Είμαστε αναμφίβολα άτυχοι που η νόσος Covid-19 ενέσκηψε κατά τη διάρκεια της ζωής μας, αλλά την ίδια στιγμή και αφάνταστα τυχεροί που διαθέτουμε τόσο προηγμένη επιστημονική και τεχνολογική κατάρτιση προκειμένου να την αντιμετωπίσουμε. Ένα από τα βασικότερα όπλα της ανθρωπότητας στη μάχη με τον νέο κορονοϊό είναι και η τεχνητή νοημοσύνη. Είναι ήδη δεκάδες οι εφαρμογές της AI που διευκολύνουν την ιατρική και επιδημιολογική έρευνα αναφορικά με τον ιό, αξιοποιώντας την ανάλυση των διαθέσιμων δεδομένων.

Όπως προκύπτει από τη συστηματική μελέτη της διαθέσιμης βιβλιογραφίας, τα εργαλεία που αναπτύσσονται με τη βοήθεια της Τεχνητής Νοημοσύνης αφενός επιτρέπουν τον έγκαιρο εντοπισμό πρώιμων και αδιάγνωστων λοιμώξεων που οφείλονται στον SARS-CoV-2, μέσω των κατάλληλων διαγνωστικών πρωτοκόλλων ή των chatbots και αφετέρου βοηθούν την παρακολούθηση της κατάστασης των ασθενών. Η αξιοποίηση αλγορίθμων ενδέχεται επίσης να διευκολύνει τους ερευνητές που αγωνίζονται να ανακαλύψουν ασφαλή και αποτελεσματικά εμβόλια κατά του ιού, αλλά και φάρμακα που θα προσαρμόζονται στις ανάγκες του εκάστοτε ασθενή, διευκολύνοντας τη λήψη ιατρικών αποφάσεων για τη θεραπεία του.

Ακραίες διαβαθμίσεις στην εκδήλωση της ασθένειας

Όπως συμβαίνει άλλωστε και με άλλες λοιμώξεις, η νόσος Covid-19 εκδηλώνεται με διαφορετικό τρόπο στους περισσότερους ασθενείς. Σε αυτή την περίπτωση όμως, οι καταγεγραμμένες διαβαθμίσεις είναι ακραίες. Ορισμένοι φορείς του ιού (περίπου ένας στους πέντε) όχι απλώς δεν έχουν συμπτώματα, αλλά αντιλαμβάνονται ότι έχουν προβληθεί από τον ιό μόνο όταν λαμβάνουν τα αποτελέσματα του διαγνωστικού ελέγχου. Άλλοι όμως νοσούν βαριά, με μικρό ποσοστό να απαιτεί νοσηλεία και ακόμη μικρότερο ποσοστό να χρειάζεται εισαγωγή σε μονάδα εντατικής θεραπείας ή και διασωλήνωση.

Τι είναι όμως αυτό που κάνει τόσο διαφορετική τη «συμπεριφορά» του ιού; Παρότι οι επιστήμονες κάνουν ό,τι μπορούν για να κατανοήσουν τις ιδιαιτερότητες του SARS-CoV-2, αρκετοί επισημαίνουν ότι η απάντηση κρύβεται στον ίδιο τον ασθενή. Εξού και η έμφαση που δίνουν (ή θα ήθελαν να δώσουν) οι θεράποντες στην εξατομικευμένη θεραπεία, την οποία υπόσχεται να υποβοηθήσει και η ανάλυση των μεγάλων δεδομένων σε συνδυασμό με την αξιοποίηση της μηχανικής μάθησης.

Το κατάλληλο φάρμακο

Δεν είναι βέβαια μόνο η Covid-19. Ο διαρκώς αναπτυσσόμενος κλάδος της βιοπληροφορικής δίνει έμφαση στη συγκέντρωση πολλών και ετερόκλητων δεδομένων τόσο για τους ασθενείς όσο και για τις ασθένειες, ενώ αξιοποιεί παράλληλα αλγόριθμους μηχανικής μάθησης, με στόχο να έρθει ακόμη πιο κοντά η εξατομικευμένη ιατρική και κατ’ επέκταση η ταχύτερη και πιο αποτελεσματική θεραπεία ασθενειών.

