Ωστόσο, το μοτίβο και η αλληλουχία με την οποία συμβαίνουν με την πάροδο του χρόνου προσφέρουν ενδείξεις για ένα μοντέλο παρακολούθησης με βάση την τεχνητή νοημοσύνη και θα μπορούσαν να ωθήσουν τους γιατρούς να παρακολουθούν στενότερα τα άτομα με αυξημένο κίνδυνο ή να κάνουν ανάλογες εξετάσεις.
Καρκίνος του Παγκρέατος: Εργαλείο τεχνητής νοημοσύνης εντόπισε με επιτυχία άτομα με τον υψηλότερο κίνδυνο για καρκίνο του παγκρέατος έως και τρία χρόνια πριν από τη διάγνωση, χρησιμοποιώντας αποκλειστικά τα ιατρικά αρχεία των ασθενών, σύμφωνα με νέα έρευνα με επικεφαλής ερευνητές της Ιατρικής Σχολής του Χάρβαρντ και του Πανεπιστημίου της Κοπεγχάγης, σε συνεργασία με το VA Σύστημα υγειονομικής περίθαλψης Βοστόνης, το Ινστιτούτο Καρκίνου Dana-Farber και τη Σχολή Δημόσιας Υγείας T.H. Chan του Χάρβαρντ. Τα ευρήματα, που δημοσιεύθηκαν στις 8 Μαΐου στο Nature Medicine, υποδηλώνουν ότι ο πληθυσμιακός έλεγχος με βάση την τεχνητή νοημοσύνη θα μπορούσε να είναι πολύτιμος για την ανεύρεση ατόμων με αυξημένο κίνδυνο για τη νόσο και θα μπορούσε να επιταχύνει τη διάγνωση μιας πάθησης που πολύ συχνά εντοπίζεται σε προχωρημένα στάδια, όταν η θεραπεία είναι λιγότερο αποτελεσματική και τα αποτελέσματα είναι θλιβερά, δήλωσαν οι ερευνητές. Ο καρκίνος του παγκρέατος είναι ένας από τους πιο θανατηφόρους καρκίνους στον κόσμο και ο απολογισμός του προβλέπεται να αυξηθεί.
Επί του παρόντος, δεν υπάρχουν πληθυσμιακά εργαλεία για την ευρεία εξέταση του καρκίνου του παγκρέατος. Όσοι έχουν οικογενειακό ιστορικό και ορισμένες γενετικές μεταλλάξεις που τους προδιαθέτουν για καρκίνο του παγκρέατος ελέγχονται στοχευμένα. Αλλά αυτές οι στοχευμένες εξετάσεις μπορεί να χάσουν άλλες περιπτώσεις που δεν εμπίπτουν σε αυτές τις κατηγορίες, δήλωσαν οι ερευνητές. “Μία από τις πιο σημαντικές αποφάσεις που αντιμετωπίζουν καθημερινά οι κλινικοί γιατροί είναι ποιος διατρέχει υψηλό κίνδυνο για μια ασθένεια και ποιος θα ωφεληθεί από περαιτέρω εξετάσεις, οι οποίες μπορεί, επίσης, να σημαίνουν πιο επεμβατικές και πιο δαπανηρές διαδικασίες που ενέχουν τους δικούς τους κινδύνους”, δήλωσε ο συν-ερευνητής της μελέτης Chris Sander, μέλος ΔΕΠ στο Τμήμα Βιολογίας Συστημάτων στο Ινστιτούτο Blavatnik του HMS. “Ένα εργαλείο τεχνητής νοημοσύνης που μπορεί να μηδενίσει τους ανθρώπους με τον υψηλότερο κίνδυνο για καρκίνο του παγκρέατος, οι οποίοι θα μπορούσαν να ωφεληθούν περισσότερο από περαιτέρω εξετάσεις, θα μπορούσε να συμβάλει σε μεγάλο βαθμό στη βελτίωση της λήψης κλινικών αποφάσεων”. Εφαρμοσμένη σε κλίμακα, πρόσθεσε ο Sander, μια τέτοια προσέγγιση θα μπορούσε να επιταχύνει την ανίχνευση του καρκίνου του παγκρέατος, να οδηγήσει σε πρώιμη θεραπεία, να βελτιώσει τα αποτελέσματα και να παρατείνει τη διάρκεια ζωής των ασθενών. “Πολλοί τύποι καρκίνου, ιδίως εκείνοι που είναι δύσκολο να εντοπιστούν και να αντιμετωπιστούν νωρίς, ασκούν δυσανάλογο φόρο στους ασθενείς, τις οικογένειες και το σύστημα υγειονομικής περίθαλψης στο σύνολό του”, δήλωσε ο συν-ερευνητής της μελέτης Søren Brunak, καθηγητής βιολογίας συστημάτων ασθενειών και διευθυντής έρευνας στο Κέντρο Πρωτεϊνικής Έρευνας του Ιδρύματος Novo Nordisk στο Πανεπιστήμιο της Κοπεγχάγης. “Ο έλεγχος με βάση την τεχνητή νοημοσύνη αποτελεί μια ευκαιρία να αλλάξει η πορεία του καρκίνου του παγκρέατος, μιας επιθετικής νόσου που είναι γνωστό ότι είναι δύσκολο να διαγνωστεί νωρίς και να αντιμετωπιστεί άμεσα, όταν οι πιθανότητες επιτυχίας είναι υψηλότερες”.
