Για έως και 30% των ασθενών που είναι αλλεργικοί στην ιατρική σκιαγραφική χρωστική ή έχουν περιορισμό της βαφής λόγω άλλων καταστάσεων υγείας, μπορεί να διαπιστώσουν ότι χρειάζεται περισσότερος χρόνος για να λάβουν τη διάγνωση όταν πρόκειται για απειλητικά για τη ζωή πνευμονικά προβλήματα, όπως η πνευμονική εμβολή. Αυτό οφείλεται στο γεγονός ότι οι μέθοδοι απεικόνισης που ανιχνεύουν προβλήματα στους πνεύμονες αλλά δεν χρησιμοποιούν βαφή αντίθεσης δεν είναι τόσο ακριβείς και μπορεί να είναι πιο χρονοβόρες για τη χορήγηση.
Τώρα, νέο λογισμικό απεικόνισης, που αναπτύχθηκε από τον πνευμονολόγο Girish Nair, M.D., με το Corewell Health William Beaumont University Hospital στο Royal Oak, Michigan, και τον βιοϊατρικό μηχανικό Edward Castillo, Ph.D., με το Πανεπιστήμιο του Τέξας στο Austin, απευθύνεται στη βιομηχανία – ευρύ πρόβλημα και παροχή στους ασθενείς μιας πιο αξιόπιστης εναλλακτικής λύσης με ταχύτερες, πιο εκ των προτέρων διαγνώσεις.
Το CT-Derived Functional Imaging, ή CTFI, είναι ένα πρόγραμμα λογισμικού υπολογιστικής τομογραφίας που παίρνει πολύπλοκα μαθηματικά, τα τοποθετεί σε μια φόρμουλα που ονομάζεται Integrated Jacobian Formulation και υπολογίζει γρήγορα τις σημαντικές αλλαγές στον όγκο των πνευμόνων καθώς ο ασθενής εισπνέει και εκπνέει. Η μέθοδος μετρά επίσης τις αλλαγές στη μάζα του αίματος καθώς ένας ασθενής εισπνέει και εκπνέει ενώ βρίσκεται σε χαλαρή κατάσταση και το αίμα διοχετεύεται στους πνεύμονες.
Ως αποτέλεσμα, το πρόγραμμα λογισμικού βοηθά τους γιατρούς και τους ερευνητές να λαμβάνουν συνεπή δεδομένα ασθενών, οδηγώντας σε καλύτερες διαγνώσεις και λεπτομέρειες σχετικά με το πού να στοχεύσουν πιθανές θεραπείες—όλα χωρίς σκιαγραφική βαφή. Αλλά δεν βοηθά μόνο όσους δεν μπορούν να λάβουν σκιαγραφική χρωστική – βοηθά επίσης όλους τους ασθενείς με πνευμονικά προβλήματα όπως η χρόνια αποφρακτική πνευμονοπάθεια ή η ΧΑΠ και ο καρκίνος.
«Μέχρι τώρα, ένα σημαντικό πρόβλημα με τις εκτιμήσεις του όγκου των πνευμόνων από τις αξονικές τομογραφίες εισπνοής και εκπνοής ήταν ότι τα αποτελέσματα δεν μπορούσαν να αναπαραχθούν για μεμονωμένους ασθενείς», είπε ο Δρ Nair. «Με άλλα λόγια, αν κάνετε μια αξονική τομογραφία για να υπολογίσετε τις διαφορές όγκου στους πνεύμονες την πρώτη φορά και μετά προσπαθήσετε να την κάνετε ξανά, έχετε διαφορετικά αποτελέσματα κάθε φορά για τον ίδιο ασθενή, καθιστώντας τη διάγνωση και τη θεραπεία πιο δύσκολη.»
Σύμφωνα με τον Nair, η ακτινολογική ογκολογία είναι ένας τομέας όπου η ακρίβεια είναι ζωτικής σημασίας κατά τη θεραπεία ενός καρκινικού όγκου στους πνεύμονες. «Η κατευθυνόμενη ακτινοβολία για τη θεραπεία ενός όγκου είναι απαραίτητη και εάν ο ασθενής εισπνέει και εκπνέει, τότε ο όγκος φυσικά θα κινηθεί ή θα αλλάξει θέση», είπε ο Δρ Nair. «Αυτό μπορεί να έχει ως αποτέλεσμα η ακτινοβολία να εισέρχεται σε άλλες περιοχές του πνεύμονα και να προκαλεί δυνητικά περισσότερο κακό παρά καλό».
