Αν προσπαθήσουμε να βρούμε ποιο είναι ένα από τα μεγαλύτερα κακά στον κόσμο θα λέγαμε με μια σχετική ασφάλεια ότι οι καρδιακές παθήσεις παραμένουν ο νούμερο ένα δολοφόνος. Έως και το 20% των ανθρώπων θα πεθάνουν συγκεκριμένα μόνο από αιφνίδιο καρδιακό θάνατο (SCD). Ο SCD δεν είναι καρδιακή προσβολή, η οποία συμβαίνει όταν αποφράσσονται οι αρτηρίες, αλλά μάλλον ένα ηλεκτρικό πρόβλημα που εμποδίζει την καρδιά να χτυπάει σωστά.
Ο αιφνίδιος καρδιακός θάνατος μπορεί να χτυπήσει φαινομενικά από το πουθενά. Αλλά μια νέα τεχνολογία τεχνητής νοημοσύνης που αναπτύχθηκε από την καθηγήτρια του John Hopkins Natalia Trayanova, με επικεφαλής τον ερευνητή Dan Popescu (πρώην διδακτορικό φοιτητή της Trayanova), μπορεί να εντοπίσει τον SCD πολύ πριν συμβεί. Για την ακρίβεια, μια δεκαετία πριν, όπως αναφέρει το Fast Company.
Τα ευρήματα δημοσιεύθηκαν σε πρόσφατο τεύχος του Nature Cardiovascular Research.
Το ερώτημα παραμένει ωστόσο: Θα μπορούσατε να διαβάσετε μια τέτοια πρόβλεψη ως καταδίκη σε θάνατο από το Minority Report. Ποιος θέλει να ξέρει από τι θα πεθάνει;
Πώς λειτουργούν τα εργαλεία πρόβλεψης
Αλλά όπως εξηγεί η Trayanova, εργαλεία πρόβλεψης όπως αυτή η τεχνητή νοημοσύνη μπορούν να αλλάξουν τον τρόπο με τον οποίο οι γιατροί αντιμετωπίζουν τους ασθενείς τους. Και τελικά, θα βοηθήσουν στην πρόληψη θανάτων που οι άνθρωποι δεν μπορούσαν να προβλέψουν πριν.
Σήμερα, αν έχετε προδιάθεση για SCD, οι γιατροί θα το αντιμετωπίσουν με την εμφύτευση ενός απινιδωτή. Αλλά το να γνωρίζουμε αν κάποιος έχει προδιάθεση για SCD ήταν προβληματικό. Ο κύριος τρόπος για να το προσδιορίσουμε τώρα είναι να εξετάσουμε τη συνολική ροή του αίματος από τις κοιλίες της καρδιάς ανά χτύπο, γνωστή ως κλάσμα εξώθησης. Εάν έχετε κλάσμα εξώθησης, ας πούμε, 50%, αυτό σημαίνει ότι μόνο το 50% του αίματος μέσα σε μια γεμάτη κοιλία αντλείται έξω με κάθε χτύπο.
«Εάν ένας ασθενής έχει κλάσμα εξώθησης μικρότερο από 30% [οι γιατροί] προσθέτουν απινιδωτή- εάν όχι, δεν προσθέτουν», λέει η Trayanova. «Αυτό είναι όλο».
Δεδομένου ότι το 20% των ανθρώπων εξακολουθούν να πεθαίνουν από SCD ετησίως, είναι σαφές ότι πολλοί υποψήφιοι για απινιδωτές χάνονται. Από την άλλη πλευρά, ωστόσο, η Trayanova επισημαίνει ότι αυτός ο κανόνας του κλάσματος εξώθησης 30% οδηγεί επίσης στο να παίρνουν απινιδωτές πολλοί άνθρωποι που στην πραγματικότητα δεν τους χρειάζονται. Μια μελέτη διαπίστωσε ότι το 23% των ατόμων που έλαβαν αυτές τις συσκευές δεν τις χρειάζονταν – με τον αριθμό αυτό να εκτοξεύεται στο 40% σε ορισμένες εγκαταστάσεις υγειονομικής περίθαλψης.
««Δεν είναι διασκεδαστικό να ζεις με αυτή τη συσκευή – Είναι σαν να σε κλωτσάει ένα άλογο στο στήθος»
«Δεν είναι διασκεδαστικό να ζεις με αυτή τη συσκευή», λέει η Trayanova. «Μπορεί να αποφορτιστεί, τα εξαρτήματα να δυσλειτουργήσουν και υπάρχουν μελέτες που δείχνουν ότι αυξάνει τη θνησιμότητα. Είναι σαν να σε κλωτσάει ένα άλογο στο στήθος – είναι τόσο επώδυνο».
