Αν και οι γιατροί έχουν να επιλέξουν από μια σειρά από πιθανά φάρμακα για την υπέρταση, το καθένα είναι γεμάτο με πλεονεκτήματα και μειονεκτήματα, καθιστώντας τη συνταγογράφηση του πιο αποτελεσματικού. Οι αναστολείς ΜΕΑ χαλαρώνουν τα αιμοφόρα αγγεία, αλλά μπορεί να οδηγήσουν σε βήχα. Τώρα, ένα νέο πρόγραμμα τεχνητής νοημοσύνης μπορεί να βοηθήσει τους γιατρούς να ταιριάζουν καλύτερα τα σωστά φάρμακα με τους σωστούς ασθενείς.
Το μοντέλο βάσει δεδομένων, που αναπτύχθηκε κωδικοποιημένα από επιστήμονες και γιατρούς του Πανεπιστημίου της Βοστώνης, στοχεύει να δώσει στους κλινικούς γιατρούς συστάσεις θεραπείας υπέρτασης σε πραγματικό χρόνο με βάση τα συγκεκριμένα χαρακτηριστικά του ασθενούς, συμπεριλαμβανομένων δημογραφικών στοιχείων, ζωτικών σημείων, παρελθόντος ιατρικού ιστορικού και αρχείων κλινικών δοκιμών. Τ
ο μοντέλο, που περιγράφεται σε μια πρόσφατη μελέτη που δημοσιεύτηκε στο BMC Medical Informatics and Decision Making , έχει τη δυνατότητα να βοηθήσει στη μείωση της συστολικής αρτηριακής πίεσης -που μετριέται όταν η καρδιά χτυπά αντί να ξεκουράζεται- πιο αποτελεσματικά από το τρέχον πρότυπο περίθαλψης. Σύμφωνα με τους ερευνητές, η προσέγγιση του προγράμματος στη διαφάνεια θα μπορούσε επίσης να βοηθήσει στη βελτίωση της εμπιστοσύνης των γιατρών στα αποτελέσματα που δημιουργούνται από την τεχνητή νοημοσύνη.
«Πρόκειται για έναν νέο αλγόριθμο μηχανικής μάθησης που αξιοποιεί πληροφορίες σε ηλεκτρονικά αρχεία υγείας και επιδεικνύει τη δύναμη της τεχνητής νοημοσύνης στην υγειονομική περίθαλψη», λέει ο Ιωάννης Πασχαλίδης , διακεκριμένος καθηγητής του BU College of Engineering και διευθυντής του Ινστιτούτου Υπολογιστικής και Υπολογιστικής Επιστήμης και Διευθυντής Rafik B. Hariri. Μηχανική . «Το μοντέλο μας που βασίζεται στα δεδομένα δεν προβλέπει απλώς ένα αποτέλεσμα, αλλά προτείνει το καταλληλότερο φάρμακο για χρήση για κάθε ασθενή». Επί του παρόντος, όταν επιλέγει το φάρμακο που θα συνταγογραφήσει σε έναν ασθενή, ο γιατρός λαμβάνει υπόψη το ιστορικό του ασθενούς, τους στόχους θεραπείας και τα οφέλη και τους κινδύνους που σχετίζονται με συγκεκριμένα φάρμακα. Συχνά, η επιλογή του φαρμάκου που θα συνταγογραφηθεί όταν υπάρχουν πολλές επιλογές – και από τις επιλογές, κανένα φάρμακο δεν είναι καλύτερο ή χειρότερο από το άλλο – μπορεί να είναι λίγο άσκοπο.
Αντίθετα, το μοντέλο που αναπτύχθηκε από το BU δημιουργεί μια προσαρμοσμένη συνταγή υπέρτασης χρησιμοποιώντας το προφίλ ενός μεμονωμένου ασθενούς, δίνοντας στους γιατρούς μια λίστα προτεινόμενων φαρμάκων με σχετική πιθανότητα επιτυχίας. Στόχος των ερευνητών ήταν να αναδείξουν τη θεραπεία που ελέγχει καλύτερα τη συστολική αρτηριακή πίεση για κάθε ασθενή με βάση την αποτελεσματικότητά της σε μια ομάδα παρόμοιων ασθενών. «Στόχος μας είναι να διευκολύνουμε μια προσέγγιση εξατομίκευσης για τη θεραπεία της υπέρτασης με βάση αλγόριθμους μηχανικής μάθησης», λέει ο Πασχαλίδης, «επιδιώκοντας να μεγιστοποιήσουμε την αποτελεσματικότητα των υπέρτασων φαρμάκων σε ατομικό επίπεδο».
Το μοντέλο αναπτύχθηκε χρησιμοποιώντας αποδεδειγμένα δεδομένα από 42.752 υπερτασικούς ασθενείς του Boston Medical Center (BMC), του πρωτοβάθμιου εκπαιδευτικού νοσοκομείου της BU, που συλλέχθηκαν μεταξύ 2012 και 2020. Οι ασθενείς ταξινομήθηκαν σε ομάδες συγγένειας, με βάση ομοιότητες κλινικά σχετικών χαρακτηριστικών, όπως δημογραφικά στοιχεία, παρελθόν αρχεία αρτηριακής πίεσης και προηγούμενο ιατρικό ιστορικό. Κατά τη διάρκεια της μελέτης, η αποτελεσματικότητα του μοντέλου συγκρίθηκε με το τρέχον πρότυπο περίθαλψης, καθώς και με άλλους τρεις αλγόριθμους που σχεδιάστηκαν για να προβλέψουν τα κατάλληλα σχέδια θεραπείας. Οι ερευνητές διαπίστωσαν ότι πέτυχε 70,3 τοις εκατό μεγαλύτερη μείωση της συστολικής αρτηριακής πίεσης από την τυπική περίθαλψη και απέδωσε 7,08 τοις εκατό καλύτερα από το δεύτερο καλύτερο μοντέλο. Ο αλγόριθμος επικυρώθηκε κλινικά, με τους ερευνητές να εξετάζουν χειροκίνητα ένα τυχαίο δείγμα 350 περιπτώσεων.
Το μοντέλο έδειξε επίσης τα οφέλη της περιγραφής—μείωσης ή διακοπής των συνταγών για ορισμένους ασθενείς που λαμβάνουν πολλαπλά φάρμακα. Σύμφωνα με την ερευνητική ομάδα, επειδή ο αλγόριθμος παρέχει στους γιατρούς πολλές προτεινόμενες βέλτιστες θεραπείες, θα μπορούσε να δώσει πολύτιμες πληροφορίες όταν η ιατρική κοινότητα διχάζεται ως προς την αποτελεσματικότητα ενός φαρμάκου έναντι ενός άλλου, μια κατάσταση γνωστή ως κλινική ισορροπία. Η εξατομικευμένη ιατρική και μοντέλα όπως αυτό είναι μια ευκαιρία για την καλύτερη εξυπηρέτηση πληθυσμών που δεν εκπροσωπούνται απαραίτητα καλά στις εθνικές μελέτες ή δεν ελήφθησαν υπόψη κατά τη σύνταξη των κατευθυντήριων γραμμών.