Χρησιμοποιώντας αυτή την πιο πρόσφατη τεχνολογία λογισμικού, οι ερευνητές έχουν δείξει ότι μπορούν να αποφύγουν ή να περιορίσουν την ακτινοβολία σε φυσιολογικές περιοχές του πνεύμονα που μπορεί να βρίσκονται δίπλα σε έναν όγκο κατά τη διάρκεια της θεραπείας. Ανακάλυψαν επίσης ότι η χρήση του λογισμικού μπορεί να βοηθήσει τους γιατρούς να ανιχνεύσουν την πνευμονική εμβολή μετρώντας και βρίσκοντας αλλαγές στη μάζα του αίματος με μια απλή αξονική τομογραφία χωρίς σκιαγραφικό, εισπνοή και εκπνοή.
«Αυτό είναι σημαντικό γιατί συνήθως όταν δεν μπορείτε να κάνετε έγχυση σκιαγραφικής χρωστικής, οι ασθενείς είτε αντιμετωπίζονται με παρατήρηση με φάρμακα που συνήθως μειώνουν τον κίνδυνο θρόμβων αίματος αλλά ενέχουν κίνδυνο αιμορραγίας ή πρέπει να υποβληθούν σε πυρηνικές σαρώσεις που είναι χρονοβόρες και μπορεί να περιλαμβάνουν η έγχυση ραδιενεργού φαρμάκου ή η εισπνοή συγκεκριμένου τύπου αερίου», είπε ο Δρ. “Η μέθοδός μας είναι ευκολότερη και δεν περιλαμβάνει κανένα από τα δύο.”
Αλλά τα οφέλη αυτού του λογισμικού δεν σταματούν εδώ. Νέα αποτελέσματα παρουσιάζονται στο ATS 2024 που δείχνουν πώς αυτό το νέο λογισμικό απεικόνισης μπορεί να προβλέψει την εξέλιξη της νόσου για ασθενείς με ΧΑΠ σε μια περίοδο 10 ετών, κάτι που δεν έχουν καταφέρει να κάνουν και οι τρέχουσες τεχνολογίες.
Σε μια αναδρομική ανάλυση μιας προοπτικής κοόρτης που περιλαμβάνει 8.583 ασθενείς με ΧΑΠ, η ερευνητική ομάδα διαπίστωσε ότι θα μπορούσαν:
- να βελτιώσουν το μοντέλο πρόβλεψης ασθενών που κινδυνεύουν να πεθάνουν με βάση τα αποτελέσματα αξονικής τομογραφίας εισπνοής-εκπνοής που ελήφθησαν κατά την έναρξη/εγγραφή
- να δείξουν την εξέλιξη της νόσου σε ασθενείς που υποβάλλονται σε θεραπεία και να καθορίσουν εάν η θεραπεία αποδίδει
- ασθενείς φαινοτύπου που μπορεί να διατρέχουν υψηλότερο κίνδυνο εξέλιξης της νόσου.
Επί του παρόντος, οι Castillo και Nair ηγούνται μιας ομάδας ερευνητών που εξετάζουν πώς ένα μοντέλο μηχανικής μάθησης που βασίζεται σε CTFI με αξονικές τομογραφίες μπορεί να αυξήσει την ακρίβεια και να συνεχίσει να βοηθά τους γιατρούς να εντοπίζουν καλύτερα τους ασθενείς που διατρέχουν κίνδυνο εξέλιξης της νόσου και να βελτιώσουν τα ποσοστά επιβίωσης της ΧΑΠ.
«Τελικά, ο στόχος είναι πάντα να διασφαλίζεται ότι οι γιατροί έχουν τα καλύτερα εργαλεία στη διάθεσή τους όταν θεραπεύουν ασθενείς», είπε ο Δρ Καστίγιο. «Η τεχνητή νοημοσύνη έχει τη δυνατότητα να προωθήσει σημαντικά το έργο μας προκειμένου να βελτιώσουμε την υγεία των ασθενών και να σώσουμε ζωές».