Το εργαστήριο της Trayanova δημιούργησε την τεχνητή νοημοσύνη του για να καλύψει τα μεγάλα προγνωστικά κενά στην SCD. Για να κατασκευάσει το σύστημα, η ομάδα της εκπαίδευσε μια μηχανή σε αρχεία ασθενών 10 ετών από 156 άτομα με καρδιακές παθήσεις που συμφώνησαν να μοιραστούν τις ιατρικές τους πληροφορίες. Μοιράστηκαν τα πάντα στους φακέλους των ασθενών τους, από μαγνητικές τομογραφίες της καρδιάς τους έως 22 άλλες δυνητικά σχετικές πληροφορίες, όπως η φυλή, το βάρος, η χρήση φαρμάκων και η υπέρταση.
Τροφοδοτώντας όλες τις μαγνητικές τομογραφίες σε ένα σύστημα μηχανικής μάθησης, οι ερευνητές μπόρεσαν να διακρίνουν κρυμμένα μοτίβα, όπως το πώς ο ουλώδης ιστός και άλλα συστατικά της καρδιάς κάποιου τον καθιστούν προδιατεθειμένο για SCD. (Τεχνικά, μια δεύτερη τεχνητή νοημοσύνη κατασκευάστηκε για να κατανοήσει πώς το κάπνισμα ή άλλοι παράγοντες μπορούν να επηρεάσουν επίσης αυτή την πιθανότητα). Στη συνέχεια, αφού δημιούργησαν το λογισμικό τους, οι ερευνητές επικύρωσαν το εργαλείο τους με δεδομένα ασθενών από 60 κέντρα υγείας σε όλες τις ΗΠΑ. η τεχνητή νοημοσύνη ξεπέρασε τους γιατρούς στις διαγνώσεις της.
Το μοντέλο AI της Trayanova μπορεί να προσφέρει μια εξατομικευμένη εκτίμηση του να έχει κάποιος SCD σε κάθε δεδομένο έτος σε ένα χρονικό πλαίσιο 10 ετών. Αυτό επιτρέπει σε έναν γιατρό να έχει μια συζήτηση με τον ασθενή του σχετικά με την καλύτερη πορεία δράσης που κινείται προς τα εμπρός. Η τεχνητή νοημοσύνη αποκαλύπτει επίσης τη δική της βεβαιότητα στον γιατρό. «Εντάξει, θα έχετε 50% πιθανότητα να υποστείτε αιφνίδιο καρδιακό θάνατο σε πέντε χρόνια, αλλά αυτή είναι η βεβαιότητα που έχω για αυτή την [εκτίμηση]», λέει η Trayanova.
Για κάποιον που επισημαίνεται ότι είναι πιθανό να χρειαστεί απινιδωτή, αυτό είναι καλό, επειδή διαγνώστηκε σωστά και η ζωή του μπορεί να σωθεί. Για κάποιον που έχει φτωχό κλάσμα εξώθησης, αλλά κατά τα άλλα διατρέχει χαμηλό κίνδυνο σύμφωνα με το AI, ο γιατρός μπορεί να προτείνει επισκέψεις παρακολούθησης, φάρμακα ή/και αλλαγές στον τρόπο ζωής για να βοηθήσει την καρδιά του χωρίς χειρουργική επέμβαση. Ίσως αυτός ο ασθενής να χρειαστεί ακόμα εμφύτευση απινιδωτή στην πορεία, αλλά ίσως αποφύγει και την ταλαιπωρία, χάρη σε αυτή την τεχνητή νοημοσύνη.
Αν και η ίδια η Trayanova δεν είναι ασκούμενη γιατρός, δίνει μια πειστική εικόνα για το πώς τα φαινομενικά ψυχρά, υπολογιστικά εργαλεία τεχνητής νοημοσύνης μπορούν να κόψουν τις ατελείς βέλτιστες πρακτικές στην ιατρική και τελικά να χρησιμεύσουν ως μηχανισμός που οι γιατροί μπορούν να αξιοποιήσουν για τη μακροπρόθεσμη φροντίδα των ασθενών τους. Το πρόβλημα τώρα είναι να φτάσουν αυτά τα εργαλεία τεχνητής νοημοσύνης στα χέρια περισσότερων γιατρών, δεδομένου ότι η Trayanova συνεργάζεται μόνο με μια περιορισμένη ομάδα κλινικών γιατρών μέσω του ερευνητικού της εργαστηρίου.
Ιδανικά, αυτή η τεχνητή νοημοσύνη θα μπορούσε να ενσωματωθεί στις πλατφόρμες αρχείων υγείας των ασθενών, ώστε κάθε γιατρός να έχει πρόσβαση σε αυτή ανά πάσα στιγμή. Ωστόσο το σύστημα υγειονομικής περίθαλψης των ΗΠΑ απλώς δεν είναι καλά δομημένο ώστε να ενσωματώσει γρήγορα μοντέλα τεχνητής νοημοσύνης αιχμής στο λογισμικό του. «Υπάρχουν πολλές επιλογές για να προχωρήσουμε, αλλά αυτό δεν μπορεί να γίνει από έναν μόνο ερευνητή», λέει η Trayanova. «Πρέπει να υπάρξει μεγάλη συμμετοχή από την ιατρική κοινότητα».
