Καθώς οι μονάδες εντατικής θεραπείας (ΜΕΘ) φτάνουν στα όρια της πληρότητάς τους σε πολλά μέρη του κόσμου, οι γιατροί καλούνται να λαμβάνουν σκληρές αποφάσεις σχετικά με το ποιος παίρνει κρεβάτι σε αυτές και ποιος όχι, εν μέσω παγκόσμιας πανδημίας.
Αν και οι περισσότεροι άνθρωποι που περνάνε την COVID-19 τελικά ανακάμπτουν, μερικοί μπορούν να αναπτύξουν σοβαρή πνευμονία με γρήγορο ρυθμό που προκαλεί διάχυτη βλάβη, οξεία πνευμονική ανεπάρκεια, ακόμη και θάνατο.
Τώρα, ένας νέος αλγόριθμος μηχανικής εκμάθησης (σ.σ. σύστημα τεχνητής νοημοσύνης) θα μπορούσε να μας βοηθήσει να καταλάβουμε ποιος κινδυνεύει περισσότερο, έτσι ώστε να μπορούμε να παρέμβουμε εγκαίρως και να σώσουμε τη ζωή του.
Οι πρόσφατες προσεγγίσεις μηχανικής μάθησης τείνουν να βασίζονται αποκλειστικά σε σάρωση στο στήθος για να προβλέψουν ποιος μπορεί να χρειαστεί νοσηλεία σε ΜΕΘ. Οι αλγόριθμοι αναζητούν στις σαρώσεις ανωμαλίες στους πνεύμονες και μπορούν να ανιχνεύσουν την πνευμονία που σχετίζεται με την COVID-19 με περίπου 90% ακρίβεια.
Αλλά αυτό που δεν μπορούν να μας πουν αυτές οι σαρώσεις με την ίδια ακρίβεια είναι το πόσο σοβαρές μπορεί να γίνουν αυτές οι περιπτώσεις και ποιος είναι ο πιο ευάλωτος.
Ο νέος αλγόριθμος πηγαίνει ένα βήμα παραπέρα, συνδυάζοντας σαρώσεις στο στήθος με δεδομένα μη απεικόνισης, όπως δημογραφικές πληροφορίες, ζωτικά σημεία και καλλιέργεια αίματος. Και είναι το καλύτερο εργαλείο που έχουμε μέχρι στιγμής, για να προβλέψουμε το πότε κάποιος θα χρειαστεί εισαγωγή σε ΜΕΘ.
Για να είμαστε δίκαιοι, η προσέγγιση έχει δοκιμαστεί μόνο χρησιμοποιώντας δεδομένα υγείας από 295 ασθενείς, που νοσηλεύτηκαν με COVID-19 στις Ηνωμένες Πολιτείες, στο Ιράν και στην Ιταλία.
Αλλά ακόμη και σε αυτά τα πρώτα στάδια, το νέο σύστημα τεχνητής νοημοσύνης μπόρεσε να προβλέψει το 96% όλων των περιπτώσεων COVID-19 που θα χρειάστηκαν εισαγωγή σε ΜΕΘ, σύμφωνα με σχετική έρευνα.
Ο μηχανικός Pingkun Yan από το Πολυτεχνικό Ινστιτούτο Rensselaer υποστηρίζει ότι “η τεχνητή νοημοσύνη μας επιτρέπει να αναλύσουμε μια μεγάλη ποσότητα δεδομένων και επίσης να εξαγάγουμε στοιχεία που μπορεί να μην είναι τόσο προφανή στο ανθρώπινο μάτι”.
Κατά τη διάρκεια μιας παγκόσμιας πανδημίας, αυτό το είδος γνώσης είναι ανεκτίμητο και δυνητικά σωτήριο. Όσοι αναπτύσσουν πιο σοβαρές περιπτώσεις πνευμονίας λόγω COVID-19 πρέπει να έχουν ορισμένα κοινά χαρακτηριστικά. Η εύρεση των σωστών γίνεται πολύ πιο γρήγορα από μια έξυπνη μηχανή από ό,τι από έναν άνθρωπο.
Ήδη, εργαλεία μηχανικής μάθησης έχουν χρησιμοποιηθεί για να εκτιμηθεί ποια σημάδια είναι πιο πιθανό να προβλέψουν τη θνησιμότητα από COVID-19.
Τα αρχικά ευρήματα δείχνουν ότι η χρήση του αναπνευστήρα και τα επίπεδα καλίου είναι οι πιο σημαντικές μεταβλητές από μη-απεικόνιση, αν και έχουν εντοπιστεί και άλλοι συντελεστές, συμπεριλαμβανομένων του επιπέδου λεμφοκυττάρων, της συνολικής χολερυθρίνης, της κρεατινίνης και των επιπέδων λευκωματίνης.
Μία μελέτη βρήκε, ότι ακόμη και από μόνα τους, μερικά δεδομένα μη-απεικόνισης, όπως η ηλικία, ο πυρετός και η ανώμαλη αναπνοή, θα μπορούσαν να προβλέψουν εάν ένας ασθενής με COVID-19 πρέπει να εισαχθεί σε ΜΕΘ.
Ο νέος αλγόριθμος συνδυάζει και τις δύο προσεγγίσεις:
- Πρώτον, ποσοτικοποιεί την έκταση και τον όγκο των πνευμονικών χαρακτηριστικών.
- Στη συνέχεια, επικεντρώνεται σε εκείνα τα χαρακτηριστικά που είναι πιο σημαντικά στην πρόβλεψη της πνευμονίας COVID-19.
- Τέλος, χρησιμοποιεί άλλους παράγοντες με βάση τα συμφραζόμενα, για να προβλέψει ποια περιστατικά θα αποδειχθούν τα πιο σοβαρά.
“Από όσα γνωρίζουμε, αυτή είναι η πρώτη μελέτη που χρησιμοποιεί ολιστικές πληροφορίες ενός ασθενούς, συμπεριλαμβανομένων τόσο δεδομένων απεικόνισης όσο και δεδομένων μη απεικόνισης για πρόβλεψη αποτελεσμάτων”, ισχυρίζονται οι συγγραφείς.
Η ομάδα ελπίζει με περαιτέρω βελτίωση, το εν λόγω σύστημα τεχνητής νοημοσύνης μπορεί μια μέρα να χρησιμοποιηθεί για την αξιολόγηση ασθενών υψηλού κινδύνου με πνευμονία COVID-19, οι οποίοι χρειάζονται στενότερη παρακολούθηση και φροντίδα.
Αν και οι ερευνητές δεν εξέτασαν το πώς συγκρίνεται η πνευμονία από COVID-19 με άλλες αναπνευστικές παθήσεις, οι ευρείες ομοιότητες στην πνευμονική δυσφορία υποδηλώνουν ότι ο εν λόγω αλγόριθμος μπορεί να αποδειχθεί χρήσιμος ακόμη και όταν η πανδημία τελειώσει.
Η μελέτη δημοσιεύτηκε στο Medical Image Analysis.
Πηγή: iatropedia.gr
