاعات در کتاب راهنمای تبادل داده با سامانه سپاس و پیوست‌های آن وجود دارد.

۲۲

میزان هموگلوبین خون

نتایج تست‌های مربوط به آزمایش‌های بالینی در تمامی پرونده‌های بیماران در سامانه سپاس با کدینگ‌های ویژه و خاص رکورد می‌شوند به طوری که تمامی ‌این اطلاعات در کتاب راهنمای تبادل داده با سامانه سپاس و پیوست‌های آن وجود دارد.

گام‌های تحقیق

  • آنالیز نیازهای اولیه
  • جمع‌آوری و دسته‌بندی اولیه کلان‌داده و تعیین نقش هریک در شبکه عصبی مبتنی بر متغیرهای قابل پیش‌بینی و غیرقابل‌پیش‌بینی
  • طراحی ماژول تعیین‌کننده دوز اولیه دارو
  • توسعه ماژول محاسبه کننده ریسک لختگی/خون‌ریزی بیمار و ماژول پیشنهاددهنده دوز دارو
  • تست بر روی بیماران شبیه‌سازی‌شده و اصلاح الگوریتم
  • تست نهایی در مراکز بالینی و مراکز درمانی؛ اثبات بی عارضه/کم‌عارضه بودن ماژول نهایی
  • راستی‌آزمایی

خروجی‌های مورد انتظار تحقیق

  • ماژول محاسبه‌کننده دوز آغازین دارو
  • ماژول پیشنهاددهنده دوز دارو بر اساس نتایج تست‌های انعقادی
  • ماژول محاسبهکننده ریسک خون‌ریزی ناشی از درمان با داروهای ضد انعقاد
  • ماژول محاسبه‌کننده ریسک لخته ناشی از درمان با داروهای ضد انعقاد

توجه: خروجی باید به‌صورت وب‌سرویس و فایل json باشد.

الزامات تحقیق

  • استفاده از فناوری هوش مصنوعی، داده‌کاوی و یادگیری ماشین در اجرای طرح تحقیقاتی
  • دستیابی به مدل هوش مصنوعی با دقت بالای 86 درصد
  • در فرآیند اجرای طرح تحقیقاتی نباید تحت هیچ شرایطی اصول اخلاق در پژوهش‌های زیستی زیر پا گذاشته شود.
  • تائید عملکرد صحیح سامانه بر اساس مقاله مستقل در یک مجله علمی معتبر

تجهیزات و زیرساخت‌هایی که متقاضی تحقیق می‌تواند در اختیار مجری قرار دهد

  • داده‌های بیمارستانی معتبر و مرتبط

گلوگاه‌های احتمالی

  • کامل نبودن داده‌های بالینی
  • نیاز داده‌های بالینی به فراهم‌سازی‌های اولیه
  • دسترسی محدود به داده‌های بالینی یکپارچه

معیارهای ارزیابی و انتخاب مجری

  • تحصیلات و سوابق تیم تحقیقاتی و تناسب آن با مسئله
  • رویکرد فنی تیم تحقیقاتی به مسئله
  • دسترسی به تجهیزات آزمایشگاهی و مواد اولیه و سایر الزامات اجرای تحقیق
  • زمان و هزینه اجرای تحقیق

تسهیم مالکیت فکری

  • مالکیت معنوی: مجری در مالکیت معنوی ناشی از اجرای تحقیق سهیم خواهد بود و انتشار مقاله مشترک توسط مجری و متقاضی در ژورنال‌های داخلی و خارجی، ارائه مقاله در کنفرانس‌ها و سمینارها با موافقت و اشاره به نام همه دست‌اندرکاران مجاز خواهد بود.
  • مالکیت منافع مادی: با توجه به مدل کسب‌وکار شرکت متقاضی، منافع مالی ناشی از توسعه این فناوری تماماً متعلق به شرکت متقاضی بوده و مجری صرفاً حق‌الزحمه اجرای پروژه تحقیقاتی را دریافت خواهد کرد.
    •  

روش ارسال پیشنهاد

پروپوزال‌ها صرفاً باید در چارچوب موردنظر صندوق نوآوری و شکوفایی، تدوین و حداکثر تا تاریخ 14 تیرماه 1401 در سامانه غزال به آدرس https://ghazal.inif.ir/grant ارسال شوند. پروپوزال‌هایی که در چارچوبی غیرازآن، یا به روش‌های دیگر به دست صندوق برسند، وارد فرایند ارزیابی نخواهند شد.