Στη νέα μελέτη, ο αλγόριθμος τεχνητής νοημοσύνης εκπαιδεύτηκε σε δύο ξεχωριστά σύνολα δεδομένων συνολικού αριθμού 9 εκατομμυρίων αρχείων ασθενών από τη Δανία και τις Ηνωμένες Πολιτείες. Οι ερευνητές “ζήτησαν” από το μοντέλο τεχνητής νοημοσύνης να αναζητήσει προδοτικά σημάδια με βάση τα δεδομένα που περιείχαν τα αρχεία. Με βάση συνδυασμούς κωδικών ασθενειών και τον χρόνο εμφάνισής τους, το μοντέλο μπόρεσε να προβλέψει ποιοι ασθενείς είναι πιθανό να αναπτύξουν καρκίνο του παγκρέατος στο μέλλον. Αξίζει να σημειωθεί ότι πολλά από τα συμπτώματα και τους κωδικούς ασθενειών δεν σχετίζονταν άμεσα με το πάγκρεας ή δεν προέρχονταν από αυτό. Οι ερευνητές δοκίμασαν διαφορετικές εκδόσεις των μοντέλων τεχνητής νοημοσύνης ως προς την ικανότητά τους να εντοπίζουν άτομα με αυξημένο κίνδυνο ανάπτυξης νόσου σε διαφορετικές χρονικές κλίμακες – 6 μήνες, ένα έτος, δύο έτη και τρία έτη. Συνολικά, κάθε έκδοση του αλγορίθμου τεχνητής νοημοσύνης ήταν σημαντικά πιο ακριβής στην πρόβλεψη των ατόμων που θα αναπτύξουν καρκίνο του παγκρέατος από τις τρέχουσες εκτιμήσεις της επίπτωσης της νόσου σε επίπεδο πληθυσμού – που ορίζεται ως το πόσο συχνά αναπτύσσεται μια πάθηση σε έναν πληθυσμό σε μια συγκεκριμένη χρονική περίοδο. Οι ερευνητές δήλωσαν ότι πιστεύουν ότι το μοντέλο είναι τουλάχιστον εξίσου ακριβές στην πρόβλεψη της εμφάνισης της νόσου με τις τρέχουσες δοκιμές γενετικής αλληλουχίας που είναι συνήθως διαθέσιμες μόνο για ένα μικρό υποσύνολο ασθενών σε σύνολα δεδομένων.
