پيش بيني مرگ و مير بيماران بخش ICU؛ ابزاري براي حيات دوباره بيمار

دانشجوي دكتري مهندسي پزشكي (بيوالكتريك)، دانشگاه آزاد اسلامي واحد علوم تحقيقات

     روش‌هاي بهداشتي– درماني براي حفظ سلامت بيماران پيشرفت‌هاي غير قابل انکاري داشته اند، اما ارزيابي ميزان بهبود و سلامت مورد انتظار از اين روش‌ها هنوز توسط معيارهاي ابتدايي مانند تخمين ذهني و تقريبي پزشکان صورت مي‌پذيرد. ارزيابي تجربي خطر، براي حوادث مهم باليني در ارزيابي درمان‌هاي جديد، کنترل مصرف منابع و بهبود کنترل کيفي بخش‌هاي مراقبت‌هاي ويژه (Intensive Care Unit -ICU) بسيار ارزشمند است.

واحد مراقبت‌هاي ويژه يا آي سي يو مکاني اختصاصي است که در آن پرسنل و تجهيزات پزشکي جهت درمان و اداره بيماران بدحال به کار گرفته مي‌شوند. يک هدف قابل قبول در آي سي يو نجات جان بيماران قابل برگشت است چرا که تمامي بيماران بستري شده در آي سي يو به زندگي سالم و چه بسا زندگي بر نخواهند گشت و تعدادي در اثر شدت بيماري در خواهند گذشت. از آنجا که آي سي يو تحت تأثير عوامل مختلفي قرار دارد لذا ارائه مراقبت و درمان صحيح قادر است اثر مثبتي روي روند بيماري داشته باشد. سالانه در ايالات متحده بيش از دو ميليون مرگ اتفاق مي‌افتد که شايد با ارائه خدمات صحيح در بخش مراقبت‌هاي ويژه بتوان آن را تا بيش از 30% کاهش داد. پزشکان واحد مراقبت ويژه در کنار پايش و درمان بيماران بدحال وظيفه پيش بيني عاقبت بيماران و شناسايي و افتراق بيماراني را که استفاده ويژه از آي سي يو مي‌برند هم به عهده دارند زيرا همان طور که عنوان شد لزوما تمامي بيماران بستري در آي سي يو از اين بخش سود نمي برند و بستري در مورد عده اي تنها به مرگ راحت تري منتج خواهد شد.
مراقبت‌هاي ويژه شامل كليه مراقبت‌هاي حساس وابسته به زندگي بيمار است، به عبارت دقيق تر مي توان گفت مراقبت‌هاي ويژه عبارت از مراقبت از بيماران مبتلا به بيماري‌هاي حاد مخاطره آميز حيات، تحت نظر ماهرترين پرسنل با وسايل و امكانات پيشرفته است. در بخش مراقبت‌هاي ويژه از بيماراني مراقبت به عمل مي‌آيد كه دچار بيماري‌هاي شديد ريوي، مغزي، سوختگي، مسموميت و سابقه ضربه هستند يا در مراحل بعد از عمل جراحي‌هاي مختلف پيوند اعضا از قبيل كبد، كليه، قلب، مغز استخوان، جراحي‌هاي مغز و اعصاب قرار دارند. امروزه بخش‌هاي مراقبت ويژه از حالت عمومي خارج شده و به صورت اختصاصي جهت مراقبت از بيماران مبتلا به يك اختلال مشترك تبديل شده است. در كليه بخش‌هاي مراقبت ويژه اهداف پرسنل يكسان و شامل مراقبت‌هاي مداوم در بالاترين حد ممكن از بيماران دچار بيماري‌هاي مخاطره آميز زندگي است. بخش مراقبت‌هاي ويژه جايي است كه در آن از هر تخصص پزشكي سخن به ميان مي آيد و مراقبت از بيماران بسيار بدحال كاري است پر زحمت و وقت گير و نيازمند دانش زياد، همراه  با مشكلاتي كه براي همه گروه‌هاي تخصصي اهميتي يكسان داشته و بايد از يك ديدگاه مورد بررسي قرار گيرد.

تقسيم بندي واحد مراقبت‌هاي ويژه

بخش مراقبت‌هاي ويژه در هر بيمارستان معمولا به انواع زير تقسيم مي‌شود:
• بخش مراقبت‌هاي ويژه عمومي (General ICU )
• بخش مراقبت‌هاي ويژه نوزادان (Neonatal ICU )
• بخش مراقبت‌هاي ويژه اطفال (Pediatric ICU )
• بخش مراقبت‌هاي ويژه جراحي مغز و اعصاب (Neurosurgical ICU )

بيماران بستري در بخش ICU
• بيماران بستري در اين بخش شامل موارد زير است:
• بيماري‌هاي قلبي عروقي
• بيماري‌هاي بيماري‌هاي دستگاه عصبي
• ييماري‌هاي مغزي
• دستگاه گوارش
• تروما
• سرطان
• بيماري‌هاي کليوي
• سوختگي

