Οι αλγόριθμοι στην υπηρεσία της καρδιολογίας

Ο Πολύδωρος Καμπακτσής, επίκουρος καθηγητής Καρδιολογίας στο Πανεπιστήμιο Κολούμπια των ΗΠΑ, συνίδρυσε την ομάδα Heart-In-AI με στόχο την έρευνα και τις εφαρμογές της Τεχνητής Νοημοσύνης στην καρδιολογία.

Στόχος είναι γιατροί και μηχανικοί διάφορων ειδικοτήτων με έδρα είτε την Ελλάδα είτε το εξωτερικό να εργάζονται πάνω σε κοινά πρότζεκτ, που θέτουν τους αλγόριθμους στην υπηρεσία της ανθρώπινης υγείας. Ο ίδιος ζει στη Νέα Υόρκη τα τελευταία 11 χρόνια, με διττή επιστημονική ιδιότητα: αυτή του καρδιολόγου και εκείνη του ηλεκτρολόγου μηχανικού.

«Όταν μιλάμε για Τεχνητή Νοημοσύνη, πολύ κρίσιμο στοιχείο για την εφαρμογή των αλγορίθμων είναι να τεθούν τα σωστά ερωτήματα – στόχοι», δηλώνει ο Δρ Καμπακτσής, που ίδρυσε την ομάδα από κοινού με τον Σεραφείμ Μουστακίδη, διδάκτορα ηλεκτρολόγο μηχανικό της εταιρείας AiDEAS, τον Αναστάσιο Δρόσου, διδάκτορα ηλεκτρολόγο μηχανικό και ερευνητή στο ΕΚΕΤΑ, τον Αλέξανδρο Μπριασούλη, επίκουρο καθηγητή Καρδιολογίας στο ΕΚΠΑ και τους ιατρούς Ηλία Δουλάμη και Ασπασία Τζανή.

Η επιστημονική ομάδα χει ολοκληρώσει το παρθενικό της πρότζεκτ, με αντικείμενο τη χρησιμότητα της Μηχανικής Μάθησης για την πρόβλεψη της κλινικής έκβασης ασθενών, που υπόκεινται σε μεταμόσχευση καρδιάς.

Τώρα, αναλαμβάνει ένα δεύτερο πρότζεκτ με στόχο την αξιοποίηση της Μηχανικής Μάθησης για την καλύτερη αντιστοίχιση των ασθενών με μόσχευμα καρδιάς και εξατομικευμένης ανοσοκατασταλτικής θεραπείας.

Η βέλτιστη ανοσοκατασταλτική θεραπεία διασφαλίζει μεγαλύτερες πιθανότητες επιβίωσης και μικρότερες αποβολής μοσχεύματος, καθώς και λιγότερες παρενέργειες.

Και τα δύο έργα αντλούν δεδομένα από την εθνική βάση UNOS (United Network for Organ Sharing) των ΗΠΑ, αξιοποιώντας ως δείγμα πάνω από 18.000 ασθενείς που μεταμοσχεύτηκαν μεταξύ 2010 και 2018.

Κάνοντας τα λεπτά, δευτερόλεπτα

Γιατί όμως είναι σημαντική η τεχνητή νοημοσύνη στην ιατρική; Ένα απλό παράδειγμα που παραθέτει ο κ. Καμπακτσής είναι αυτό των υπερήχων καρδιάς: «Για να διαβάσει ο καρδιολόγος τον υπέρηχο καρδιάς ενός ασθενούς χρειάζεται να δει αναλυτικά μέχρι και 100 “κλιπς”, ώστε να κάνει πλήρη διάγνωση. Η διαδικασία αυτή μπορεί να πάρει από 10 λεπτά, εφόσον δεν υπάρχει κάτι παθολογικό, έως και 40 λεπτά. Η Τεχνητή Νοημοσύνη θα μπορούσε να διεκπεραιώσει μια εκτεταμένη προεπεξεργασία σε δευτερόλεπτα έως λίγα λεπτά, προτού τα κλιπς φτάσουν στα μάτια του γιατρού.