Οι αλγόριθμοι μηχανικής μάθησης σε συνδυασμό με τη συγκέντρωση πολλών και ετερόκλητων δεδομένων τόσο για τους ασθενείς όσο και για τις ασθένειες, συντελούν στον προσδιορισμό της δράσης και της ικανότητας των φαρμάκων.  Για να το υπεραπλουστεύσουμε, θα λέγαμε ότι με αυτό τον τρόπο, θα απαντηθεί πιο αποτελεσματικά και γρήγορα το προαιώνιο ερώτημα της ιατρικής κοινότητας: γιατί το ίδιο φάρμακο λειτουργεί διαφορετικά στον κάθε ασθενή; Γιατί ο ίδιος ασθενής παύει να ανταποκρίνεται στην ίδια θεραπεία μετά από κάποιο διάστημα; Εφόσον διερευνηθούν και απαντηθούν αυτά τα ερωτήματα, ανοίγει διάπλατα ο δρόμος για την ανάπτυξη νέων και καλύτερων φαρμάκων αλλά και για την επαναχρησιμοποίηση υπαρχόντων για τη θεραπεία νέων ασθενειών.

Η μηχανική μάθηση αυτοματοποιεί και διευκολύνει αυτό το περίπλοκο και τιτάνιο έργο, διαβλέποντας την ανταπόκριση του ασθενούς σε συγκεκριμένη θεραπεία. Προκειμένου να γίνει αυτό εφικτό, απαιτείται η ανάλυση δεδομένων από τις θεραπείες της ίδιας νόσου σε άλλους ασθενείς.

Μια άλλη παράμετρος της χρήσης ΑΙ στη φαρμακοβιομηχανία είναι ο αυτοματοποιημένος προσδιορισμός της αποτελεσματικότητας των μορίων-στόχος που θα χρησιμοποιηθούν στα φάρμακα, ενώ παράλληλα εξετάζονται τόσο η αποτελεσματικότητα όσο και οι πιθανές τους παρενέργειες.

Ερευνητές στο Πανεπιστήμιο του Cambridge αξιοποιούν έναν ειδικά σχεδιασμένο αλγόριθμο που αναλύει τα ιατρικά δεδομένα και εντοπίζει συγκεκριμένα μόρια που ενεργοποιούν μια πρωτεΐνη η οποία σχετίζεται με το Αλτσχάιμερ αλλά και τη σχιζοφρένεια. Όπως ισχυρίζονται, το συγκεκριμένο εργαλείο, είναι δύο φορές πιο αποτελεσματικό από τα βιομηχανικά πρότυπα που χρησιμοποιούνται ήδη. Εφόσον αποδειχθεί πλήρως αποτελεσματικό θα μπορούσε να επιταχύνει αισθητά την ανάπτυξη θεραπειών για αυτές τις ασθένειες.

Τόσο τα φάρμακα όσο και τα εμβόλια πρέπει να περάσουν από το στάδιο των κλινικών δοκιμών, το οποίο μπορεί να επιταχυνθεί αισθητά με τη βοήθεια της ΑΙ. Οι αλγόριθμοι επιτρέπουν τον ταχύτερο προσδιορισμό των υποψήφιων ουσιών, αλλά και την εξαγωγή συμπερασμάτων σε όλα τα στάδια της διαδικασίας.