پارامترهاي اندازه گيري شده از بيمار در ICU

در بخش مراقبت‌هاي ويژه با توجه به نوع بيماري فرد، پارامترهاي مختلفي اندازه گيري مي‌شود که برخي از آن‌ها عبارتند از:
قد، وزن، سن، جنس، سطح هوشياري، تعداد گلبول‌هاي سفيد، هماتوکريت، نرخ تنفس، فشار خون سيستوليک و دياستوليک، ضربان قلب، دماي بدن و …
محاسبه عيني خطر، به خصوص در محيط‌هاي پرهزينه از اهميت بيشتري برخوردار است. ارزيابي خطر مرگ و مير بيماران، علاوه بر اطلاع رساني به اطرافيان بيمار مي‌تواند ابزاري براي ارزيابي کيفيت خدمات ICU و نيز بررسي ميزان موفقيت درمان‌هاي اعمال شده باشد. به اين منظور سيستم‌هاي امتيازدهي مختلفي طراحي شده اند. اين سيستم ها، روش هايي هستند که براي کمّي کردن و کاهش تعداد ويژ گي‌هاي جدا از هم و تبديل آن‌ها به يک کميّت واحد طراحي شده اند، به طوري که اين کميّت واحد با شدت بيماري و شرايط بيمار در ارتباط است. سيستم‌هاي امتيازدهي مي‌توانند خاص يا عمومي باشند. سيستم‌هاي خاص تنها براي ارزيابي انواع معيني از بيماران قابل استفاده است. سيستم‌هاي امتيازدهي عمومي براي ارزيابي همه يا تقريباً تمامي بخش‌هاي مختلف به کار مي‌روند. سيستم‌هاي درجه بندي پيشنهاد شده به منظور پيش بيني سرانجام بيمار، ارزيابي کارآيي ICU‌ها و کارآزمايي‌هاي درماني، به رغم صحت کافي سيستم‌هاي درجه بندي براي تخمين احتمال مرگ در جمعيت تعريف شده بيماران در کشورهاي پيشرفته، سيستم خاص مراقبت‌هاي بهداشتي و خصوصيات بيماران در کشورهاي در حال توسعه، ممکن است بر رابطه بين يک ابزار درجه بندي شناخته شده و احتمال مرگ تاثير گذارد. بر اين اساس، پزشکان متخصص مراقبت‌هاي ويژه در کشورهاي درحال توسعه بايد به کمک يک روند اعتبارسنجي عيني از صحت سيستم‌هاي درجه بندي شدت بيماري موجود در بخش‌هاي مورد نظر مطمئن شوند.
طبقه بندي دقيق بيماري‌ها و پيش بيني صحيح سرانجام بيماران مي تواند با كاهش مانيتورينگ‌هاي غيرضروري به بهينه سازي استفاده از تخت‌هاي  ICUكمك كند. اكنون استفاده از تكنيك و تكنولوژي‌هاي جديد و پيشرفته، امکان پيش بيني و درمان بسياري از بيماري‌ها در بخش‌هاي ICU را داده و منجر به بقاي طولاني تر و بيشتر بيماران مي شود.

پيش بيني ميزان مرگ و مير بيماران بستري در بيمارستان

افزايش نيازهاي مراقبتي در بخش‌هاي درماني موجب شده تا با استفاده از شيوه‌هاي نوين ارزشيابي، نيازهاي مراقبتي و شدت بيماري بيماران را به شيوه‌هاي دقيق تر از گذشته تعيين کرد و بيماراني را كه از نظر مراقبتي نيازمند بستري در بخش‌هاي ويژه هستند، از ساير بيماران متمايز کرد. طي سه دهه گذشته، ابزارهاي متفاوتي براي پيش بيني ميزان مرگ و مير بيماران بستري در بيمارستان و همچنين ارزيابي و طبقه بندي شدت و وخامت بيماري‌ها ايجاد شده است كه هدف همة اين شاخص‌ها ايجاد شرايط باليني بهتر، براي ادامه روند درمان بيماران است. از اين شاخص‌ها همچنين براي مقايسه نتايج روند بهبود بيماران با تشخيص و روش درماني يكسان در بيمارستان‌هاي مختلف استفاده مي شود. اساس استفاده از اين روش‌ها جمع آوري اطلاعات دموگرافيك، فيزيولوژيك و باليني بيماران است.
با توجه به محدوديت امكانات در بخش مراقبت‌هاي ويژه، سيستم درجه بندي اختلال عملكرد چند ارگان به پزشك در انتخاب اينكه كدام بيمار از امكانات موجود درICU  بيشترين سود را خواهد برد، كمك كرده و در به كار بردن روش درماني مناسب جهت اصلاح نارسايي ارگان خاص مفيد است. از آنجا كه درجه اختلال عملكرد چند ارگان در روزهاي پايه و متوالي با روش آزمايشگاهي و كلينيكي معمول قابل اندازه گيري است، تعيين روزانه اين نمره براي بيماران بحراني در بخش مراقبت‌هاي ويژه به پزشك اين امكان را مي دهد تا كمترين افزايش درجه هر ارگان را كه نشانه شروع نارسايي در آن ارگان بوده به طور جداگانه آناليز كرده و اقدامات متناسب با شدت درگيري انجام شود يا حداقل از پيشرفت آن جلوگيري شود.

