Μπορεί η Τεχνητή Νοημοσύνη να Ανιχνεύσει την Γνωστική Εξασθένηση Καλύτερα από Έναν Γιατρό; Νέα Μελέτη Αποκαλύπτει Εκπληκτική Ακρίβεια
Ένα νέο σύστημα Τεχνητής Νοημοσύνης (AI) έχει σχεδιαστεί για να εντοπίζει πιθανά “καμπανάκια” για γνωστική εξασθένηση στις σημειώσεις των γιατρών σχετικά με τους ασθενείς τους.
Τα πρώτα σημάδια γνωστικής εξασθένησης συχνά εμφανίζονται όχι σε μια επίσημη διάγνωση, αλλά στις μικρές ενδείξεις που είναι θαμμένες στις σημειώσεις των επαγγελματιών υγείας.
Μια νέα μελέτη που δημοσιεύθηκε στις 7 Ιανουαρίου στο περιοδικό npj Digital Medicine υποδεικνύει ότι η τεχνητή νοημοσύνη (AI) μπορεί να βοηθήσει στον εντοπισμό αυτών των πρώιμων σημάτων — όπως προβλήματα με τη μνήμη και τη σκέψη ή αλλαγές στη συμπεριφορά — σαρώντας τις σημειώσεις του γιατρού για μοτίβα ανησυχίας. Αυτά μπορεί να περιλαμβάνουν επαναλαμβανόμενες αναφορές σε γνωστικές αλλαγές ή σύγχυση από τον ασθενή ή ανησυχίες που αναφέρθηκαν από μέλη της οικογένειας που παρευρέθηκαν στο ραντεβού με το αγαπημένο τους πρόσωπο.
Αντί να διαγνώσει άμεσα την γνωστική εξασθένηση ή την άνοια, το σύστημα στοχεύει να επισημάνει τους ασθενείς των οποίων τα αρχεία υποδηλώνουν ότι μπορεί να χρειάζονται στενότερη παρακολούθηση.
“Ο στόχος δεν είναι να αντικατασταθεί η κλινική κρίση, αλλά να λειτουργήσει ως βοηθητικό εργαλείο ελέγχου”, δήλωσε η συν-συγγραφέας της μελέτης, Δρ. Lidia Moura, αναπληρώτρια καθηγήτρια νευρολογίας στο Γενικό Νοσοκομείο της Μασαχουσέτης, στο Live Science. Επισημαίνοντας αυτούς τους ασθενείς, είπε, το σύστημα θα μπορούσε να βοηθήσει τους κλινικούς γιατρούς να αποφασίσουν ποιοι άνθρωποι πρέπει να παρακολουθηθούν, ειδικά σε περιβάλλοντα όπου οι ειδικοί είναι σε έλλειψη.
Το αν αυτού του είδους ο έλεγχος βοηθά πραγματικά τους ασθενείς εξαρτάται από το πώς χρησιμοποιείται, δήλωσε η Julia Adler-Milstein, ειδικός στην πληροφορική υγείας στο Πανεπιστήμιο της Καλιφόρνιας, στο Σαν Φρανσίσκο, η οποία δεν συμμετείχε στη μελέτη. «Εάν οι επισημάνσεις είναι ακριβείς, μεταβιβάζονται στο κατάλληλο μέλος της ομάδας φροντίδας και είναι αξιοποιήσιμες, πράγμα που σημαίνει ότι οδηγούν σε ένα σαφές επόμενο βήμα, τότε ναι, μπορούν να ενσωματωθούν εύκολα στην κλινική ροή εργασίας», είπε στο Live Science σε ένα email.
Μια ομάδα πρακτόρων AI, όχι μόνο ένας
Για να κατασκευάσουν το νέο τους σύστημα AI, οι ερευνητές χρησιμοποίησαν αυτό που αποκαλούν “πρακτορειακή” προσέγγιση. Αυτός ο όρος αναφέρεται σε ένα συντονισμένο σύνολο προγραμμάτων AI — πέντε, στην προκειμένη περίπτωση — που το καθένα έχει έναν συγκεκριμένο ρόλο και επανεξετάζει την εργασία του άλλου. Μαζί, αυτοί οι συνεργαζόμενοι πράκτορες βελτίωσαν επαναληπτικά τον τρόπο με τον οποίο το σύστημα ερμήνευε τις κλινικές σημειώσεις χωρίς ανθρώπινη παρέμβαση.
Οι ερευνητές έχτισαν το σύστημα πάνω στο Llama 3.1 της Meta και του έδωσαν τρία χρόνια σημειώσεων γιατρών για μελέτη, συμπεριλαμβανομένων επισκέψεων στην κλινική, σημειώσεων προόδου και περιλήψεων εξόδου. Αυτά προήλθαν από μητρώο νοσοκομείου και είχαν ήδη ελεγχθεί από κλινικούς γιατρούς που σημείωσαν εάν υπήρχαν γνωστικές ανησυχίες στο αρχείο ενός συγκεκριμένου ασθενούς.
Η ομάδα έδειξε αρχικά στο AI ένα ισορροπημένο σύνολο σημειώσεων ασθενών, το μισό με τεκμηριωμένες γνωστικές ανησυχίες και το μισό χωρίς, και το άφησε να μάθει από τα λάθη του καθώς προσπαθούσε να ταιριάξει με τον τρόπο με τον οποίο οι κλινικοί γιατροί είχαν επισημάνει αυτά τα αρχεία. Μέχρι το τέλος αυτής της διαδικασίας, το σύστημα συμφωνούσε με τους κλινικούς γιατρούς περίπου στο 91% των περιπτώσεων.
