ΜΠΟΡΕΙ ΜΙΑ ΕΠΙΣΚΕΨΗ ΣΤΟΝ ΟΦΘΑΛΜΙΑΤΡΟ ΝΑ ΠΡΟΛΑΒΕΙ ΤΟ ΕΜΦΡΑΓΜΑ;

Πώς θα σου φαινόταν αν μια απλή επίσκεψη στον οφθαλμίατρο έδειχνε ότι πρέπει να δεις και καρδιολόγο, για να προλάβεις το έμφραγμα; Μπορεί να γίνει εφικτό, με τη χρήση τεχνητής νοημοσύνης.

O Παγκόσμιος Οργανισμός Υγείας ενημέρωσε τον περασμένο Ιούνιο πως «τα καρδιαγγειακά νοσήματα είναι η κύρια αιτία θανάτου, παγκοσμίως. Εκτιμάται πως το 2019 έχασαν τη ζωή τους από αυτά 17,9 εκατομμύρια άνθρωποι. Αριθμός που αντιστοιχούσε στο 32% όλων των θανάτων, σε όλον τον κόσμο. Το 85% αυτών οφείλονταν σε έμφραγμα και εγκεφαλικά. Τα στοιχεία δείχνουν και ότι τα 3/4 των θανάτων από καρδιαγγειακά νοσήματα συμβαίνουν σε χώρες χαμηλού και μεσαίου εισοδήματος».

Ο ΠΟΥ τόνιζε πως «οι περισσότερες καρδιαγγειακές παθήσεις μπορούν να προληφθούν, με την αντιμετώπιση συμπεριφορικών παραγόντων κινδύνου – όπως η χρήση καπνού, η ανθυγιεινή διατροφή, η παχυσαρκία, η σωματική αδράνεια και η επιβλαβής χρήση αλκοόλ. Είναι σημαντικό να εντοπιστεί η καρδιαγγειακή νόσος όσο το δυνατόν νωρίτερα, ώστε να μπορεί να ξεκινήσει η διαχείριση με συμβουλευτική και φάρμακα».

Και κάπου εδώ έρχεται να βοηθήσει την κατάσταση η τεχνητή νοημοσύνη.

Τον Ιανουάριο δημοσιεύτηκε στο ιατρικό περιοδικό Nature Machine Intelligence μελέτη που είχε ως τίτλο «Πρόβλεψη εμφράγματος του μυοκαρδίου, μέσω σαρώσεων αμφιβληστροειδούς και ελάχιστων προσωπικών πληροφοριών».

University of Leeds

Αυτό που ερεύνησαν οι επιστήμονες ήταν αν το σύστημα τεχνητής νοημοσύνης που δημιούργησαν μπορεί να αναλύσει «σκανάρισμα» του αμφιβληστροειδούς σε επίσκεψη ρουτίνας σε οφθαλμίατρο, ώστε να εντοπίσει αν υπάρχει κίνδυνος καρδιακής προσβολής. Αποδείχθηκε πως μπορεί.

Πώς η σάρωση αμφιβληστροειδούς μπορεί να «διακρίνει» τον κίνδυνο για έμφραγμα

Οι ερευνητές «εκπαίδευσαν» με deep learning (κάνε υπομονή, θα σου εξηγήσω παρακάτω περί τίνος πρόκειται) το σύστημα, ώστε να «διαβάζει» τις συμβατικές σαρώσεις αμφιβληστροειδούς για να εντοπίζει σημάδια καρδιακής νόσου. Οι δοκιμές έδειξαν ότι το σύστημα προβλέψει ποιοι θα διατρέξουν κίνδυνο καρδιακής προσβολής τον επόμενο χρόνο, με ακρίβεια που φτάνει στο 70 και το 80 τοις εκατό. «Έτσι, θα μπορούσε να χρησιμοποιηθεί ως δεύτερος μηχανισμός παραπομπής για εις βάθος καρδιαγγειακή εξέταση», γράφουν οι καθ’ ύλην αρμόδιοι στο ιατρικό περιοδικό. Προσθέτουν ότι «η χρήση του deep learning στην ανάλυση των σαρώσεων αμφιβληστροειδούς θα μπορούσε να φέρει επανάσταση στον τακτικό έλεγχο των ασθενών για σημεία καρδιακής νόσου».