Το “θυμωμένο όργανο”
Ο προσυμπτωματικός έλεγχος για ορισμένους κοινούς καρκίνους, όπως αυτοί του μαστού, του τραχήλου της μήτρας και του προστάτη, βασίζεται σε σχετικά απλές και εξαιρετικά αποτελεσματικές τεχνικές – μια μαστογραφία, ένα επίχρισμα Παπανικολάου και μια εξέταση αίματος, αντίστοιχα. Αυτές οι μέθοδοι διαλογής έχουν μεταμορφώσει τα αποτελέσματα αυτών των ασθενειών εξασφαλίζοντας την έγκαιρη ανίχνευση και παρέμβαση κατά τα πιο θεραπεύσιμα στάδια. Συγκριτικά, ο καρκίνος του παγκρέατος είναι δυσκολότερο και ακριβότερο να ανιχνευθεί και να εξεταστεί. Οι γιατροί εξετάζουν, κυρίως, το οικογενειακό ιστορικό και την παρουσία γενετικών μεταλλάξεων, τα οποία, αν και αποτελούν σημαντικούς δείκτες μελλοντικού κινδύνου, συχνά χάνουν πολλούς ασθενείς. Ένα ιδιαίτερο πλεονέκτημα του εργαλείου τεχνητής νοημοσύνης είναι ότι θα μπορούσε να χρησιμοποιηθεί σε όλους και όλες τους ασθενείς για τους οποίους υπάρχουν διαθέσιμα αρχεία υγείας και ιατρικό ιστορικό, όχι μόνο σε εκείνους με γνωστό οικογενειακό ιστορικό ή γενετική προδιάθεση για τη νόσο. Αυτό είναι ιδιαίτερα σημαντικό, προσθέτουν οι ερευνητές, επειδή πολλοί ασθενείς υψηλού κινδύνου μπορεί να μην γνωρίζουν καν τη γενετική τους προδιάθεση ή το οικογενειακό τους ιστορικό. Ελλείψει συμπτωμάτων και χωρίς σαφή ένδειξη ότι κάποιος διατρέχει υψηλό κίνδυνο για καρκίνο του παγκρέατος, οι κλινικοί γιατροί μπορεί δικαιολογημένα να είναι επιφυλακτικοί στο να συστήσουν πιο εξελιγμένες και πιο δαπανηρές εξετάσεις, όπως αξονικές τομογραφίες, μαγνητικές τομογραφίες ή ενδοσκοπικό υπερηχογράφημα. Όταν χρησιμοποιούνται αυτές οι εξετάσεις και ανακαλύπτονται ύποπτες βλάβες, ο ασθενής πρέπει να υποβληθεί σε διαδικασία βιοψίας. Τοποθετημένο βαθιά μέσα στην κοιλιά, το όργανο είναι δύσκολα προσβάσιμο και εύκολο να προκληθεί και να φλεγμανθεί. Η ευερεθιστότητά του έχει κερδίσει το προσωνύμιο “το θυμωμένο όργανο”.
Ένα εργαλείο τεχνητής νοημοσύνης που θα εντοπίζει όσους διατρέχουν τον υψηλότερο κίνδυνο για καρκίνο του παγκρέατος θα διασφαλίσει ότι οι κλινικοί γιατροί θα εξετάζουν τον σωστό πληθυσμό, ενώ θα γλιτώσουν άλλους από περιττές εξετάσεις και πρόσθετες διαδικασίες, δήλωσαν οι ερευνητές. Περίπου το 44% των ανθρώπων που διαγιγνώσκονται στα αρχικά στάδια του καρκίνου του παγκρέατος επιβιώνουν πέντε χρόνια μετά τη διάγνωση, αλλά μόνον το 12% των περιπτώσεων διαγιγνώσκονται τόσο νωρίς. Το ποσοστό επιβίωσης πέφτει στο 2 έως 9 τοις εκατό σε εκείνους των οποίων οι όγκοι έχουν αναπτυχθεί πέρα από το σημείο προέλευσής τους, εκτιμούν οι ερευνητές. “Αυτό το χαμηλό ποσοστό επιβίωσης συμβαίνει παρά τις σημαντικές προόδους στις χειρουργικές τεχνικές, τη χημειοθεραπεία και την ανοσοθεραπεία”, δήλωσε ο Sander. “Έτσι, εκτός από τις εξελιγμένες θεραπείες, υπάρχει σαφής ανάγκη για καλύτερο έλεγχο, πιο στοχευμένες εξετάσεις και έγκαιρη διάγνωση, και σε αυτό το σημείο έρχεται η προσέγγιση με βάση την τεχνητή νοημοσύνη ως το πρώτο κρίσιμο βήμα σε αυτό το συνεχές”.