“H AI θα απαντήσει πιο αποτελεσματικά και γρήγορα στο προαιώνιο ερώτημα της ιατρικής κοινότητας: γιατί το ίδιο φάρμακο λειτουργεί διαφορετικά στον κάθε ασθενή;”

Ενδεικτική είναι η παγκόσμια δράση του Ιδρύματος Vodafone που σε συνεργασία με το Imperial College του Λονδίνου ανέπτυξε την εφαρμογή Dreamlab, μέσω της οποίας αξιοποιείται η ανεκμετάλλευτη ισχύς εκατομμυρίων smartphones (όταν αυτά μένουν αχρησιμοποίητα – συνήθως τη νύχτα) για να αναλυθούν τεράστιες ποσότητες δεδομένων. Στόχος της ανάλυσης είναι να προσδιοριστεί αν υπάρχοντα φάρμακα μπορούν να θεραπεύσουν ασθενείς που πάσχουν από τη νόσο Covid-19, και αν κάποιες ουσίες που περιέχονται σε τρόφιμα που καταναλώνουμε καθημερινά ενδέχεται να δρουν θεραπευτικά.

Θεραπεία βασισμένη στο DNA

Ένα νέο πρόγραμμα που αναπτύχθηκε στην Ιατρική Σχολή του Πανεπιστημίου της Αριζόνα έχει ήδη τη δυνατότητα να αναλύει ταχύτατα τεράστιες ποσότητες δεδομένων προκειμένου να προτείνει πλήρως εξατομικευμένες φαρμακευτικές θεραπείες. Ήδη, πάνω από ένα εκατομμύριο ασθενείς έχουν δώσει την άδειά τους προκειμένου να αναλύονται γενετικά, ιατρικά και άλλα δεδομένα τους με στόχο να προσαρμόζονται οι φαρμακευτικές θεραπείες στα «μέτρα τους».

Το πρόγραμμα ανέλαβε η υπερφιλόδοξη startup INTelico Theraputics, που έχει αναπτύξει έναν αλγόριθμο μηχανικής μάθησης ο οποίος εστιάζει στους μοριακούς μηχανισμούς και στην αλληλόδραση με τις φαρμακευτικές ουσίες. Ουσιαστικά, μέσω της ανάλυσης του γονιδιώματος, οι ερευνητές θα εντοπίζουν βιοδείκτες και θα μελετούν αφενός την απόκριση του φαρμάκου και αφετέρου την πρόβλεψη για την εξέλιξη της νόσου. Οι επιστήμονες που ασχολούνται με το συγκεκριμένο εγχείρημα αισιοδοξούν ότι οι αλγόριθμοι αυτοί θα επιτρέψουν την έγκαιρη πρόγνωση αλλά και αντιμετώπιση ασθενειών όπως το Αλτσχάιμερ.

ΑΙ και για τα ρομπότ
Η ρομποτική χρησιμοποιείται στην ιατρική εδώ και τουλάχιστον 30 χρόνια, ενώ την τελευταία δεκαετία συμβάλλουν τα μέγιστα στις χειρουργικές επεμβάσεις. Η συμβολή των ρομπότ αναμένεται να επεκταθεί όσο πιο έξυπνα γίνονται, με τη βοήθεια βέβαια της τεχνητής νοημοσύνης. Όπως προβλέπουν οι αναλυτές, ο χειρουργός του 21^ου αιώνα θα είναι σαφώς πιο κοντά στη μηχανή, χωρίς όμως να βγαίνει εντελώς από το κάδρο ο άνθρωπος.

Η ΑΙ καλύτερη από τους γιατρούς στη διάγνωση

Επιπρόσθετα, η ΑΙ συντελεί ήδη στην έγκαιρη διάγνωση χρόνιων ασθενειών αλλά και την πρόβλεψη έκτακτων συμβάντων. Σε πολυάριθμες περιπτώσεις, συστήματα τεχνητής νοημοσύνης αποδεικνύονται πιο αποτελεσματικά και από τους πιο έμπειρους ιατρούς.

Mια πλατφόρμα AI, για παράδειγμα, που ανέπτυξαν Αμερικανοί και Βρετανοί ερευνητές με την υποστήριξη της Google Health, αποδείχθηκε πολύ πιο ακριβής στη διάγνωση καρκίνου του μαστού από τους πλέον έμπειρους ακτινολόγους.