سيستم‌هاي امتيازدهي و طبقه بندي شدت بيماري

در سال 1981 اولين سيستم طبقه بندي شدت بيماران در مركز دانشگاه جورج واشنگتن آمريكا بنام APACHE (Acute Physiology and Chronic Health Evaluation) ايجاد شد. نسخه‌هاي جديدتر اين ابزار نظير APACHE II در سال 1985 و SAPS (Simplified Acute Physiology Score) در سال 1993 ايجاد شدند و هنوز هم به طور شايع مورد استفاده قرار مي گيرند. با معرفي  APACHE IV در سال 2006، پيشنهاد شده است از مدل‌هاي قديمي نبايد به مدت طولاني استفاده كرد زيرا نادرستي نتايج حاصل از آن‌ها مي تواند افزايش يابد. در نهايت پس از انجام بسياري از مطالعات براي اعتبار اين ابزارها كاربرد فصل جديدي از اين ابزارها نظير MPM (Mortality Probability Model) و APACHE IV شروع شد.
اين ابزارها قادر خواهند بود تا حدودي ميزان مرگ و مير و مدت اقامت را براي بيماراني كه در ICU بستري مي شوند، پيش بيني كنند اما نتايج حاصل از اين ابزارها بسيار وابسته به زمان استفاده از آن است. تأخير در پذيرش و بستري بيماران و ثبت اطلاعات آنان در ساعت‌هاي اوليه و تفاوت در شيوه ارجاع بيماران از اورژانس و ساير بخش‌ها به ICU ممكن است در نتايج پيش بيني حاصل از اين شاخص اثر گذار  باشد. در ارتباط با محدوديت كلية سيستم‌هاي طبقه بندي شدت بيماري ها، مي توان به استفاده از منابع انساني براي جمع آوري اطلاعات اشاره كرد. به دليل محدوديت منابع انساني، در بسياري از بيمارستان‌ها براي به دست آوردن اطلاعات جهت رده بندي شدت بيماري‌ها از اين روش استفاده نمي شود. استفاده از يك شاخص معتبر جهت ارزيابي بيماران بستري در بخش مراقبت‌هاي ويژه ضروري به نظر مي رسد تا به وسيله آن بتوان خدمات كافي را براي بيماران نيازمند مديريت كرد. با وجود ابداع بسياري از ابزارهاي كارآمد در بخش مراقبت‌هاي ويژه، هنوز در بسياري از بيمارستان‌ها و مراكز آموزشي از ابزارهايي نظير نمره سطح هوشياري (Glasgow Coma Scale -GCS) و علائم حياتي براي ارزيابي بيماران استفاده مي شود. طبقه بندي شدت بيماري‌ها از نظر تعيين ميزان خدماتي كه لازم است تا يك بيمار در بخش‌هاي ويژه دريافت كند، مي تواند از بروز بسياري از حوادث ناگوار پيشگيري كرده و ميزان بقاي آنان را افزايش دهد. استفاده از شيوه‌هاي نوين ارزيابي بيماران از ديدگاه مديريتي نيز حائز اهميت است چرا كه بر اساس آن مي توان در خصوص اولويت بندي بيماران از نظر دريافت خدمات ويژه، تعديل نيروي انساني، ميزان اشغال تخت‌هاي بيمارستاني و غيره، قضاوت صحيح تري داشت.
شکل‌هاي 1 تا 3 قسمت‌هاي مختلف نرم افزار آپاچي را نشان مي‌دهد.
اساس توسعه APACHE  بر اين فرضيه بوده است که شدت بيماري مي­ تواند از طريق تعيين درجه ناهنجاري چندين متغير فيزيولوژيک اندازه­ گيري شود. محققان اين روش را به اين دليل استفاده مي ­کنند که يکي از کارکرد­هاي عمده بخش مراقبت­ هاي ويژه، مشاهده و درمان اختلالات فيزيولوژيک است و در نتيجه يک سيستم طبقه بندي شده بايد بر مبناي اندازه­ گيري­ هاي فيزيولوژيک طراحي شده و تا حد امکان، از درمان مستقل باشد. همچنين سيستم بايد براي محدوده وسيعي از تشخيص ­ها معتبر بوده و جهت استفاده آسان و مبتني بر داده­ هاي موجود در بيمارستان­ ها به وجود آمده باشد.
نرم افزار APACHE که از نرم افزارهاي مورد استفاده در اين مبحث است با استفاده از روش ­هاي مبتني بر هوش مصنوعي طراحي شده است. اين نرم افزار از اطلاعات فيزيولوژيک موجود در پرونده پزشکي بيماران استفاده مي­ کند تا شدت بيماري را  تشخيص دهد. همچنين اين نرم افزار قادر است طول مدت بستري شدن در ICU را تخمين زده و  پزشکان را در انتخاب روش مناسب درمان ياري رساند. اما اين نرم افزار علاوه بر قيمت چندصد هزار دلاري، داراي سه مشکل اساسي است. اول اينکه براي استفاده از آن در کشورهاي مختلف بايد نسخه بومي آن بر اساس داده‌هاي همان منطقه طراحي شود، دوم به روزرساني دستي اين نرم افزار زمان بر و پيچيده است. به علاوه تهيه آن نيز براي کشور ايران به دلائل تحريم‌هاي گوناگون بسيار مشکل است. به اين منظور بايد روش هايي طراحي و توسعه شوند که علاوه بر قابليت يادگيري مداوم از تجارب به دست آمده (که نسخه آپاچي اصلي فاقد آن است)، محدوديت استفاده از داده‌هاي به دست آمده از نقاط مختلف در جهان را بر طرف کند. همچنين به منظور استفاده از نرم افزار‌هاي موجود بايد تعداد داده‌هاي ثبت شده از بيمار به طور قابل توجهي بالا باشد.

پيش بيني مرگ و مير بيماران در ايران و جهان

در اين قسمت مروري بر مهم ترين فعاليت‌هاي انجام شده متناسب با پيش بيني ميزان مرگ و مير پرداخته ايم. اين مرور به اين صورت در نظر گرفته شده که ابتدا سيستم‌هاي امتيازدهي به منظور پيش بيني ميزان مرگ و مير معرفي و مقالاتي در زمينه عوامل فيزيولوژيکي و کلينيکي موثر بر مرگ و مير و روش‌هاي مختلف پيش بيني مرگ و مير با رويکردهاي پزشکي و مهندسي بررسي شده‌اند و سپس مقالاتي در زمينه روش‌هاي مختلف پيش بيني سري‌هاي زماني مورد مطالعه قرار گرفتند.