Προηγούμενες διαγνώσεις προμηνύουν μελλοντικό κίνδυνο
Για την τρέχουσα μελέτη, οι ερευνητές σχεδίασαν διάφορες εκδοχές του μοντέλου τεχνητής νοημοσύνης και τις εκπαίδευσαν στα αρχεία υγείας 6,2 εκατομμυρίων ασθενών από το εθνικό σύστημα υγείας της Δανίας που κάλυπταν 41 χρόνια. Από αυτούς τους ασθενείς, 23.985 εμφάνισαν καρκίνο του παγκρέατος με την πάροδο του χρόνου. Κατά τη διάρκεια της εκπαίδευσης, ο αλγόριθμος διέκρινε μοτίβα ενδεικτικά του μελλοντικού κινδύνου εμφάνισης καρκίνου του παγκρέατος με βάση τις τροχιές της νόσου, δηλαδή αν ο ασθενής είχε ορισμένες παθήσεις που εμφανίστηκαν με ορισμένη αλληλουχία με την πάροδο του χρόνου. Για παράδειγμα, διαγνώσεις, όπως, χολόλιθοι, αναιμία, διαβήτης τύπου 2 και άλλα προβλήματα που σχετίζονται με το γαστρεντερικό σύστημα προμήνυαν μεγαλύτερο κίνδυνο για καρκίνο του παγκρέατος εντός 3 ετών από την αξιολόγηση. Λιγότερο αναπάντεχα, η φλεγμονή του παγκρέατος ήταν ισχυρή πρόβλεψη για μελλοντικό καρκίνο του παγκρέατος εντός ακόμη μικρότερου χρονικού διαστήματος δύο ετών. Οι ερευνητές προειδοποιούν ότι καμία από αυτές τις διαγνώσεις από μόνη της δεν πρέπει να θεωρείται ενδεικτική ή αιτιολογική για μελλοντικό καρκίνο του παγκρέατος. Ωστόσο, το μοτίβο και η αλληλουχία με την οποία συμβαίνουν με την πάροδο του χρόνου προσφέρουν ενδείξεις για ένα μοντέλο παρακολούθησης με βάση την τεχνητή νοημοσύνη και θα μπορούσαν να ωθήσουν τους γιατρούς να παρακολουθούν στενότερα τα άτομα με αυξημένο κίνδυνο ή να κάνουν ανάλογες εξετάσεις.
Στη συνέχεια, οι ερευνητές δοκίμασαν τον αλγόριθμο με τις καλύτερες επιδόσεις σε ένα εντελώς νέο σύνολο αρχείων ασθενών που δεν είχε συναντήσει προηγουμένως – ένα σύνολο δεδομένων της Διοίκησης Υγείας Βετεράνων των ΗΠΑ με σχεδόν 3 εκατομμύρια αρχεία που καλύπτουν 21 χρόνια και περιέχουν 3.864 άτομα που διαγνώστηκαν με καρκίνο του παγκρέατος. Η ακρίβεια πρόβλεψης του εργαλείου ήταν κάπως χαμηλότερη στο σύνολο δεδομένων των ΗΠΑ. Αυτό οφείλεται πιθανότατα στο γεγονός ότι το σύνολο δεδομένων των ΗΠΑ συλλέχθηκε για μικρότερο χρονικό διάστημα και περιείχε κάπως διαφορετικό προφίλ του πληθυσμού των ασθενών – ολόκληρο τον πληθυσμό της Δανίας στο σύνολο δεδομένων της Δανίας σε σχέση με το νυν και πρώην στρατιωτικό προσωπικό στο σύνολο δεδομένων των Υποθέσεων Βετεράνων. Όταν ο αλγόριθμος εκπαιδεύτηκε εκ νέου από την αρχή στο σύνολο δεδομένων των ΗΠΑ, η ακρίβεια πρόβλεψής του βελτιώθηκε. Αυτό, δήλωσαν οι ερευνητές, υπογραμμίζει δύο σημαντικά σημεία: Πρώτον, τη διασφάλιση ότι τα μοντέλα τεχνητής νοημοσύνης εκπαιδεύονται σε υψηλής ποιότητας και πλούσια δεδομένα. Δεύτερον, την ανάγκη πρόσβασης σε μεγάλα αντιπροσωπευτικά σύνολα δεδομένων κλινικών αρχείων συγκεντρωμένων σε εθνικό και διεθνές επίπεδο. Ελλείψει τέτοιων παγκοσμίως έγκυρων μοντέλων, τα μοντέλα τεχνητής νοημοσύνης θα πρέπει να εκπαιδεύονται σε τοπικά δεδομένα υγείας, ώστε να διασφαλίζεται ότι η εκπαίδευσή τους αντικατοπτρίζει τις ιδιαιτερότητες των τοπικών πληθυσμών.
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