Σε απόλυτους αριθμούς, το σύστημα έδωσε 5,7% λιγότερα ψευδώς θετικά αποτελέσματα (στο δείγμα των ΗΠΑ) και 1,2% λιγότερα ψευδώς θετικά (στο δείγμα του Ηνωμένου Βασιλείου). Ενδέχεται τα ποσοστά να φαντάζουν μικρά, αλλά αντιπροσωπεύουν τεράστιο αριθμό γυναικών. Από αντίστοιχο πείραμα, προέκυψε ότι η μηχανή ήταν κατά 11,5% καλύτερα από τους ακτινολόγους.

Αυτό βέβαια δεν είναι το μοναδικό αντίστοιχο παράδειγμα. H AI και ειδική η μηχανική μάθηση αξιοποιούνται ήδη με μεγάλη επιτυχία στην ανίχνευση αλλά και στην παρακολούθηση της εξέλιξης καρκινικών όγκων, στη διαβητική αμφιβληστροειδοπάθεια και άλλες οφθαλμικές παθήσεις, στην αρρυθμία και σε ορισμένα σπάνια αυτοάνοσα νοσήματα.  

Μια συστηματική ανασκόπηση από ερευνητές του Imperial College London, εστίασε σε 91 αντίστοιχες δοκιμές που βασίστηκαν σε αλγόριθμους βαθιάς μάθησης οι οποίοι αξιοποιήθηκαν για να εξετάσουν τα ιατρικά αρχεία ασθενών για διάφορες νόσους (από καρκίνο έως γλαύκωμα).

Στις 69 εξ αυτών, η AI έχει ανώτερη ή τουλάχιστον συγκρίσιμη απόδοση με τους κλινικούς γιατρούς όταν εφαρμόστηκε σε ένα συγκεκριμένο δείγμα (πχ σε καρκινικούς όγκους στο στήθος ή αλλοίωσης κίρρωσης στον ηπατικό ιστό). Μόνο δύο μελέτες ανέδειξαν την υπεροχή των γιατρών, ενώ 14 συμπέραναν ότι τα μοντέλα μηχανικής μάθησης θα μπορούσαν να συνδράμουν τους ανθρώπους στη διάγνωση.

Το πρόβλημα όμως, σύμφωνα με τους ερευνητές που συστήνουν να μην υπερενθουσιαζόμαστε, είναι ότι τα άρθρα αυτά εντυπωσιάζουν μεν με τα συμπεράσματά τους, αλλά συχνά τα εξαγάγουν από προκαθορισμένα σύνολα δεδομένων που έχουν επιλέξει οι συγγραφείς των μελετών.

Deep learning για ακόμη καλύτερα αποτελέσματα

Ερευνητές στη Βραζιλία μόλις τροφοδότησαν ένα σύστημα που βασίζεται στην AI με 2,3 εκατομμύρια ηλεκτροκαρδιογραφήματα, με αποτέλεσμα ο αλγόριθμος που τα «διαβάζει» να εκπαιδευτεί τάχιστα και να διαγιγνώσκει πιθανές ανωμαλίες και προβλήματα των ασθενών. Οι ερευνητές εστίασαν στην ανίχνευση έξι συνηθισμένων καρδιακών παθήσεων, συμπεριλαμβανομένης της κολπικής μαρμαρυγής. Ο αλγόριθμος όχι απλώς τα πήγε καλά, αλλά τους εξέπληξε: Σε ένα δοκιμαστικό δείγμα 827 καρδιογραφημάτων, έκανε μόνο 20 λάθη. Για μέτρο σύγκρισης, ένας καρδιολόγος που εξετάζει αντίστοιχα δεδομένα, κάνει κατά μέσο όρο 35 λάθη, ενώ οι γιατροί στα επείγοντα, λόγω βιασύνης και πίεσης, κάνουν περίπου 70 λάθη.

