Ωστόσο, πρέπει να λαμβάνεται μέριμνα κατά την ανάπτυξη των μοντέλων ώστε να διασφαλίζεται ότι είναι δίκαια, αμερόληπτα και πρακτικά και ότι τα αποτελέσματά τους παραμένουν αναπαραγώγιμα», είπε ο Χοτζάντι.
Al: Η σήψη που αποκτάται σε κλινικά περιβάλλοντα απειλεί τις ζωές δεκάδων εκατομμυρίων ανθρώπων παγκοσμίως κάθε χρόνο. Η κατάσταση, κατά την οποία το σώμα ανταποκρίνεται σε μια λοίμωξη με την ουσιαστική υπερένταση, επιτίθεται κατά λάθος στο σώμα απελευθερώνοντας με υπερβολικό ζήλο χημικές ουσίες για να το υπερασπιστεί.
Μια μελέτη του Παγκόσμιου Οργανισμού Υγείας διαπίστωσε ότι περισσότεροι από 44 εκατομμύρια άνθρωποι είχαν σήψη το 2017, προκαλώντας 11 εκατομμύρια θανάτους που σχετίζονται με σήψη και οδήγησαν σε άλλα σημαντικά ανεπιθύμητα συμβάντα, όπως ακρωτηριασμούς άκρων. Η σήψη είναι θεραπεύσιμη εάν εντοπιστεί έγκαιρα, αλλά πολλοί ασθενείς δεν παρουσιάζουν σημάδια της πάθησης μέχρι να είναι πολύ αργά στον κύκλο για να θεραπευτεί αποτελεσματικά και γρήγορα. «Πρέπει να το πιάσεις νωρίς», είπε η Anahita Khojandi, Υπότροφος του Τμήματος Επιχειρήσεων και Μηχανικής Health Edowed(Health Edowed Faculty Fellow in Business and Engineering) και αναπληρώτρια καθηγήτρια στο Τμήμα Μηχανικής Βιομηχανίας και Συστημάτων στο Πανεπιστήμιο του Tennessee, Knoxville. “Με τα νέα μας προγνωστικά εργαλεία, πιστεύουμε ότι οι επαγγελματίες υγείας θα είναι σε θέση να το πιάσουν τουλάχιστον τέσσερις έως έξι ώρες νωρίτερα, οδηγώντας σε πιο αποτελεσματική θεραπεία και καλύτερα αποτελέσματα για την υγεία. Αυτό μπορεί να μην ακούγεται πολύς χρόνος, αλλά η σήψη κινείται έτσι γρήγορα, τέσσερις έως έξι ώρες θα μπορούσαν να είναι η διαφορά μεταξύ ζωής και θανάτου». Η Khojandi και μια διεπιστημονική ομάδα ερευνητών από το UT υπέθεσαν ότι δημιουργώντας σύνολα δεδομένων που αναπτύχθηκαν από ηλεκτρονικά αρχεία υγείας και αναλύοντάς τα για πρότυπα μεταξύ ασθενών που αργότερα ανέπτυξαν σήψη, θα μπορούσαν να προβλέψουν την έναρξη της πάθησης. Ένας συνάδελφος του ISE —Xueping Li, Μέλος του Τμήματος Dan Doulet και καθηγητής— μπόρεσε να συνδέσει την ομάδα με ένα αρχικό σύνολο κατόχων δεδομένων για να ξεκινήσει. «Είχε έναν συνάδελφο στο Κέντρο Καινοτομίας Συστημάτων Υγείας στο Πολιτειακό Πανεπιστήμιο της Οκλαχόμα που είχε πρόσβαση σε δεδομένα ηλεκτρονικών αρχείων υγείας που χρειαζόμασταν για να ξεκινήσουμε σε αυτό το ταξίδι κατασκευής μοντέλων για έγκαιρη πρόβλεψη σήψης», είπε ο Χοτζάντι. “Από εκεί, αρχίσαμε να μαθαίνουμε περισσότερα για τη δύναμη των δεδομένων ηλεκτρονικών αρχείων υγείας και τις πιθανές ελλείψεις τους. Μπορέσαμε να αποκτήσουμε πρόσβαση σε πρόσθετα σύνολα δεδομένων και να πραγματοποιήσουμε μια σειρά μελετών, κάθε κτίριο στο προηγούμενο, μέχρι να μπορέσουμε τελικά να αντιμετωπίσουμε το πρόβλημα με ολιστικό τρόπο». Μία από τις βασικές αρχικές ελλείψεις ήταν η έλλειψη ευαισθησίας σε ορισμένους από τους ηλεκτρονικούς φακέλους υγείας.
