Νέο μοντέλο τεχνητής νοημοσύνης προβλέπει πιο ακριβείς επιπλοκές μετά από χειρουργικές επεμβάσεις
Ένα νέο μοντέλο τεχνητής νοημοσύνης έχει ανακαλύψει σήματα που δεν είχαν ανιχνευθεί προηγουμένως σε συνήθεις καρδιολογικές εξετάσεις, τα οποία προβλέπουν με ακρίβεια ποιοι ασθενείς θα υποστούν δυνητικά θανατηφόρες επιπλοκές μετά από χειρουργικές επεμβάσεις. Το μοντέλο αυτό ξεπερνά σημαντικά τους κινδύνους που βασίζονται σε τρέχοντες δείκτες, στους οποίους βασίζονται οι γιατροί.
Η έρευνα, που χρηματοδοτείται από την ομοσπονδιακή κυβέρνηση και διεξάγεται από ερευνητές του Πανεπιστημίου Johns Hopkins, μετατρέπει τα αποτελέσματα απλών και οικονομικών εξετάσεων σε ένα εργαλείο που μπορεί να σώσει ζωές, με δυνατότητα να μεταμορφώσει τη διαδικασία λήψης αποφάσεων και υπολογισμού κινδύνου για ασθενείς και χειρουργούς.
Σημαντικές πληροφορίες από το ηλεκτροκαρδιογράφημα
«Αποδεικνύουμε ότι ένα βασικό ηλεκτροκαρδιογράφημα περιέχει σημαντικές προγνωστικές πληροφορίες που δεν είναι ορατές με γυμνό μάτι. Μπορούμε να τις εξάγουμε μόνο με τεχνικές μηχανικής μάθησης», δήλωσε ο Robert D. Stevens, ανώτερος συγγραφέας και επικεφαλής της Διεύθυνσης Πληροφορικής, Ενσωμάτωσης και Καινοτομίας στην Ιατρική Σχολή του Johns Hopkins.
Ένα σημαντικό ποσοστό ατόμων αναπτύσσουν επιπλοκές που απειλούν τη ζωή τους μετά από μεγάλες χειρουργικές επεμβάσεις. Οι δείκτες κινδύνου που χρησιμοποιούνται από τους γιατρούς για να εντοπίσουν ποιοι είναι σε κίνδυνο είναι ακριβείς μόνο σε περίπου 60% των περιπτώσεων. Η ομάδα του Johns Hopkins στράφηκε στο ηλεκτροκαρδιογράφημα (ΗΚΓ), μια τυπική καρδιολογική εξέταση που συνήθως πραγματοποιείται πριν από μεγάλες επεμβάσεις, για να δημιουργήσει έναν πιο ακριβή τρόπο πρόβλεψης αυτών των κινδύνων.
Αναλύσεις και αποτελέσματα
Η ομάδα ανάλυσε προεγχειρητικά δεδομένα ΗΚΓ από 37.000 ασθενείς που υποβλήθηκαν σε χειρουργική επέμβαση στο Ιατρικό Κέντρο Beth Israel Deaconess στη Βοστώνη. Εκπαίδευσαν δύο μοντέλα AI για να εντοπίσουν ασθενείς που είναι πιθανό να υποστούν καρδιακή προσβολή, εγκεφαλικό ή να πεθάνουν εντός 30 ημερών μετά την επέμβαση. Ένα μοντέλο εκπαιδεύτηκε μόνο με δεδομένα ΗΚΓ, ενώ το άλλο, που ονομάστηκε «μοντέλο συγχώνευσης», συνδύασε τις πληροφορίες του ΗΚΓ με περισσότερες λεπτομέρειες από ιατρικά αρχεία ασθενών, όπως ηλικία, φύλο και υπάρχουσες ιατρικές καταστάσεις.
Το μοντέλο που βασίζεται μόνο σε ΗΚΓ προέβλεψε καλύτερα τις επιπλοκές σε σχέση με τους τρέχοντες δείκτες κινδύνου, ενώ το μοντέλο συγχώνευσης είχε ακόμη καλύτερα αποτελέσματα, με δυνατότητα πρόβλεψης ποιοι ασθενείς θα υποστούν επιπλοκές μετά την επέμβαση με ακρίβεια 85%. «Είναι εκπληκτικό ότι μπορούμε να πάρουμε αυτή τη ρουτίνα διάγνωσης, αυτά τα 10 δευτερόλεπτα δεδομένων και να προβλέψουμε αν κάποιος θα πεθάνει μετά από χειρουργείο», δήλωσε ο Carl Harris, κύριος συγγραφέας και διδακτορικός φοιτητής στη βιοϊατρική μηχανική.
Η ομάδα ανέπτυξε επίσης μια μέθοδο για να εξηγήσει ποια χαρακτηριστικά του ΗΚΓ μπορεί να σχετίζονται με καρδιακή προσβολή ή εγκεφαλικό μετά από μια επέμβαση. «Μπορείτε να φανταστείτε ότι αν υποβάλλεστε σε μεγάλη χειρουργική επέμβαση, αντί να απλώς καταχωρείται το ΗΚΓ σας στα αρχεία σας, αυτό να περνάει από ένα μοντέλο και να λαμβάνετε μια εκτίμηση κινδύνου, ώστε να μπορείτε να συζητήσετε με το γιατρό σας για τους κινδύνους και τα οφέλη της επέμβασης», είπε ο Stevens.
Στο μέλλον, η ομάδα σκοπεύει να δοκιμάσει περαιτέρω το μοντέλο σε δεδομένα από περισσότερους ασθενείς και θα ήθελε να το δοκιμάσει προοπτικά με ασθενείς που πρόκειται να υποβληθούν σε χειρουργική επέμβαση. Επίσης, επιθυμούν να προσδιορίσουν ποιες άλλες πληροφορίες θα μπορούσαν να εξαχθούν από τα αποτελέσματα του ΗΚΓ μέσω της τεχνητής νοημοσύνης.