سيستم‌هاي امتيازدهي براي ارزيابي تقريباً در تمامي بخش‌هاي مختلف به کار مي‌روند. سيستم‌هاي درجه بندي پيشنهاد شده به منظور پيش بيني سرانجام بيمار، ارزيابي کارآيي ICU‌ ها و کارآزمايي‌هاي درماني، به رغم صحت کافي سيستم‌هاي درجه بندي براي تخمين احتمال مرگ در جمعيت تعريف شده بيماران در کشورهاي پيشرفته، سيستم خاص مراقبت‌هاي بهداشتي و خصوصيات بيماران در کشورهاي در حال توسعه، ممکن است بر رابطه بين يک ابزار درجه بندي شناخته شده و احتمال مرگ تاثير گذارد. بر اين اساس، پزشکان متخصص مراقبت‌هاي ويژه در کشورهاي درحال توسعه بايد به کمک يک روند اعتبارسنجي عيني از صحت سيستم‌هاي درجه بندي شدت بيماري موجود در بخش‌هاي مورد نظر مطمئن شوند.
در ادامه به ذکر پاره اي از تحقيقات در زمينه پيش بيني مرگ و مير در ICU که با استفاده از نرم افزارهاي معرفي شده در بخش قبل و روش‌هاي آماري و تهيه پرسشنامه انجام شده است، پرداخته مي‌شود.
نتايج تحقيق عاليه زماني كياسري و همکاران نشان داد درجه اختلال عملكرد چند ارگان مي‌تواند ميزان مرگ و مير بيماران بستري شده در بخش مراقبت‌هاي ويژه را پيش بيني كند. همچنين يافته‌ها نشان داد ارتباط بين مرگ و مير درجه اختلال عملكرد چند ارگان در بيماران پذيرش شده در ICU كه در روز اول معني دار نبوده، مي‌تواند بيان كننده اين مطلب باشد كه تمامي بيماران از نظر وخامت وضعيت كلينيكي در يك سطح بوده اند ولي در روزهاي 4 ، 8 و 12 ميانگين نمره بيماران ترخيصي به صورت معني داري كمتر از بيماران فوت شده بوده است.
Buckley و همكاران به بررسي درجه اختلال عملكرد چند ارگان (-MODS Multiple Organ Dysfunction Syndrome) بيماران بخشICU  پرداخته و گزارش كردند كه درجه اختلال عملكرد چند ارگان مي‌تواند يك معيار جهت تعيين ميزان مرگ و مير در اين بخش و افزايش نمره در روزهاي متوالي بستري، خطر مرگ و مير را افزايش خواهد داد. مطالعه Peres bota جهت تعيين درجه اختلال عملكرد چند ارگان در بيماران بستري بخش مراقبت‌هاي ويژه نشان داد كه اين سيستم درجه بندي شاخصي جهت مشخص كردن بهبودي بيماران است به طوري كه ارتباط معني داري بين افزايش نمره و مرگ و مير بيماران مشاهده شد.
در مطالعه عاليه زماني كياسري و همکاران با محاسبه  MODS در روزهاي متوالي بستري در بيماران جراحي و داخلي، مشخص شد كه هر چه ميزان درگيري ارگان‌ها از نظر تعداد و شدت بيشتر باشد، ميزان مرگ و مير بيشتر خواهد بود. به طوري كه افزايش نمره در چند روز متوالي، نشان داد كه خطر مرگ در بيمار افزايش يافت و نياز به اقدام فوري درماني وجود داشت. از آنجا كه بيماران بخش مراقبت‌هاي ويژه در وضعيت عمومي بدي قرار داشته و اكثرا دچار آسيب چند ارگان هستند، MODS اين امكان را مي‌دهد كه اختلال به وجود آمده در عملكرد ارگان به سرعت شناسايي شده و در صدد رفع آن با انجام درمان سريع اقدام شود. با توجه به نتايج، ميانگين درجه اختلال عملكرد چند ارگان در بيماران ترخيصي به مرور كمتر مي‌شود، كه نشان مي‌دهد درمان‌هاي انجام شده در اين مدت موثر واقع شده و نمره MODS كاهش پيدا كرده است. از طرفي تغييرات نمره روزهاي چهارم و هشتم و دوازدهم نسبت به روز اول سير صعودي داشته، بدين معني كه بيمار به سمت بهبودي پيش رفته است و نيز همچنين از آنجا كه مداخلات دارويي و جراحي انجام شده، در طول بستري بر روي بيماران مي‌تواند منجر به بروز عوارض در يك ارگان خاص شود، در نتيجه با استفاده از اين سيستم، نارسايي مربوطه به موقع شناسايي شده و از پيشرفت عوارض ناخواسته با انجام درمان‌هاي به موقع جلوگيري خواهد شد.
نتايج تحقيق سليماني و همکاران که با استفاده از روند درمان بيماران انجام شد؛ نشان داد که شاخص APACHE II توانسته است ميزان مرگ و مير را تا حدي پيش بيني کند. در اين مطالعه با استفاده از APACHE II ميزان مرگ پيش بيني شده براي  204بيمار بستري شده 26/30 درصد و ميزان مرگ مشاهده شده 9/ 27 درصد به دست آمد و ارتباط موجود از نظر آماري  معني دار  بود . اين در حالي است که ميزان مرگ و مير در مطالعهSchein   11/7درصد  و در مطالعه Kulkarni 16 درصد به دست آمدص. علت افزايش تفاوت در مرگ حادث شده مطالعه سليماني و همکاران نسبت به ديگر مطالعات را شايد بتوان به استانداردهاي بيمارستاني (از نظر تجهيزات پزشکي بخش مراقبت‌هاي ويژه، تعديل نيروي انساني، نوع شيفت کاري و تفاوت در سياست‌هاي حاکم بر بيمارستان‌ها) مربوط دانست.
پس از طراحي نرم افزارهاي مختلف براي استفاده در صنعت و پزشکي و استفاده از آن، محققان به اين نتيجه رسيدند که برخي از اين نرم افزارها به مرور زمان کيفيت خود را از دست داده و نتايج قابل قبولي را نمايش نمي ­دهند (خطاي غير قابل چشم پوشي بين خروجي نرم افزار و جواب واقعي وجود دارد). از طرفي برخي از نرم افزارها مانند نرم افزارهاي پيش بيني کننده در مباحث مختلف به مرور زمان و به دلايل مختلف دقت خود را از دست مي­ دهند، در نتيجه طراحان اين نرم افزارها بايد در بازه ­هاي زماني مختلف عمل به روز رساني نرم افزار را انجام داده و نسخه جديدي را طراحي کنند. با توجه به اين که با اين روند طراحي­ هاي مختلفي به وجود خواهد آمد که اين طراحي هزينه­ هاي زماني و مالي سنگيني را به دنبال خواهد داشت، بر اين اساس بايد به سمت روش ­هايي براي هوشمند سازي الگوريتم پيش بيني رفت تا احتياجي به طراحي نسخه­ هاي متعدد اين نرم افزارها نباشد. هوشمندي به اين معنا است که الگوريتم پيشنهادي قابليت يادگيري از نتايج قبلي خود را دارا بوده و نيازمند به روز رساني دستي نباشد.
روش­ هايي که مي­ توان در طراحي الگوريتم‌ها و مدل‌هاي پيش بيني کننده و هوشمند سازي مورد استفاده قرار داد، روش ­هاي هوش مصنوعي است. از جمله اين روش­ ها مي ­توان به  الگوريتم ژنتيک، منطق فازي، شبکه ­هاي عصبي و … اشاره کرد، که محققان از آن­ ها براي پيش بيني و هوشمند سازي استفاده مي‌کنند.
در ادامه روش‌هاي مختلف به منظور پيش بيني سري‌هاي زماني مورد بررسي قرار داده مي‌شود. دقت پيش بيني‌ها از مهم ترين فاکتورهاي مؤثر در انتخاب روش‌هاي پيش بيني هستند. امروزه علي رغم وجود روش‌هاي متعدد پيش بيني، هنوز پيش بيني‌هاي دقيق، کار چندان ساده اي نبوده و اکثر محققان درصدد به کارگيري و ترکيب روش‌هاي متفاوت به منظور حصول نتايج دقيق‌تر هستند. پيش بيني سري‌هاي زماني يکي از مهم‌ترين و پرکاربردترين زمينه‌هاي پيشبيني است که در آن مشاهدات گذشته يک متغير جمع آوري و به منظور به‌دست آوردن روابط اساسي بين مشاهدات و تعيين يک مدل توصيفي، مورد تجزيه و تحليل قرارگرفته و سپس مدل حاصله به منظور برون يابي سري‌هاي زماني مورد استفاده قرار مي‌گيرد. اين روش مدل سازي مخصوصا زماني مفيد است که در مورد فرايند اساسي توليد داده‌ها دانش کمي در دسترس باشد يا هنگامي که هيچ مدل توضيحي رضايت بخشي که بتواند متغير وابسته را به ساير متغيرهاي توضيحي مرتبط سازد وجود نداشته باشد.
در چند دهه اخير تلاش‌هاي بسياري به منظور توسعه و بهبود مدل‌هاي پيش بيني سري‌هاي زماني انجام شده است. روش‌هاي مختلفي براي پيش بيني متغيرهاي سري زماني وجود دارد. در حالت كلي مي‌توان روش‌هاي پيش بيني را به دو دسته رگرسيوني و غير رگرسيوني تقسيم بندي کرد . روش‌هاي غير رگرسيوني شامل روش  Simple Average -SA، روش – Moving Average MA و انواع روش‌هاي Exponential Smoothing و غيره است. از جمله روش‌هاي رگرسيوني نيز  مي‌توان به مدل ARCH -Auto-Regressive Conditionally Heteroscedastic و  مدل -Generalized Auto-Regressive Conditionally Heteroscedastic  GARCH اشاره کرد.  با اين حال پركاربردترين روش‌ها Auto-Regressive Integrated Moving Average ARIMA- و ARMA- Auto-Regressive Moving Average هستند. اما امروزه به موازات پيش بيني رگرسيوني، روش‌هاي جديدتري نيز بر اي پيش بيني ابداع شده اند كه شامل الگوريتم‌هاي هوشمند معروف هستند.