Ευτυχώς, ο Διοικητής του Εθνικού Εργαστηρίου UT–Oak Ridge για τη Βιοϊατρική Πληροφορική, Robert Davis στο Κέντρο Επιστημών Υγείας του UT, μπόρεσε να βοηθήσει την ομάδα να αντιμετωπίσει αυτή τη βασική πρόκληση παρέχοντας στον Khojandi ένα νέο σύνολο δεδομένων ζωτικής σημασίας για τους ασθενείς, όπως ο καρδιακός ρυθμός και το αναπνευστικό ποσοστό, που συλλέγεται συνεχώς από οθόνες ΜΕΘ. Το νέο σύνολο δεδομένων επέτρεψε στην ομάδα να αναπτύξει ένα ισχυρό πλαίσιο τεχνητής νοημοσύνης αξιοποιώντας μοντελοποίηση βασισμένη σε χρονικές σειρές και διαδοχικές προσεγγίσεις λήψης αποφάσεων. Στην τελευταία τους εργασία, έχουν αναπτύξει μια νέα προσέγγιση που επιτρέπει στο μοντέλο AI να κρυφοκοιτάξει την κρυφή κατάσταση της υγείας ενός ασθενούς σε πραγματικό χρόνο, λαμβάνοντας παράλληλα υπόψη την υποκείμενη εξέλιξη της νόσου του ασθενούς. Το μοντέλο μπορεί στη συνέχεια να δημιουργήσει μια ακριβή εικόνα της κατάστασης του ασθενούς, βελτιώνοντας τη διαδικασία λήψης αποφάσεων. Η Khojandi είπε ότι η συνεργασία είναι εξαιρετικά σημαντική για την επιτυχία της, καθώς τα δύσκολα προβλήματα απαιτούν συχνά πολυεπιστημονική τεχνογνωσία και μεθόδους. Πρόσθεσε ότι ερευνητές από τη μηχανική, τα μαθηματικά και την υγειονομική περίθαλψη – συμπεριλαμβανομένων γιατρών και νοσηλευτών, κοινωνικών λειτουργών και άλλων επαγγελματιών – πρέπει να συνεργαστούν για να βεβαιωθούν ότι εξετάζουν τα προβλήματα ολιστικά προκειμένου να αναπτύξουν αποτελεσματικές λύσεις.
Μελλοντικές οδηγίες για AI
Το έργο σήψης καταδεικνύει τη δυνητική δύναμη της τεχνητής νοημοσύνης σε ιατρικές εφαρμογές. Η Khojandi συνεργάζεται τώρα με νέους συνεργάτες για να εφαρμόσει την τεχνογνωσία και τα εργαλεία της για την επίλυση διαφορετικών προβλημάτων. Συνεργάζεται με τον Βασίλειο Μαρούλα, βοηθό αντικαγκελάριο, αναπληρωτή διευθυντή του AI Tennessee Initiative και καθηγητή μαθηματικών, και τον Scott Emrich, αναπληρωτή καθηγητή πληροφορικής. Αξιοποιούν δεδομένα σε ηλεκτρονικά αρχεία υγείας, συμπεριλαμβανομένων φυσιολογικών και απεικονιστικών δεδομένων, για να αναπτύξουν μοντέλα που βοηθούν στον προγραμματισμό της θεραπείας. Για παράδειγμα, ο Maroulas και ο Khojandi συνεργάζονται με τους Jason Buehler και Patrick McFarland στο Τμήμα Αναισθησιολογίας του Ιατρικού Κέντρου UT για την ανάπτυξη μοντέλων AI που μπορούν να προβλέψουν την επαγόμενη από οπιοειδή αναπνευστική ανεπάρκεια σε ασθενείς σε νοσοκομειακά περιβάλλοντα. Συνεργάζονται επίσης με τον Στέφανο Μπουκοβάλα και τον Devin Clegg από το Τμήμα Χειρουργικής στο UTMC για να προβλέψουν τον κίνδυνο λεμφοιδήματος μετά από καρκίνο του μαστού και να εντοπίσουν πρόσθετους παράγοντες που θα βοηθήσουν στον σχεδιασμό της θεραπείας.
Ο Emrich και η Khojandi συνεργάζονται με τους Jill Maples, Kimberly Fortner, Nikki Zite και Callie Reeder—όλα από το Τμήμα Μαιευτικής και Γυναικολογίας στο UTMC—για να χρησιμοποιήσουν την τεχνητή νοημοσύνη για τη βελτίωση της φροντίδας της μητέρας και του εμβρύου. Εκτός από τις θέσεις τους στο UTMC, οι Buehler, Boukovalas, Clegg, Maples, Zite και Reeder είναι επίσης μέλη ΔΕΠ του Ιατρικού Κολλεγίου του Κέντρου Επιστημών Υγείας UT (UT Health Science Center). “Συνολικά, πιστεύω ειλικρινά ότι τα μοντέλα μας μπορούν να φέρουν επανάσταση στην υγεία και την υγειονομική περίθαλψη και να παρέχουν μεγάλη υποστήριξη στους επαγγελματίες υγείας που φροντίζουν ασθενείς δίπλα στο κρεβάτι. Ωστόσο, πρέπει να λαμβάνεται μέριμνα κατά την ανάπτυξη των μοντέλων ώστε να διασφαλίζεται ότι είναι δίκαια, αμερόληπτα και πρακτικά και ότι τα αποτελέσματά τους παραμένουν αναπαραγώγιμα», είπε ο Χοτζάντι. «Έχουμε λοιπόν πολύ δρόμο μπροστά μας, αλλά είμαι αισιόδοξος και ενθουσιασμένος για το τι επιφυλάσσει το μέλλον». Αν και η μελέτη είναι μόνο το πρώτο βήμα, έχει δημιουργήσει τα θεμέλια για μελλοντικές επιτυχίες — όλα γίνονται δυνατά από το πνεύμα της συνεργασίας και τη δέσμευση να διασφαλιστεί ότι η έρευνα του UT κάνει τη ζωή και τις ανθρώπινες συνθήκες καλύτερες.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον ΚόσμοΑκολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