Είναι προφανές ότι αυτό μπορεί να βοηθήσει σε βελτίωση και κανονικοποίηση -standardization- της διαδικασίας, όπως επίσης και σε ελάττωση του χρόνου και του κόστους» λέει ο καθηγητής, διευκρινίζοντας πως θεωρεί αδύνατο η τεχνητή νοημοσύνη να αντικαταστήσει τους γιατρούς τώρα ή στο μέλλον: «ακόμα και όταν προχωρήσουμε πάρα πολύ σε αυτό το κομμάτι, ούτε ηθικά ούτε επιστημονικά μπορούμε να εναποθέσουμε σε ένα μηχάνημα τη θεραπεία ενός ασθενούς» εκτιμά.

Η υποβοηθούμενη διάγνωση, όπως αυτή περιγράφηκε παραπάνω στην περίπτωση του υπέρηχου καρδιάς, είναι μία μόνο από τις κατηγορίες εφαρμογών της τεχνητής νοημοσύνης στην ιατρική κι αυτή που -ενώ βρίσκεται ακόμα υπό διαμόρφωση- έχει τη μεγαλύτερη ανάπτυξη και κλινική εφαρμοσιμότητα.

Για παράδειγμα, υπάρχει εφαρμογή τεχνητής νοημοσύνης ενδοαγγειακής απεικόνισης για στεφανιαίες αρτηρίες καρδιάς βάσει της τεχνολογίας OCT (Optical Coherence Tomography), που βοηθά τον επεμβατικό καρδιολόγο να έχει εικόνα των αγγείων, της ύπαρξης ή όχι αθηρωματικής πλάκας και των χαρακτηριστικών της, ώστε να μπορεί να γίνει συσχέτιση και με πιθανό έμφραγμα.

Μάλιστα, εφαρμογές τεχνητής που βοηθούν τους γιατρούς σε διαδικασίες σχετικές με διάγνωση, ακτινοβολία και παθολογοανατομία υπάρχουν ως εξοπλισμός και σε δημόσια νοσοκομεία της Ελλάδας, ίσως όχι στην ίδια έκταση με το εξωτερικό, αλλά σίγουρα σε μεγαλύτερη από ό,τι στο παρελθόν.

Μπαίνοντας σε «απάτητο έδαφος»

Οι άλλες δύο ομάδες εφαρμογών της τεχνητής στην κλινική ιατρική είναι, κατά τον κ.Καμπακτσή, η πρόβλεψη της έκβασης των ασθενών και η ανακάλυψη νέας γνώσης, ακόμα και γνώσης σε πεδία που θεωρούνται «απάτητο έδαφος» για τους ερευνητές.

«Υπάρχουν νοσήματα αρκετά πολύπλοκα, στα οποία προσπαθούμε να καταλάβουμε προς τα πού πρέπει να πορευτούμε. Για παράδειγμα, η καρδιακή ανεπάρκεια με διατηρημένο κλάσμα εξώθησης και η πνευμονική αρτηριακή υπέρταση. Είναι δύο νοσήματα, που αυτή τη στιγμή βρίσκονται στο μεταίχμιο της έρευνας και προσπαθούμε να τα κατανοήσουμε, να δούμε πώς πρέπει να τα προσεγγίζουμε. Η μηχανική μάθηση βοηθά να συλλέξουμε και να επεξεργαστούμε πάρα πολλές πληροφορίες, που αν συνδυαστούν μεταξύ τους, μπορούν για παράδειγμα να ομαδοποιήσουν κατηγορίες ασθενών με συγκεκριμένα χαρακτηριστικά, ώστε να καταλήξουμε σε χρήσιμα συμπεράσματα.

