ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ: ΠΩΣ ΘΑ ΠΡΟΒΛΕΠΕΙ ΤΗΝ ΥΓΕΙΑ ΜΑΣ ΣΤΟ ΜΕΛΛΟΝ

Η Τεχνητή νοημοσύνη μπορεί να προβλέψει τον κίνδυνο ενός ασθενούς να αναπτύξει καρδιαγγειακές παθήσεις σε ένα κλάσμα του χρόνου που χρειάζεται ένας ειδικός.

Ενώ η τηλεθεραπεία λειτουργεί, η τεχνητή νοημοσύνη παραμένει σε αρχικά στάδια. Ωστόσο, οι δυνατότητες είναι τόσες πολλές που υπάρχει πολύς ενθουσιασμός για το μέλλον στο οποίο οι έξυπνοι υπολογιστές χρειάζονται μόνο λίγα δευτερόλεπτα για να κάνουν μια περίπλοκή διάγνωση και να έτοιμάσουν ένα θεραπευτικό σχέδιο.

Το περίγραμμα αυτών των δυνατοτήτων αρχίζει να διαμορφώνεται. Οι ερευνητικές ομάδες είναι απασχολημένες με την ανάπτυξη μοντέλων μηχανικής μάθησης που μπορούν να βοηθήσουν τους γιατρούς να κάνουν διαγνώσεις σε ένα κλάσμα του χρόνου και του κόστους που θα χρειαζόταν ένας άνθρωπος. Ένα τέτοιο AI στοχεύει να βοηθήσει τους γιατρούς να προβλέψουν τον κίνδυνο των ασθενών να αναπτύξουν σοβαρές καρδιαγγειακέ παθήσεις αργότερα στη ζωή τους – και τα αρχικά αποτελέσματα είναι ελπιδοφόρα.

Οι καρδιαγγειακές παθήσεις είναι η κύρια αιτία θανάτου στις Ηνωμένες Πολιτείες.

Το 2021, περίπου 695,000 Αμερικανοί πέθαναν από καρδιακές παθήσεις. Αυτό είναι περίπου 1 στους 5 θανάτους σε εθνικό επίπεδο. Σε παγκόσμιο επίπεδο, ο αριθμός των νεκρών είναι ακόμη πιο μεγάλος.

Οι γιατροί έχουν πολλές μεθόδους για να προβλέψουν την πιθανότητα ένας ασθενής να αναπτύξει καρδιαγγειακές παθήσεις. Ένας τέτοιος προγνωστικός παράγοντας ονομάζεται «ασβεστοποίηση κοιλιακής αορτής» (AAC).

Η κοιλιακή αορτή είναι το μεγαλύτερο αιμοφόρο αγγείο του σώματος. Έχει περίπου το πλάτος ενός σωλήνα κήπου, ξεκινάει από την καρδιά και φτάνει μέχρι την κοιλιά.

Κατά μήκος του τοιχώματος του αγγείου μπορεί να υπάρξει «ασβεστοποίηση» ή, συνηθέστερα, «σκλήρυνση των αρτηριών».

Αυτή η διαδικασία συμβαίνει αργά εδώ και δεκαετίες και συχνά από τη στιγμή που κάποιος διαγιγνώσκεται με καρδιακές παθήσεις, έχει ήδη γίνει σημαντική ζημιά. Εάν οι γιατροί μπορούν να ανιχνεύσουν αυτή την ασβεστοποίηση νωρίς, μπορούν να προειδοποιήσουν τους ασθενείς τους και να τους συμβουλεύσουν για το πώς να μειώσουν τον κίνδυνο καρδιακής προσβολής ή εγκεφαλικού επεισοδίου αργότερα στη ζωή τους.