Το οριστικοποιημένο σύστημα δοκιμάστηκε στη συνέχεια σε ένα ξεχωριστό υποσύνολο δεδομένων που δεν είχε ξαναδεί, αλλά που είχε εξαχθεί από το ίδιο τριετές σύνολο δεδομένων. Το δεύτερο σύνολο δεδομένων προοριζόταν να αντικατοπτρίζει την πραγματική περίθαλψη, οπότε μόνο περίπου το ένα τρίτο των αρχείων χαρακτηρίστηκαν από τους κλινικούς γιατρούς ότι έδειχναν γνωστική ανησυχία.
Σε αυτή τη δοκιμή, η ευαισθησία του συστήματος έπεσε σε περίπου 62%, πράγμα που σημαίνει ότι έχασε σχεδόν τέσσερις στις δέκα περιπτώσεις που οι κλινικοί γιατροί είχαν επισημάνει ως θετικές για σημεία γνωστικής εξασθένησης.
Εκ πρώτης όψεως, η πτώση στην ακρίβεια έμοιαζε με αποτυχία — έως ότου οι ερευνητές επανεξέτασαν τα ιατρικά αρχεία που το AI και οι ανθρώπινοι κριτές είχαν ταξινομήσει διαφορετικά.
Κλινικοί εμπειρογνώμονες επανεξέτασαν αυτές τις περιπτώσεις ξαναδιαβάζοντας τα ίδια τα ιατρικά αρχεία, και το έκαναν χωρίς να γνωρίζουν αν η ταξινόμηση είχε προέλθει από κλινικούς γιατρούς ή από το AI. Στο 44% των περιπτώσεων, αυτοί οι κριτές τελικά τάχθηκαν υπέρ της αξιολόγησης του συστήματος αντί της αρχικής επισκόπησης των αρχείων που είχε διεξαγάγει ένας γιατρός.
“Αυτό ήταν ένα από τα πιο εκπληκτικά ευρήματα”, δήλωσε ο συν-συγγραφέας της μελέτης Hossein Estiri, αναπληρωτής καθηγητής νευρολογίας στο Γενικό Νοσοκομείο της Μασαχουσέτης.
Σε πολλές από αυτές τις περιπτώσεις, είπε, η AI εφάρμοσε κλινικούς ορισμούς πιο συντηρητικά από ό, τι οι γιατροί, αρνούμενη να επισημάνει ανησυχίες όταν οι σημειώσεις δεν περιέγραφαν άμεσα προβλήματα μνήμης, σύγχυση ή άλλες αλλαγές στον τρόπο σκέψης του ασθενούς — ακόμη και αν μια διάγνωση γνωστικής εξασθένησης αναφερόταν αλλού στο αρχείο. Η AI εκπαιδεύτηκε να δίνει προτεραιότητα στις αναφορές πιθανών γνωστικών ανησυχητικών στοιχείων, ουσιαστικά, τις οποίες οι γιατροί μπορεί να μην επισημαίνουν πάντα ως σημαντικές τη συγκεκριμένη στιγμή.
Τα αποτελέσματα υπογραμμίζουν τα όρια της χειρωνακτικής επισκόπησης των αρχείων από τους γιατρούς, δήλωσε η Moura. “Όταν τα σήματα είναι προφανή, όλοι τα βλέπουν”, είπε. “Όταν είναι ανεπαίσθητα, εκεί είναι που οι άνθρωποι και οι μηχανές μπορούν να αποκλίνουν.”
Η Karin Verspoor, ερευνήτρια στην AI και τις τεχνολογίες υγείας στο Πανεπιστήμιο RMIT, η οποία δεν συμμετείχε στη μελέτη, είπε ότι το σύστημα αξιολογήθηκε σε ένα προσεκτικά επιμελημένο και ελεγμένο από κλινικούς γιατρούς σύνολο σημειώσεων γιατρών. Όμως, επειδή τα δεδομένα προήλθαν από ένα μόνο νοσοκομειακό δίκτυο, προειδοποίησε ότι η ακρίβειά του μπορεί να μην μεταφραστεί σε περιβάλλοντα όπου οι πρακτικές τεκμηρίωσης διαφέρουν.
Το όραμα του συστήματος περιορίζεται από την ποιότητα των σημειώσεων που διαβάζει, είπε, και αυτός ο περιορισμός μπορεί να αντιμετωπιστεί μόνο μέσω της βελτιστοποίησης του συστήματος σε διαφορετικά κλινικά περιβάλλοντα, υποστήριξε.
Ο Estiri εξήγησε ότι, προς το παρόν, το σύστημα προορίζεται να λειτουργεί αθόρυβα στο παρασκήνιο των συνηθισμένων επισκέψεων των γιατρών, αναδεικνύοντας πιθανές ανησυχίες παράλληλα με μια εξήγηση για το πώς έφτασε σε αυτές. Τούτου λεχθέντος, δεν χρησιμοποιείται ακόμη στην κλινική πράξη.
“Η ιδέα δεν είναι ότι οι γιατροί κάθονται εκεί χρησιμοποιώντας εργαλεία AI”, είπε, “αλλά ότι το σύστημα παρέχει πληροφορίες — τι βλέπουμε και γιατί — ως μέρος του ίδιου του κλινικού αρχείου.”