مدل ARIMA و  ARMA
در مدل‌هاي ARIMA، مقادير آينده متغير به عنوان تابعي خطي، از مشاهدات گذشته و خطاهاي تصادفي فرض مي‌شوند،  معمولا براي تخمين الگوي ARIMA و  ARMAاز روش باكس-جنكينز استفاده مي‌شود كه داراي چهار مرحله، شناسايي، تخمين، تشخيص دقت پردازش و پيش بيني است. تعداد جملات خود رگرسيو و تعداد جملات ميانگين متحرك را مي‌توان توسط معيارهاي آكائيك (AIC- Akaike Information Criterion) و يا معيار شوارتز-بيزين (Schwartz Bayesian Criterion) تعيين کرد.
پيشرفت‌هاي اخير در مورد سري‌هاي زماني آشوبگونه، نشان داده است که روش‌هاي خطي کلاسيک مانند ARIMA کفايت لازم را براي دريافت و استخراج الگوهاي غيرخطي در سري‌هاي زماني را ندارند به عنوان مثال متغير شبه تصادفي ممکن است واقعا تصادفي نباشد ولي اگر با روش‌هاي آزمون خطي مورد تحليل و بررسي قرار گيرد تصادفي بودن آن نتيجه شود. در اين حالت متغير غيرتصادفي ممکن است متغيري غيرخطي و آشوبگونه باشد و داراي اطلاعات و الگوهايي با ارزش براي پيش بيني باشد به طوري که مدل‌هاي خطي قادر به استخراج آن نباشند. در صورتي که ديناميک غيرخطي در سري زماني متغير مربوطه مشاهده شد، استفاده از مدل‌هاي خطي منتفي شده و در اين حالت استفاده از ساختارهاي غيرخطي که داراي قابليت کسب و استخراج الگوهاي رفتاري غيرخطي است مانند مدل‌هاي شبکه عصبي و … برتري و مزيت خواهد داشت.