Ευτυχώς, η μέτρηση του AAC ενός ασθενούς δεν απαιτεί επεμβατική ή υπερβολικά δαπανηρή εξέταση. Μια απλή ακτινογραφία αρκεί, το ίδιο είδος που χρησιμοποιείται συνήθως για την ανίχνευση της οστεοπόρωσης στην πραγματικότητα. Όταν λαμβάνεται μια ακτινογραφία του κάτω μέρους της πλάτης ενός ασθενούς, ένας ειδικός μπορεί να μετρήσει οπτικά την ασβεστοποίηση στην κοιλιακή αορτή του ασθενούς και να συνδέσει αυτές τις μετρήσεις σε ένα σύστημα βαθμολόγησης. Όσο υψηλότερη είναι η βαθμολογία, τόσο περισσότερη ασβεστοποίηση, τόσο μεγαλύτερος είναι ο κίνδυνος.

Και η έρευνα δείχνει ότι αυτό το τεστ λειτουργεί. Μια μετα-ανάλυση μελετών παρατήρησης του 2021 διαπίστωσε «μέτρια έως υψηλής ποιότητας στοιχεία» ότι το προηγμένο AAC αύξησε σημαντικά τόσο τον απόλυτο όσο και τον σχετικό κίνδυνο καρδιαγγειακής νόσου ενός ασθενούς και τη θνησιμότητα από όλες τις αιτίες. Οι συγγραφείς σημειώνουν περαιτέρω ότι η ανίχνευση AAC ήταν ένα «υποτιμημένο μέτρο» για στρατηγικές πρόληψης και διαχείρισης, ειδικά για «άτομα με σημαντικά υψηλότερο κίνδυνο κλινικών καρδιαγγειακών επεισοδίων και χειρότερη μακροπρόθεσμη πρόγνωση».

Μια άμεση πρόγνωση

Ενώ οι ακτίνες Χ που μπορούν να ανιχνεύσουν AAC είναι κοινές, απαιτούν εκπαιδευμένους ειδικούς για να αναλύσουν και να βαθμολογήσουν τις εικόνες. Αυτή η διαδικασία είναι δαπανηρή και χρονοβόρα.

Μια ομάδα ερευνητών από το Πανεπιστήμιο Edith Cowan ανέπτυξε ένα νευρωνικό δίκτυο για την ανάλυση εικόνων ακτίνων Χ για συσσώρευση AAC.

Μετά την εκπαίδευση, ο αλγόριθμος νευρωνικού δικτύου υποβλήθηκε σε δοκιμή επικύρωσης σε ένα σύνολο δεδομένων περίπου 5.000 εικόνων που ελήφθησαν από πραγματικούς ελέγχους. Οι βαθμολογίες του συγκρίθηκαν με εκείνες που παρέχονται ξεχωριστά από ειδικούς απεικόνισης για τον προσδιορισμό της ακρίβειας.

Τα αποτελέσματα έδειξαν ότι το AI έφτασε στο ίδιο σκορ με τον ειδικό – χαμηλό, μέτριο ή υψηλό AAC – περίπου στο 80% του χρόνου.

Το AI διέγνωσε εσφαλμένα μερικούς ανθρώπους με υψηλό AAC όταν στην πραγματικότητα είχαν χαμηλό AAC. Ωστόσο, αυτό το λάθος συνέβη μόνο στο 3% των περιπτώσεων.

Ο Joshua Lewis, κύριος ερευνητής της μελέτης και συνεργάτης του Heart Foundation Future Leader, χαρακτήρισε τα αποτελέσματα εντυπωσιακά για την έκδοση 1.0 του συστήματος, σημειώνοντας ότι υπάρχει περιθώριο βελτίωσης.

«Η αυτοματοποιημένη αξιολόγηση της παρουσίας και της έκτασης του AAC με παρόμοια ακρίβεια με τους ειδικούς απεικόνισης παρέχει τη δυνατότητα ελέγχου μεγάλης κλίμακας για καρδιαγγειακές παθήσεις και άλλες παθήσεις – ακόμη και πριν κάποιος έχει συμπτώματα», δήλωσε ο Lewis σε δελτίο τύπου.