Οι αλγόριθμοι Deep Learning συμβάλλουν στην αυτοματοποιημένη διάγνωση ασθενειών, καθώς έχουν τη δυνατότητα να αναλύουν τεράστιες ποσότητες δεδομένων σε ελάχιστο χρόνο. Η ανάλυση δεδομένων από πολλές πηγές (ανάλυση DNA, αιματολογικών εξετάσεων, ιατρικού ιστορικού, άλλων διαγνωστικών, ακόμη και χειρόγραφων αρχείων) συνδυαστικά με τα αντίστοιχα δεδομένα άλλων ασθενών, επιτρέπει την ακριβέστερη διάγνωση αλλά και την εκτίμηση της βαρύτητας μιας ασθένειας ή της πιθανότητας εξέλιξής της.

“Το κλειδί για την πρόοδο του κλάδου είναι η ψηφιοποίηση και η ανάλυση ολοένα και περισσότερων και καλύτερης ποιότητας ιατρικών δεδομένων. Αρκεί όμως να μη θυσιάζεται η ιδιωτικότητα προς χάρη της ταχείας προόδου“

Όσα περισσότερα δεδομένα αναλύουν οι αλγόριθμοι, τόσο περισσότερο εξειδικεύονται και γίνονται πιο ακριβείς.  Εξάλλου, οι μηχανές μπορούν να διαβάζουν χιλιάδες ή και εκατομμύρια σχετικές επιστημονικές δημοσιεύσεις και να εξάγουν συγκεκριμένα συμπεράσματα, καθώς σε αντίθεση με τους ανθρώπους δεν κουράζονται, ούτε έχουν ανάγκη διαλλειμάτων και βέβαια δεν έχουν άλλες ασχολίες.

Θα αντικαταστήσουν οι μηχανές τους γιατρούς;

Αν και οι περισσότεροι συμφωνούν ότι οι μηχανές θα αργήσουν να αντικαταστήσουν τους γιατρούς στην κλινική πρακτική, στον τομέα της διάγνωσης ασθενειών σαφώς και θα γίνουν αρωγοί τους. Και όπως ήδη αποδεικνύεται, θα τους βοηθήσουν να γίνουν καλύτεροι στα καθήκοντά τους, προς όφελος των ασθενών.

Παράλληλα, η ΑΙ δυνητικά θα συνεισφέρει τον εκδημοκρατισμό των ιατρικών υπηρεσιών, καθώς θα μπορούσαν να προσφέρουν αντίστοιχες υπηρεσίες σε ανθρώπους σε όλο τον κόσμο, ανεξαρτήτως της γεωγραφικής θέσης και της οικονομικής τους κατάστασης.

Παρά τις εντυπωσιακές επιδόσεις των αλγόριθμων όμως, οι ασθενείς είναι ακόμη διστακτικοί στην υιοθέτηση της ΑΙ. Όσο αναξιόπιστοι κι αν είναι οι γιατροί, η ανθρωπότητα θα συνεχίσει να τους εμπιστεύεται. Ή μήπως όχι για πολύ ακόμη;

Οι υπεραισιόδοξοι θεωρούν ότι η Τεχνητή Νοημοσύνη θα θεραπεύσει όλες τις ασθένειες. O Stephen Hawking είχε δηλώσει ότι η ΑΙ θα μπορούσε να θεραπεύσει όλες τις ασθένειες. Κάποια μέρα, όπως λένε οι θιασώτες αυτής της θεωρίας, η έννοια της νόσου θα είναι άγνωστη. Οι αρρώστιες δεν θα είναι παρά απλές ιστορικές υπομνήσεις στην πορεία της ανθρωπότητάς προς το όνειρο (ή τον εφιάλτη) της αθανασίας. Η μέρα αυτή όμως θα αργήσει. Αν ποτέ έρθει. Έως τότε, η τεχνητή νοημοσύνη και όλα τα εργαλεία που δημιουργεί και υποστηρίζει, θα συνεχίσουν να μεταμορφώνουν την ιατρική βιομηχανία και την περίθαλψη των ασθενών. 

The post Από τη θεραπεία της ασθένειας στη θεραπεία του ασθενούς appeared first on 2045.gr.