 مدل  ARCH
در اين مدل، هر چند خطاي پيش بيني قابل برآورد است، اما نمي توان علامت جمله اخلال را پيش بيني کرد. همچنين در اين روش واريانس غيرشرطي همسان است، در حالي كه واريانس در هر زماني مشروط به اطلاعات گذشته ناهمسان است.

شبکه‌هاي عصبي مصنوعي
شبكه‌هاي عصبي مصنوعي براي تشخيص، طبقه بندي و پيش بيني كه در آن‌ها روابط معمولا به شكل غيرخطي هستند، مورد استفاده قرار مي‌گيرند. اخيرا شبکه‌هاي عصبي مصنوعي به طورگسترده اي مورد مطالعه قرار گرفته و در پيش بيني سري‌هاي زماني به کارگرفته شده اند. مزيت اصلي شبکه‌هاي عصبي قابليت مدلسازي غيرخطي انعطاف پذيرشان است. در شبکه‌هاي عصبي مصنوعي، ديگر نيازي به تشخيص شکل خاص مدل نبوده و مدل براساس اطلاعات موجود در داده‌ها شکل مي‌گيرد. اين رويکرد مبتني بر داده براي بسياري از مجموعه داده‌هاي تجربي بالاخص زماني كه هيچ اطلاعات تئوريکي براي پيشنهاد يک فرآيند توليد داده مناسب در دسترس نباشد، بسيار مناسب است.
شبکه‌هاي عصبي مصنوعي از جمله روش‌هاي غيرخطي بوده که قادر به تخمين موارد غيرخطي متعدد در داده‌ها بوده و يک چارچوب محاسبه‌اي انعطاف پذير براي دامنه وسيعي از مسائل غيرخطي است. يکي از مزيت‌هاي بارز اين گونه مدل‌ها نسبت به ساير مدل‌هاي ديگر غيرخطي، اين است که شبكه‌هاي عصبي مصنوعي يک تقريب زننده کلي هستند که مي‌توانند هر نوع تابعي را با دقت دلخواه تقريب بزنند. اين گونه از شبکه‌ها نياز به هيچ گونه پيش فرضي در مورد شکل مدل در فرايند مدلسازي نداشته و به طور كلي يک مدل مبتني بر داده هستند.
در يك شبكه عصبي، نرون‌ها در لايه‌هاي مختلف طبقه بندي مي‌شوند. لايه ورودي مشتمل بر نورون هايي است كه ورودي را از محيط خارج دريافت مي‌كنند. لايه خروجي نيز مشتمل بر نرون هايي است كه خروجي سيستم را به محيط خارجي يا كاربر يا طراح سيستم ارايه مي‌دهد. علاوه بر لايه‌هاي ورودي و خروجي، ممكن است يك يا چند لايه پنهان نيز بين اين دو لايه در نظر گرفته شود كه تعداد اين لايه‌ها به ساختار شبكه، ساختار داده‌ها و شيوه طراحي شبكه بستگي دارد. هنگامي كه لايه ورودي، داده را دريافت مي‌كند، نرون‌هاي آن لايه، خروجي را توليد مي‌کند كه همين خروجي، به عنوان ورودي لايه بعدي در نظر گرفته مي‌شود. اين مراحل به همين ترتيب ادامه پيدا مي‌كند تا اين كه شرط معين و مورد نظر براي پايان فرايند يادگيري برقرار شود. سپس، لايه خروجي نتيجه شبكه را ارايه مي‌دهد و فرايند به اتمام مي‌رسد. تعيين تعداد نرون‌هاي لايه‌هاي پنهان شبكه براي طراحي شبكه الزامي است و تعداد آن بستگي به ميزان بهينه سازي شبكه دارد. در واقع، آنقدر نورون به لايه پنهان افزوده مي‌شود تا كارايي شبكه بهينه شود. البته بايد در نظر داشت كه افزايش بي رويه تعداد نرون‌هاي لايه پنهان ممكن است باعث بيش برازش مدل شبكه شود. به عبارت ديگر، اين امكان به وجود مي‌آيد كه شبكه حتي خطاهاي مستتر در داده‌ها را نيز فرا گيرد. يك تابع محرك بر اساس نياز خاص حل مسأله انتخاب مي‌شود. در عمل، تعداد محدودي از توابع محرك مورد استفاده قرار مي‌گيرند كه از بين آن‌ها مي‌توان به تابع آستانه اي دو مقداره متقارن، تابع آستانه اي دومقدار، تابع هماني، تابع خطي مثبت، تابع سيگموئيد و تابع تانژانت هايپربوليك اشاره كرد.
براي پيش بيني سري‌هاي زماني، شبكه‌هاي عصبي با قدرت يادگيري الگوي ورودي نقش به سزايي را ايفا مي‌كند. انواع مختلفي از شبكه‌هاي عصبي و روش‌هاي متفاوتي از آموزش اين شبكه‌ها براي پيش بيني سري‌هاي زماني با دقت‌هاي متفاوت استفاده شده است. شبكه عصبي چند لايه بيشترين كاربرد را در بين بقيه انواع شبكه‌هاي عصبي دارد. روش معمول براي آموزش شبكه عصبي، باز پس انتشار خطا و تغيير وزن‌هاي شبكه براي رسيدن به كمترين ميزان خطا است. با اين حال، گاهي با توجه به الگوريتم يادگيري، در مينيمم‌هاي محلي گير مي‌افتد، كه اين مشكل برروي ميزان خطا و قابليت اطمينان در يادگيري الگوي مورد نظر اثر مي‌گذارد. براي رفع اين مشكل از تركيب ابزارهاي مختلف محاسبات نرم، مانند الگوريتم‌هاي تكاملي (مثلا الگوريتم ژنتيك) بهره گرفته شده است. به عنوان مثال از تركيب سيستم‌هاي استنتاج فازي و شبكه‌هاي عصبي بدين منظور استفاده شده است و به كمك تركيبي از الگوريتم ژنتيك و برنامه ريزي ژنتيك در قالب استراتژي تكامل همكارانه، به بهينه سازي سيستم‌هاي استنتاج فازي پرداخته و نتايج بر روي سري‌هاي زماني آشوبگونه بررسي شده است.

