Πανεπιστήμιο Κολούμπια: Διεπιστημονική έρευνα και καινοτομία με ελληνική «σφραγίδα»

Τι λέει για την επιστημονική κίνηση «Heart-In-AI» (Heart Innovation and Artificial Intelligence) ο συνιδρυτής της Πολύδωρος Καμπακτσής

Διεπιστημονική έρευνα και καινοτομία με ελληνική «σφραγίδα», στον τομέα των εφαρμογών της Τεχνητής Νοημοσύνης στην ιατρική και ιδιαίτερα την καρδιολογία: αυτός είναι ο στόχος της επιστημονικής κίνησης «Heart-In-AI» (Heart Innovation and Artificial Intelligence), την οποία συνίδρυσε ο Πολύδωρος Καμπακτσής, επίκουρος καθηγητής Καρδιολογίας στο Πανεπιστήμιο Κολούμπια των ΗΠΑ, προκειμένου γιατροί και μηχανικοί διάφορων ειδικοτήτων με έδρα είτε την Ελλάδα είτε το εξωτερικό να εργάζονται πάνω σε κοινά πρότζεκτ, που θέτουν τους αλγόριθμους στην υπηρεσία της ανθρώπινης υγείας. Άλλωστε και ο ίδιος, ο οποίος ζει στη Νέα Υόρκη τα τελευταία 11 χρόνια, έχει διττή επιστημονική ιδιότητα: αυτή του καρδιολόγου και εκείνη του ηλεκτρολόγου μηχανικού.

   «Όταν μιλάμε για Τεχνητή Νοημοσύνη (ΤΝ), πολύ κρίσιμο στοιχείο για την εφαρμογή των αλγορίθμων είναι να τεθούν τα σωστά ερωτήματα - στόχοι. Το δημιουργικό αυτό στοιχείο θεωρώ πως ταιριάζει με το ελληνικό μυαλό και πιστεύω ότι στην Ελλάδα μπορεί να δημιουργηθεί σημαντική εστία καινοτομίας σε αυτό το πεδίο. Η χώρα μας διαθέτει εξαιρετικούς μηχανικούς και επιστήμονες πληροφορικής, που εργάζονται τόσο στην Ελλάδα όσο και το εξωτερικό. Έχω σχηματίσει την αίσθηση -ίσως είμαι και προκατειλημμένος- ότι η δημιουργία μάς ταιριάζει πολύ, αρκεί να είμαστε επικεντρωμένοι και καθοδηγούμενοι από μέντορες, καθώς φαίνεται πως συγγενή στοιχεία με τους Έλληνες είναι και η αποδιοργάνωση και η έριδα», σημειώνει ο κ. Καμπακτσής, που ίδρυσε την ομάδα από κοινού με τους Σεραφείμ Μουστακίδη, διδάκτορα ηλεκτρολόγο μηχανικό της εταιρείας AiDEAS, Αναστάσιο Δρόσου, διδάκτορα ηλεκτρολόγο μηχανικό και ερευνητή στο ΕΚΕΤΑ, Αλέξανδρο Μπριασούλη, επίκουρο καθηγητή Καρδιολογίας στο ΕΚΠΑ και τους ιατρούς Ηλία Δουλάμη και Ασπασία Τζανή.

   Ήδη, η επιστημονική ομάδα -η οποία παραμένει ανοιχτή σε νέα μέλη, με πρώτο σημείο επαφής τα κοινωνικά δίκτυα «Linkedin» και «Twitter»- έχει ολοκληρώσει το παρθενικό της πρότζεκτ, με αντικείμενο τη χρησιμότητα της Μηχανικής Μάθησης (ΜΜ) για την πρόβλεψη της κλινικής έκβασης ασθενών, που υπόκεινται σε μεταμόσχευση καρδιάς. Πλέον, μπαίνει σε «βαθύτερα νερά», με ένα δεύτερο έργο, το οποίο έχει ως στόχο την αξιοποίηση της ΜΜ για την καλύτερη ή βέλτιστη αντιστοίχιση των ασθενών με μόσχευμα καρδιάς και εξατομικευμένης ανοσοκατασταλτικής θεραπείας -η βέλτιστη ανοσοκατασταλτική θεραπεία διασφαλίζει μεγαλύτερες πιθανότητες επιβίωσης και μικρότερες αποβολής μοσχεύματος, καθώς και λιγότερες παρενέργειες. Και τα δύο έργα αντλούν δεδομένα από την εθνική βάση UNOS (United Network for Organ Sharing) των ΗΠΑ, αξιοποιώντας ως δείγμα πάνω από 18.000 ασθενείς που μεταμοσχεύτηκαν μεταξύ 2010 και 2018.

