Τα τελευταία χρόνια παρατηρείται διεθνώς μια εκθετική αύξηση της επιστημονικής δραστηριότητας που αφορά σε ανάπτυξη εφαρμογών Τεχνητής Νοημοσύνης (ΤΝ) σε πολλούς κλάδους, μεταξύ των οποίων και η Ιατρική. Πέρα από την έρευνα και την επιστημονική ενασχόληση, ήδη χρησιμοποιούνται σε καθημερινή βάση από ιατρούς διαφόρων ειδικοτήτων εφαρμογές που στηρίζονται σε αλγόριθμους ΤΝ. Και ενώ η προσφορά των εφαρμογών αυτών στον ιατρικό χώρο μπορεί να είναι αναμφίβολα σημαντική, οι δυνατότητες τους και οι απαιτήσεις δεν είναι ευρέως κατανοητές. Θα θέλαμε να περιγράψουμε κάποια βασικά γνωρίσματα των εφαρμογών ΤΝ στην Καρδιαγγειακή Ιατρική μέσα από την ενασχόληση μας με το χώρο και να σκιαγραφήσουμε τις προοπτικές που μπορεί να έχει η Ελλάδα στην ανάπτυξη τέτοιων εφαρμογών.
Τα βασικότερα στοιχεία για την ανάπτυξη μιας εφαρμογής ΤΝ είναι ουσιαστικά τρία: τα δεδομένα, ο αλγόριθμος και μια καλή ιδέα. Κατά την ανάπτυξη της, η εφαρμογή «εκπαιδεύεται» αλγοριθμικά αξιοποιώντας τα προϋπάρχοντα δεδομένα ώστε να δίνει το επιθυμητό αποτέλεσμα όταν εισαχθούν νέα δεδομένα. Ως παράδειγμα για να γίνουν αυτά κατανοητά, για να διαβάσει ένας καρδιολόγος έναν υπέρηχο καρδιάς χρειάζεται από 10 περίπου λεπτά αν όλα είναι φυσιολογικά έως και πάνω από μισή ώρα αν υπάρχουν πολλά παθολογικά ευρήματα. Σήμερα βρίσκονται υπό ανάπτυξη σε διάφορα εργαστήρια στις ανεπτυγμένες χώρες εφαρμογές που αποσκοπούν στη διεκπεραίωση μιας προκαταρκτικής ανάγνωσης του υπερήχου καρδιάς από αλγορίθμους ΤΝ εντός δευτερολέπτων-λεπτών, ώστε να διευκολυνθεί σημαντικά το έργο του καρδιολόγου στη συνέχεια. Τα δεδομένα που χρειάζεται η εφαρμογή για να εκπαιδευτεί στην περίπτωση αυτή είναι συνήθως χιλιάδες υπέρηχοι.
Το παράδειγμα αυτό μας εισάγει έμμεσα στις αυξημένες απαιτήσεις των εφαρμογών ΤΝ στο χώρο της ιατρικής. Οι υπέρηχοι καρδιάς αποτελούν ουσιαστικά προσωπικά δεδομένα και η απόκτηση τους πρέπει να γίνει εντός ηθικών και νομικών πλαισίων. Επιπλέον, τα δεδομένα πρέπει να είναι υψηλής ποιότητας ώστε να επιτευχθεί αποτέλεσμα υψηλής ακρίβειας, κάτι το οποίο είναι απαραίτητο για ιατρικές εφαρμογές αλλά και να συλλεχθούν σε ψηφιακή μορφή σε μια βάση δεδομένων. Πέρα από τα δεδομένα, η σύλληψη και υλοποίηση μιας φαινομενικά ίσως απλής τέτοιας εφαρμογής απαιτεί κατ’ ελάχιστο γνώσεις και ικανότητες καρδιολογίας και επιστήμης δεδομένων, οι οποίες συνήθως δεν συνυπάρχουν σε ένα άτομο. Κατά συνέπεια χρειάζεται συνεργασία επιστημόνων διαφορετικών κλάδων για την ανάπτυξη τέτοιων εφαρμογών. Από την άλλη πλευρά, το παράδειγμα που χρησιμοποιήσαμε δεν απαιτεί κατ’ ανάγκη επιπλέον υλικοτεχνικό εξοπλισμό.