 تبديل ويولت
تبديل ويولت در سال‌هاي اخير، قدرت عملكرد و دقت بالاي خود را در مدل سازي و آناليز سيگنال‌ها نشان داده است. هدف از تبديل ويولت كه يك تبديل خطي است، انتقال از فضاي زمان به فضاي مشترك زمان-فركانس است. استفاده از ويولت در ساختار شبكه عصبي باعث مي‌شود شبكه عصبي سريع تر به خطاي مورد نظر همگرا شود.
براي پيش بيني سري زماني از ساختار جديدي استفاده مي‌شود. الگوريتمي كه پيشنهاد مي‌شود قرار دادن يك شبكه ويولت به عنوان پيش پردازنده است. اين شبكه ابتدا، نويزهاي تصادفي سيگنال را تضعيف مي‌كند و پس از تجزيه به هارمونيك‌هاي تشكيل دهنده، تقريب خوبي از سيگنال را ارائه مي‌دهد.در اكثر كاربردها معادله ديناميك سيستم در اختيار نيست و بدون وجود اين معادله لازم است آينده سري زماني با استفاده از اندازه گيري دامنه سيگنال در گذشته و حال پيش بيني شود و از آنجا كه اين اندازه گيري نمي تواند بدون نويز باشد، لذا از شبكه موجك براي هموارسازي سري زماني و فيلتر كردن نويز استفاده مي‌شود.

روش منطق فازي
حسين فريدوني و همکاران از روش فازي به منظور پيش‌بيني سري زماني تغيير پذيري نرخ ضربان قلب (HRV-Heat Rate Variability)استفاده نمودند. در بخش مراقبت‌هاي ويژه عصبي (NICU -Neonatal Intensive Care Unit)، پيش ­بيني تغييرات در شرف وقوع در وضعيت بيماران مي‌تواند به شدت سودمند باشد. وسيله يا سيستمي که بتواند اين تغييرات را پيش ­بيني کرده و به پزشکان مراقب هشدار زود ­هنگام دهد، مي­ تواند بسيار ارزشمند باشد. چنين سيستمي به صورت معقول بايد از سيگنال­ هاي مانيتورينگ به عنوان ورودي استفاده کند. HRV، به عنوان عاملي که با عملکرد سيستم عصبي خودکار ارتباط دارد، شناخته  شده ­است به اين دليل HRV را به عنوان متغير خروجي که بايد پيش­ بيني شود انتخاب مي ­كنند. در حالي که از ساير سيگنال­ هاي فيزيولوژيک از قبيل فشار خون و تنفس به عنوان ورودي استفاده مي‌شود. براي پيش بيني يك سري زماني روش ­هاي گوناگوني وجود دارد كه از به­ روزترين و كاراترين آنان مي توان به تكنيك­ هايي كه اساس آن‌ها مبتني بر منطق فازي است اشاره کرد.  مشكل عمده در به كارگيري سيستم‌هاي فازي به عنوان پيش بيني كننده، رعايت يك بالانس بين ميزان آموزش و پيچيدگي سيستم فازي ياد گيرنده است. هر چه قدر سيستم فازي ارائه شده پيچيده تر باشد، زمان و امكانات كامپيوتري لازم براي آموزش دادن آن بيشتر مي‌شود. در مقابل هر چه قدر سيستم ساده تر باشد، احتمال over train شدن سيستم افزايش پيدا مي‌كند. بنابراين تمايل به استفاده از سيستم‌هاي فازي با درجه پيچيدگي پايين تر به دليل ارائه شده در بالا كاهش پيدا مي‌كند و معمولا يك حد ميانگين، مورد استفاده قرار مي‌گيرد.
به منظور بهبود در توسعه مدل‌هاي فازي روش جديدي بررسي شده كه در آن ديناميك سيستم وارد مدل مي‌شود و با تغيير توابع تعلق، مدل فازي در جهت تقريب با دقت بيشتر پيش مي‌رود. همچنين اگر اطلاعات شخص خبره، ضعيف باشند مدل فازي به دست ‌آمده از اين اطلاعات نيز داراي ضعف خواهد بود و نمي‌تواند خروجي دقيقي را بدهد و داراي كارايي ضعيفي خواهد بود.
به منظور بهبود در توسعه مدل‌هاي فازي روش‌هايي مانند سيستم‌هاي فازي- تطبيقي اجازه­ واردكردن اطلاعات موجود درباره سيستم را به مدل مي‌دهند. روش‌هاي ديگري نيز وجود دارند كه بر اساس شبكه‌هاي عصبي هستند و يك الگوريتم‌ يادگيري با سرپرستي را براي تطبيق پارامتر‌هاي سيستم فازي ارائه ‌مي‌دهند. تركيب اين دو روش باعث ايجاد يك سيستم فازي مي‌شود كه داراي هر دو مزيت است و در نتيجه يك سيستم فازي كه تقريب زننده­ عمومي است ايجاد مي‌شود كه مي‌تواند از طريق روش‌هاي مختلفي ياد بگيرد و اطلاعات در مورد فرايند ممكن است در تنظيم پارامتر‌هاي مدل به كار آيد. روش‌هاي ديگري نيز وجود دارند كه الگوريتم يادگيري گراديان كاهشي را به صورت On-Line يا  Off – Line به منظور بهبود كارايي سيستم‌هاي تطبيقي، اصلاح مي‌كنند. به هر حال در مدل‌هاي فازي-تطبيقي كلاسيك پس از يادگيري، مدل به صورت يك مدل استاتيك در مي‌آيد كه ساختار ثابتي خواهند داشت و هيچ ضمانتي وجود نخواهد داشت كه مجموعه‌هاي فازي با هم همپوشاني نكنند و در نتيجه قوانين فازي به صورت ضعيفي تحريك مي‌شوند يا اصلا تحريك نمي شوند. در روش بيان شده ديناميك سيستم وارد مدل مي‌شود و با تغيير توابع تعلق، كه بر اساس ميانگين و واريانس داده‌هاي ورودي و خروجي در زمان t صورت مي‌گيرد، مدل فازي در جهت تقريب با دقت بيشتر پيش مي‌رود. در نهايت يك سيستم فازي به صورت پارامتري ارائه مي‌شود كه داراي توابع تعلق ديناميكي است و پارامتر‌هاي آن مي‌توانند با استفاده از يك روش Off-Line تنظيم شوند.