   Κάνοντας τα λεπτά ...δευτερόλεπτα

   Γιατί όμως είναι σημαντική η ΤΝ στην ιατρική; Ένα απλό παράδειγμα που παραθέτει ο κ. Καμπακτσής είναι αυτό των υπερήχων καρδιάς: «Για να διαβάσει ο καρδιολόγος τον υπέρηχο καρδιάς ενός ασθενούς χρειάζεται να δει αναλυτικά μέχρι και 100 "κλιπς", ώστε να κάνει πλήρη διάγνωση. Η διαδικασία αυτή μπορεί να πάρει από 10 λεπτά, εφόσον δεν υπάρχει κάτι παθολογικό, έως και 40 λεπτά. Η ΤΝ θα μπορούσε να διεκπεραιώσει μια εκτεταμένη προεπεξεργασία σε δευτερόλεπτα έως λίγα λεπτά, προτού τα κλιπς φτάσουν στα μάτια του γιατρού. Είναι προφανές ότι αυτό μπορεί να βοηθήσει σε βελτίωση και κανονικοποίηση -standardization- της διαδικασίας, όπως επίσης και σε ελάττωση του χρόνου και του κόστους» λέει ο καθηγητής, διευκρινίζοντας πως θεωρεί αδύνατο η ΤΝ να αντικαταστήσει τους γιατρούς τώρα ή στο μέλλον: «ακόμα και όταν προχωρήσουμε πάρα πολύ σε αυτό το κομμάτι (της ΤΝ), ούτε ηθικά ούτε επιστημονικά μπορούμε να εναποθέσουμε σε ένα μηχάνημα τη θεραπεία ενός ασθενούς» εκτιμά.

   Η υποβοηθούμενη διάγνωση, όπως αυτή περιγράφηκε παραπάνω στην περίπτωση του υπέρηχου καρδιάς, είναι μία μόνο από τις κατηγορίες εφαρμογών της ΤΝ στην ιατρική κι αυτή που -ενώ βρίσκεται ακόμα υπό διαμόρφωση- έχει τη μεγαλύτερη ανάπτυξη και κλινική εφαρμοσιμότητα. Για παράδειγμα, υπάρχει εφαρμογή ΤΝ ενδοαγγειακής απεικόνισης για στεφανιαίες αρτηρίες καρδιάς βάσει της τεχνολογίας OCT (Optical Coherence Tomography), που βοηθά τον επεμβατικό καρδιολόγο να έχει εικόνα των αγγείων, της ύπαρξης ή όχι αθηρωματικής πλάκας και των χαρακτηριστικών της, ώστε να μπορεί να γίνει συσχέτιση και με πιθανό κλινικό σύμβαμα (έμφραγμα). Μάλιστα, εφαρμογές ΤΝ που βοηθούν τους γιατρούς σε διαδικασίες σχετικές με διάγνωση, ακτινοβολία και παθολογοανατομία υπάρχουν ως εξοπλισμός και σε δημόσια νοσοκομεία της Ελλάδας, ίσως όχι στην ίδια έκταση με το εξωτερικό, αλλά σίγουρα σε μεγαλύτερη από ό,τι στο παρελθόν, λέει. 

