Καθηγητές και φοιτητές του Northeastern δημιούργησαν ένα μοντέλο τεχνητής νοημοσύνης που επιτρέπει στους γιατρούς να ανιχνεύουν τη σήψη πολύ έγκαιρα.
Αντλώντας ιατρικά δεδομένα από ασθενείς σε τρία διαφορετικά στάδια -όταν βρίσκονται ακόμη στο σπίτι, κατά τη διακομιδή τους με ασθενοφόρο και στη συνέχεια στο τμήμα επειγόντων περιστατικών- ερευνητές του Northeastern University στη Βοστόνη, ανέπτυξαν ένα AI εργαλείο (τεχνητής νοημοσύνης) που προβλέπει την εμφάνιση σηπτικού σοκ με ακρίβεια 99%, πριν η κατάσταση γίνει απειλητική για τη ζωή.
Πρόκειται για μια ακραία αντίδραση του ανοσοποιητικού συστήματος σε μια λοίμωξη και ευθύνεται για τον έναν στους τρεις θανάτους μέσα στα νοσοκομεία.
«Αν η σήψη διαγνωστεί αφού ο ασθενής φτάσει στα επείγοντα, το καλύτερο που μπορεί κανείς να κάνει είναι να προσεύχεται, γιατί τα ποσοστά επιβίωσης είναι εξαιρετικά χαμηλά», εξηγεί ο Σεργκέι Άιταν, καθηγητής στα Μεταπτυχιακά Προγράμματα Μηχανικής του Northeastern στην πανεπιστημιούπολη του Όουκλαντ και επικεφαλής ερευνητής του πρότζεκτ. «Το σύστημά μας λειτουργεί σαν μια άμεση δεύτερη γνώμη -κάτι που πρακτικά είναι αδύνατο να γίνει σε πραγματικό χρόνο με φυσικούς γιατρούς στα επείγοντα».
Πώς εκπαίδευσαν το AI εργαλείο οι ερευνητές
Οι ερευνητές χρησιμοποίησαν δεδομένα ασθενών όπως πυρετό, ρίγη, δυσκολία στην αναπνοή, αλλαγές στο χρώμα του δέρματος, κόπωση και σύγχυση, τα οποία συλλέχθηκαν από το σπίτι του ασθενούς, κατά τη μεταφορά του και μέσα στο νοσοκομείο, ώστε να εκπαιδεύσουν ένα μοντέλο μηχανικής μάθησης ικανό να προβλέπει την ανάπτυξη σήψης.
Η έγκαιρη ανίχνευση της σήψης είναι δύσκολη, σημειώνει ο Άιταν, επειδή τα πρώιμα συμπτώματα είναι ήπια και συχνά συγχέονται με άλλες παθήσεις. Η σχετική έρευνα δημοσιεύθηκε στο επιστημονικό περιοδικό Life. Συν-ερευνητές του προγράμματος είναι οι Rolando Herrero, διευθυντής των μεταπτυχιακών προγραμμάτων Κυβερνοφυσικών Συστημάτων και Δικτύων Τηλεπικοινωνιών του Northeastern, ο Abdolreza Mosaddegh, επίκουρος καθηγητής Τεχνητής Νοημοσύνης, καθώς και οι Haitham Tayyar, Ebunoluwa Adebesin, Sai Pranavi Jeedigunta και Hangyeol Kim.
«Δεν υπάρχει άλλη έρευνα που να λαμβάνει υπόψη της και τα τρία αυτά στάδια της φροντίδας του ασθενούς», τονίζει ο Herrero. «Οι φοιτητές μας συνεργάστηκαν για να δημιουργήσουν αυτό το καινοτόμο μοντέλο ΤΝ που επιτρέπει στους γιατρούς να εντοπίζουν τη σήψη πολύ νωρίς».
Τι θα προσφέρει η αξιοποίησή του στην Ιατρική
Σύμφωνα με τον Άιταν, η τριφασική προσέγγιση βελτιώνει σημαντικά την ακρίβεια.
- Όταν το σύστημα διαθέτει μόνο τις περιγραφές των συμπτωμάτων από τον ίδιο τον ασθενή, οι προβλέψεις είναι σωστές κατά 82%.
- Όταν προστεθούν τα ζωτικά σημεία που καταγράφονται στο ασθενοφόρο, η ακρίβεια εκτοξεύεται στο 99%, ενώ τα εργαστηριακά δεδομένα από τα επείγοντα βελτιώνουν ακόμη περισσότερο τα αποτελέσματα.
Στην πράξη, εξηγεί ο Άιταν, οι γιατροί των επειγόντων θα μπορούν να πληκτρολογούν ή να υπαγορεύουν στο κινητό τους τα στοιχεία του ασθενούς -σε οποιαδήποτε γλώσσα- και το σύστημα θα προβλέπει την πιθανότητα να αναπτύξει σήψη.
Τα δεδομένα προήλθαν από δύο ιατρικά ερευνητικά πανεπιστήμια της Ιταλίας. Οι ερευνητές τα συνέδεσαν χρονολογικά, παρακολουθώντας την εξέλιξη των συμπτωμάτων από τα πρώτα, ήπια σημάδια μέχρι τα κρίσιμα στάδια. Αυτή η δομή έδωσε στο μοντέλο ΤΝ τη δυνατότητα να «αναγνωρίζει» τη σήψη σε κάθε στάδιο της ιατρικής φροντίδας.
«Το εργαλείο μηχανικής μάθησης μπορεί να εντοπίσει τα πρόωρα σημάδια ενός ανθρώπου που ενδέχεται να αναπτύξει σήψη. Και στην πραγματικότητα, επιτυγχάνει καλύτερη απόδοση από έναν κανονικό γιατρό», σημειώνουν οι ερευνητές.