در جدول  1 و 2 برخي از تحقيقات انجام شده در زمينه پيش ­بيني مرگ و مير در بخش مراقبت‌هاي ويژه با تکيه بر اطلاعات به دست آمده از بيمار در بيمارستان‌هاي داخل و خارج از کشور ارائه شده است.

جدول3 نشان مي‌دهد که ارتباط معني داري بين افزايش ميانگين نمره  APACHE II و افز ايش ميانگين مرگ و مير بيماران وجود دارد.  ميانگين نمره  APACHE II کل بيماران 17/15 بود که بيشتر از ميانگين نمره ابزار فوق در مطالعات  Schein 8/75، ژاپن7/14 و کانادا 5/16 بود و در مقايسه با مطالعه هنگ کنگ 1/20  کمتر بود.
منابع
[1]. Mohammad Karimi Moridani, Seyed Kamaledin Setarehdan, Ali Motie Nasrabadi, Esmaeil HajinasrollahMortality Risk Assessment of ICU Cardiovascular Patients Using Physiological Variables, Universal Journal of Biomedical Engineering 1(1): 6-9, 2013
2- عاليه زماني كياسري، عباس استاد عليپور، آذر كبيرزاده، رضا علي محمدپور تهمتن، مريم جمشيدي، مژگان جمشيدي، بررسي وضعيت درجهبندي اختلال عملكرد ارگان‌ها در بيماران بستري بخش مراقبت‌هاي ويژه بيمارستان امام خميني(ره) ساري، سال 1383، مجله دانشگاه علوم پزشكي مازندران، دوره پانزدهم، شماره 50، بهمن و اسفند سال 1384.
[3] .Buckley TA, Gomersall CD, Ramsay SJ. validation of the multiple organ dysfunction (mod) score in critically ill medical and surgical patients. Intensive care med. 2003, 29(12): 2216-22.
[4]  Peres bota D, metol C, lopes ferreria F, nguyen ba V, Vircent JL. The multiple organ dysfunction score (MODS) versus the sequential organ failure assessment (sofa) score in outcome prediction. Intensive care med. 2002;28(11): 1619-24.
5-. محمدعلي سليماني، رضا مسعودي ، نسيم بهرامي ، مصطفي قرباني ، طاهره صادقي، پيش بيني درصد مرگ و مير بيماران بستري در بخش مراقبت‌هاي ويژه با استفاده از ابزار APACHE II، مجله علمي دانشگاه علوم پزشكي گرگان، دوره 11 ، شماره 4، زمستان 1388.
[6]. Schein M, Gecelter G, Freinkel Z, Gerding H. APACHE II in emergency operations for perforated ulcers. Am J Surg. 1990 Mar;159(3):309-313.
[7] . Kulkarni SV, Naik AS, Subramanian N Jr. APACHE-II scoring system in perforative peritonitis. Am J Surg. 2007 Oct;194(4):549-552.
[8]. Sirio CA, Tajimi K, Tase C, Knaus WA, Wagner DP, Hirasawa H, et al. An initial comparison of intensive care in Japan and the United States. Crit Care Med. 1992 Sep;20(9):1207-1215.
[9]. Wong DT, Crofts SL, Gomez M, McGuire GP, Byrick RJ. Evaluation of predictive ability of APACHE II system and hospital outcome in Canadian intensive care unit patients. Crit Care Med. 1995 Jul;23(7):1177-1183.
[10]. Oh TE, Hutchinson R, Short S, Buckley T, Lin E, Leung D. Verification of the Acute Physiology and Chronic Health Evaluation scoring system in a Hong Kong intensive care unit. Crit Care Med. 1993 May;21(5):698-705.
[11]. http://www.kmtmed.com
[12]. I.Radojicic, D.Manic, D.Vulic, “On the presence of deterministic chaos in HRV Signals”, IEEE, Trans. On computers in cardiology, 2001, 28: 465-468.
[13]. Sang-Hoon Yi, “Clinical Implication of Physiological Complexity in Heart Rate Variability”, Chaos & Nonlinear Biodynamics Lab., Workshop on Physiological Complexity –HRV, 2002. 7. 6. POSTECH.
14- ملاحت نيكروان مفرد، حسين شيري، مراقبت‌هاي ويژه درICU، انتشارات نور دانش، چاپ هشتم، تهران، 1383.
ساير منابع را در وب سايت ماهنامه مي توان ديد.