«Αυτό θα επιτρέψει στους ανθρώπους που διατρέχουν κίνδυνο να κάνουν τις απαραίτητες αλλαγές στον τρόπο ζωής πολύ νωρίτερα και θα τους βάλει σε καλύτερη θέση για να είναι πιο υγιείς στα επόμενα χρόνια τους», πρόσθεσε.

Είναι σημαντικό ότι το AI λειτούργησε εξαιρετικά γρήγορα. Σύμφωνα με την ερευνητές, χρειάζεται ένας ειδικός οπουδήποτε από 5-15 λεπτά για να αναλύσει μια ενιαία εικόνα. Με αυτόν τον ρυθμό, ένας άνθρωπος θα μπορούσε δυνητικά να εκτελέσει έως και 500 αναλύσεις την ημέρα. Αντίθετα, το AI μπορεί να σαρώσει τέτοιες εικόνες με ταχύτητα 60.000 εικόνων την ημέρα.

«Δεδομένου ότι αυτές οι εικόνες και οι αυτοματοποιημένες βαθμολογίες μπορούν να αποκτηθούν γρήγορα και εύκολα κατά τη στιγμή του ελέγχου οστικής πυκνότητας, αυτό μπορεί να οδηγήσει σε νέες προσεγγίσεις στο μέλλον για την έγκαιρη ανίχνευση καρδιαγγειακών παθήσεων και την παρακολούθηση ασθενειών κατά τη διάρκεια της κλινικής πρακτικής ρουτίνας», δήλωσε ο Lewis.

Η έρευνα δημοσιεύθηκε στο eBioMedicine, ένα ιατρικό περιοδικό ανοικτής πρόσβασης που δημοσιεύθηκε από το The Lancet.

Αυτή η τεχνητή νοημοσύνη είναι μία από τις πολλές εξελίξεις που θα μπορούσαν μια μέρα να βοηθήσουν τους γιατρούς να προβλέψουν τον κίνδυνο των ασθενών να αναπτύξουν διάφορες ασθένειες. Άλλες ομάδες εργάζονται σκληρά για την ανάπτυξη προγραμμάτων για τη διάγνωση του καρκίνου του μαστού και του παγκρέατος, καθώς και άλλων μεθόδων για τη διάγνωση διαφόρων μορφών καρδιακών παθήσεων. Κάθε ένα θα μπορούσε να χρησιμεύσει ως αρχικός έλεγχος και να βοηθήσει τους ανθρώπους να κατανοήσουν τον κίνδυνο πριν αρχίσουν να έχουν συμπτώματα.

Είμαστε ακόμα πολύ μακριά από το όνειρο μιας τεχνητής νοημοσύνης που μπορεί να κάνει πολύπλοκες διαγνώσεις και να συνταγογραφεί θεραπείες για μια σειρά ασθενειών χωρίς να το υποστηρίζει ένας άνθρωπος.

Ωστόσο, η εξατομικευμένη τεχνητή νοημοσύνη μπορεί σύντομα να βοηθήσει στην επιτάχυνση των διαδικασιών ρουτίνας, στη γρήγορη διαχείριση των καθυστερήσεων και να δώσει στους γιατρούς περισσότερο χρόνο για να περάσουν με τους ασθενείς. Όλα αυτά μπορεί να είναι πιο πολύτιμα μακροπρόθεσμα – και πιο ρεαλιστικά βραχυπρόθεσμα.

Όπως επεσήμαναν οι Dowling και Kenny πριν από χρόνια: «Μερικές φορές οι απλούστερες τεχνολογίες μπορούν να κάνουν σημαντική διαφορά στη φροντίδα των ασθενών».

(Φωτό: BOY_ANUPONG VIA GETTY IMAGES)

[ΠΗΓΗ: https://www.huffingtonpost.gr/, του Στέφανου Νικήτα, από FreeThink, 7/8/2023]