Η εφαρμογή ΤΝ που περιγράψαμε ανήκει σε μια μεγάλη κατηγορία εφαρμογών υποβοηθούμενης διάγνωσης, δηλαδή εφαρμογών που στόχο έχουν να βοηθήσουν τον ιατρό με τη διάγνωση και να ελαφρύνουν το φόρτο εργασίας του. Σήμερα υπάρχουν ήδη πολλές τέτοιες εφαρμογές για απεικονιστικές εξετάσεις όπως η αξονική και μαγνητική τομογραφία καρδιάς, χωρίς τις οποίες το έργο των ιατρών σε όλο τον κόσμο θα ήταν πολύ κουραστικό, ενώ νέες εφαρμογές εμφανίζονται και δοκιμάζονται συνεχώς. Πέρα από την αυτοματοποίηση ιατρικών διεργασιών όμως, η ΤΝ μπορεί να χρησιμοποιηθεί σε πολλές περιπτώσεις για την ανάπτυξη εντελώς καινοτόμων ιατρικών εφαρμογών. Για παράδειγμα, το απλό ηλεκτροκαρδιογράφημα είναι μια στιγμιαία καταγραφή της ηλεκτρικής δραστηριότητας της καρδιάς από πολλές πλευρές (ηλεκτρόδια) και χρησιμοποιείται από τους ιατρούς για την ανίχνευση συγκεκριμένων ανωμαλιών και παθήσεων. Η ψηφιακή μορφή του ηλεκτροκαρδιογραφήματος περιέχει πολύ περισσότερη πληροφορία από αυτήν που χρησιμοποιούν οι ιατροί στην καθημερινότητα και πολλές ερευνητικές εφαρμογές ΤΝ έχουν αναπτυχθεί για την αξιοποίηση του ηλεκτροκαρδιογραφήματος με τρόπους που προηγουμένως δεν ήταν γνωστοί. Ενδεικτικά, ερευνητικές ομάδες στις ΗΠΑ έχουν αναπτύξει αλγορίθμους για το screening βαλβιδοπαθειών και δομικών παθήσεων καρδιάς χρησιμοποιώνας αποκλειστικά ηλεκτροκαρδιογράφημα. Η τελική διάγνωση απαιτεί υπέρηχο καρδιάς, αλλά με τον τρόπο αυτό μπορούν να εντοπιστούν πολύ ευκολότερα ασθενείς που χρειάζονται περαιτέρω διερεύνηση. Αναφέρουμε ενδεικτικά πως εντατική έρευνα επίσης πραγματοποιείται για την πρόβλεψη αρρυθμιών από το σήμα που παράγουν τα smartwatches.
Πέρα των ανωτέρω, η ΤΝ χρησιμοποιείται στην ιατρική έρευνα για την ανακάλυψη νέας γνώσης σε νοσήματα που δεν έχουν περιγραφεί και κατανοηθεί πλήρως. Ενδεικτικό παράδειγμα είναι η καρδιακή ανεπάρκεια με διατηρημένο κλάσμα εξώθησης. Στις περιπτώσεις αυτές, ειδικοί αλγόριθμοι ΤΝ μπορούν να ομαδοποιήσουν ομάδες ασθενών με συναφή κλινικά και εργαστηριακά χαρακτηριστικά, με τρόπους που οι καρδιολόγοι δεν μπορούν να προβλέψουν. Τα αποτελέσματα αυτών των αλγορίθμων ήδη χρησιμοποιούνται σήμερα για τη σχεδίαση στοχευμένων κλινικών μελετών, σχεδιασμένων για να επιβεβαιώσουν ή να διαψεύσουν ερωτήματα της συγκεκριμένης νόσου που προκύπτουν από ΤΝ. Παρόμοια είναι η και χρήση της ΤΝ από το κέντρο Ψηφιακής Καινοτομίας της Pfizer στη Θεσσαλονίκη.
Τα βασικά αλλά κρίσιμα στοιχεία που απαιτούνται για την ανάπτυξη μιας εφαρμογής ΤΝ είναι κατά τη γνώμη μας διαθέσιμα στην Ελλάδα, ή μπορούν να καταστούν διαθέσιμα σχετικά εύκολα. Η χώρα μας διαθέτει εξαιρετικούς επιστήμονες πληροφορίας και μηχανικούς με σημαντική εμπειρία στην ΤΝ. Διαθέτει επίσης ιατρούς και ιατρικούς ερευνητές με δημιουργική φαντασία που μπορούν να παράξουν σημαντικές ιδέες για την ανάπτυξη νέων εφαρμογών. Αυτό που απαιτείται είναι η δημιουργία και οργάνωση διεπιστημονικών ομάδων σε κέντρα αριστείας ώστε να επιτευχθεί συνεργασία με υψηλής ποιότητας ιατρικά δεδομένα. Θα απαιτηθεί μια αρχική χρηματοδότηση, ωστόσο γρήγορα η Ελλάδα θα μπορούσε να εξελιχθεί σε σημαντικό παραγωγό και εξαγωγέα εφαρμογών ΤΝ, ιδιαίτερα στον τομέα της Καρδιαγγειακής Ιατρικής.