Προηγουμένως, αναγνώρισαν πως οι αλλαγές στα μικροσκοπικά αιμοφόρα αγγεία στον αμφιβληστροειδή είναι δείκτες ευρύτερης αγγειακής νόσου – συμπεριλαμβανομένων προβλημάτων στην καρδιά.

University of Leeds

Για την ιστορία, το deep learning είναι μια εκ των ευρύτερων μεθόδων μηχανικής μάθησης που βασίζεται σε πολλαπλά τεχνητά νευρωτικά δίκτυα (σύνθετη σειρά αλγορίθμων) με μάθηση αναπαράστασης που μπορεί να είναι εποπτευόμενη, ημι-εποπτευμόμενη ή χωρίς επίβλεψη. Επιτρέπει στους υπολογιστές να αναγνωρίζουν μοτίβα στα δεδομένα που «λαμβάνουν» και να κάνουν προβλέψεις.

Πώς αξιολογήθηκαν τα δεδομένα

Το συγκεκριμένο σύστημα «εκπαιδεύτηκε» αναλύοντας σαρώσεις αμφιβληστροειδούς και σαρώσεις καρδιάς περισσότερων από 5.000 ατόμων. Κατά την ανάλυση, «μάθαινε» τα μοτίβα που εμφανίζονταν στην εικόνα. Εντόπισε συσχετίσεις μεταξύ της παθολογίας στον αμφιβληστροειδή και των αλλαγών στην καρδιά του ασθενούς και μπορούσε να εκτιμήσει το μέγεθος και την αποτελεσματικότητας της αριστερής κοιλίας (ενός εκ των τεσσάρων θαλάμων της καρδιάς) μόνο από σαρώσεις του αμφιβληστροειδούς.

Με πληροφορίες όπως το εκτιμώμενο μέγεθος της αριστερής κοιλίας και την αποτελεσματικότητά της στην άντληση, σε συνδυασμό με βασικά δημογραφικά δεδομένα για τον ασθενή (ηλικία, φύλο), το σύστημα τεχνητής νοημοσύνης μπόρεσε να κάνει πρόβλεψη για τον κίνδυνο καρδιακής προσβολής τους επόμενους 12 μήνες.

iStock

Οι προοπτικές μιας τέτοιας εξέτασης

Έως ότου εμφανιστεί το σύστημα αυτό, οι λεπτομέρειες που είναι σχετικές με το μέγεθος και την αποτελεσματικότητα της άντλησης της αριστερής κοιλίας ενός ασθενούς μπορούσαν να προσδιοριστούν μόνο μέσω διαγνωστικών εξετάσεων όπως το ηχοκαρδιογράφημα ή η μαγνητική τομογραφία της καρδιάς. Εξετάσεις που είναι ακριβές και συχνά είναι διαθέσιμες μόνο σε ένα νοσοκομειακό περιβάλλον.

Ο επιβλέπων της μελέτης, κάτοχος έδρας στο Diamond Jubilee στο Computational Medicine του University of Leeds και μέλος του Alan Turing Institute, Καθηγητής Alex Frangi, δήλωσε πως «οι καρδιαγγειακές παθήσεις, συμπεριλαμβανομένων των καρδιακών προσβολών, είναι η κύρια αιτία πρόωρου θανάτου παγκοσμίως. Προκαλεί χρόνιες ασθένειες και δυστυχία σε όλον τον κόσμο. Η τεχνική που αναπτύξαμε μπορεί να φέρει την επανάσταση στον προσυμπτωματικό έλεγχο της καρδιακής νόσου. Οι σαρώσεις αμφιβληστροειδούς είναι σχετικά φθηνές και χρησιμοποιούνται συνήθως σε πολλές πρακτικές των οφθαλμιάτρων. Ως αποτέλεσμα του αυτοματοποιημένου προσυμπτωματικού ελέγχου, οι ασθενείς που διατρέχουν υψηλό κίνδυνο να νοσήσουν θα μπορούσαν να παραπεμφθούν σε εξειδικευμένες καρδιολογικές υπηρεσίες. Οι σαρώσεις θα μπορούσαν επίσης να χρησιμοποιηθούν για την παρακολούθηση των πρώιμων σημείων καρδιακής νόσου».