Χρησιμοποιείται δηλαδή η μηχανική μάθηση ως σημείο αφετηρίας, δίνοντας περαιτέρω ερευνητικές κατευθύνσεις- σε γενικές γραμμές αυτό ξεκίνησε και η “Pfizer” στη Θεσσαλονίκη, με το Κέντρο Ψηφιακής Καινοτομίας που δημιούργησε στην πόλη, όπου αξιοποιούνται μεταξύ άλλων τα Big Data (Μεγάλα Δεδομένα) για τα φάρμακα, με στόχο την εύρεση άγνωστων συσχετίσεων μέσω τεχνητής νοημοσύνης».

Η ΑΙ μπορεί να βασιστεί σε δεδομένα που συλλέχθηκαν αναδρομικά, ώστε να προσδιορίσει επακριβώς προς ποια κατεύθυνση πρέπει να γίνουν οι κλινικές μελέτες. Αυτό είναι πολύ σημαντικό, διότι σε πολλές περιπτώσεις υπάρχει δυσκολία σχεδιασμού των κλινικών μελετών, είτε επειδή αυτές είναι πολύ ακριβές είτε επειδή το ερώτημα ως προς το τι πρέπει να διερευνηθεί δεν έχει προσδιοριστεί επακριβώς.

Χάρη στην τεχνητή νοημοσύνη, μια κλινική μελέτη μπορεί να σχεδιαστεί πιο αποτελεσματικά, ώστε να μην παρατηρούνται φαινόμενα όπως αυτό που ενίοτε καταγράφεται σήμερα, δηλαδή μια κλινική μελέτη να λήγει μετά από δύο ή τρία χρόνια δουλειάς και να μην υπάρχει αξιοποιήσιμο αποτέλεσμα. Παρόμοια χρησιμότητα προσφέρει η τεχνητή νοημοσύνη και μηχανική μάθηση στην παραγωγή υποθέσεων και για σπάνια νοσήματα, η έρευνα πάνω στα οποία αποδεικνύεται συχνά οικονομικά ασύμφορη, γιατί αυτά αφορούν περιορισμένο αριθμό ασθενών.

Τα ευάλωτα Big Data των νοσοκομείων

Τεχνητή Νοημοσύνη σημαίνει επεξεργασία Μεγάλων Δεδομένων και τα Μεγάλα Δεδομένα στον τομέα της υγείας, ιδίως σε ό,τι αφορά τα νοσοκομεία είναι σαφώς ευάλωτα.

«Κατά κανόνα, τα μεγάλα δεδομένα δεν μπορούν να παραχθούν από ένα και μόνο νοσοκομείο, αλλά από πολλά διαφορετικά. Άρα χρειάζεται να μεταφερθούν ώστε να συνδυαστούν, κάτι που τα καθιστά περισσότερο ευάλωτα σε κυβερνοεπιθέσεις. Για αυτό είναι σημαντικό να δημιουργηθούν βάσεις δεδομένων που ua τα συγκεντρώνουν με ασφαλή τρόπο, ώστε στη συνέχεια τα μοντέλα μηχανικής μάθησης να τα επεξεργάζονται άνευ κινδύνου», καταλήγει ο κ. Καμπακτσής.

Βάσει στοιχείων που είχε παρουσιάσει πέρυσι ο καθηγητής του Πανεπιστημίου Πειραιώς, Χρήστος Ξενάκης, το 2021 ο χώρος της υγείας είχε για ενδέκατη συνεχή χρονιά το υψηλότερο κόστος από κυβερνοεπιθέσεις, ως προς τον οικονομικό αντίκτυπό του. Στον τομέα της υγείας, το κόστος αυτό ανέρχεται ουσιαστικά σε 9,23 εκατ. δολάρια/επίθεση, κατά μέσο όρο στον πλανήτη, μακράν μεγαλύτερο σε σύγκριση με τον χρηματοοικονομικό τομέα και τις τράπεζες.

 

 

Πηγή ΑΠΕ-ΜΠΕ