   ...και μπαίνοντας σε απάτητο «έδαφος»

   Οι άλλες δύο ομάδες εφαρμογών της ΤΝ στην κλινική ιατρική είναι, κατά τον κ.Καμπακτσή, η πρόβλεψη της έκβασης των ασθενών και η ανακάλυψη νέας γνώσης, ακόμα και γνώσης σε πεδία που θεωρούνται «απάτητο έδαφος» για τους ερευνητές. «Υπάρχουν νοσήματα αρκετά πολύπλοκα, στα οποία προσπαθούμε να καταλάβουμε προς τα πού πρέπει να πορευτούμε. Για παράδειγμα, η καρδιακή ανεπάρκεια με διατηρημένο κλάσμα εξώθησης και η πνευμονική αρτηριακή υπέρταση. Είναι δύο νοσήματα, που αυτή τη στιγμή βρίσκονται στο μεταίχμιο της έρευνας και προσπαθούμε να τα κατανοήσουμε, να δούμε πώς πρέπει να τα προσεγγίζουμε. Η ΜΜ βοηθά να συλλέξουμε και να επεξεργαστούμε πάρα πολλές πληροφορίες, που αν συνδυαστούν μεταξύ τους, μπορούν για παράδειγμα να ομαδοποιήσουν κατηγορίες ασθενών με συγκεκριμένα χαρακτηριστικά, ώστε να καταλήξουμε σε χρήσιμα συμπεράσματα. Χρησιμοποιείται δηλαδή η ΜΜ ως σημείο αφετηρίας, δίνοντας περαιτέρω ερευνητικές κατευθύνσεις- σε γενικές γραμμές αυτό ξεκίνησε και η "Pfizer" στη Θεσσαλονίκη, με το Κέντρο Ψηφιακής Καινοτομίας που δημιούργησε στην πόλη, όπου αξιοποιούνται μεταξύ άλλων τα Big Data (Μεγάλα Δεδομένα) για τα φάρμακα, με στόχο την εύρεση άγνωστων συσχετίσεων μέσω ΤΝ», επισημαίνει.

   Η ΤΝ μπορεί να βασιστεί σε δεδομένα που συλλέχθηκαν αναδρομικά, ώστε να προσδιορίσει επακριβώς προς ποια κατεύθυνση πρέπει να γίνουν οι κλινικές μελέτες. Αυτό είναι πολύ σημαντικό, διότι σε πολλές περιπτώσεις υπάρχει δυσκολία σχεδιασμού των κλινικών μελετών, είτε επειδή αυτές είναι πολύ ακριβές είτε επειδή το ερώτημα ως προς το τι πρέπει να διερευνηθεί δεν έχει προσδιοριστεί επακριβώς. Χάρη στην ΤΝ, μια κλινική μελέτη μπορεί να σχεδιαστεί πιο αποτελεσματικά, ώστε να μην παρατηρούνται φαινόμενα όπως αυτό που ενίοτε καταγράφεται σήμερα, δηλαδή μια κλινική μελέτη να λήγει μετά από δύο ή τρία χρόνια δουλειάς και να μην υπάρχει αξιοποιήσιμο αποτέλεσμα. Παρόμοια χρησιμότητα προσφέρει η ΤΝ και ΜΜ στην παραγωγή υποθέσεων και για σπάνια νοσήματα, η έρευνα πάνω στα οποία αποδεικνύεται συχνά οικονομικά ασύμφορη, γιατί αυτά αφορούν περιορισμένο αριθμό ασθενών.

   Η αρχική ιδέα του προαναφερθέντος πρώτου πρότζεκτ της ομάδας, για το οποίο εργάστηκαν οι Καμπακτσής, Μουστακίδης, Μπριασούλης και Δρόσου ήταν να δημιουργηθούν -με στοιχεία από τη βάση δεδομένων UNOS- μοντέλα πρόβλεψης για την κλινική έκβαση ασθενών που υπόκεινται σε μεταμόσχευση καρδιάς. «Δεν ήταν μεν εκθαμβωτικά τα αποτελέσματα, αλλά η πρόβλεψη της έκβασης ήταν βελτιωμένη συγκριτικά με υπάρχοντα μοντέλα πρόβλεψης όπως το IMPACT. Τώρα προσπαθούμε, χρησιμοποιώντας στοιχεία επίσης από τη UNOS, να απαντήσουμε σε πιο πολύπλοκα ερωτήματα, που δεν έχουν ακόμα απαντηθεί κλινικά σε ικανοποιητικό βαθμό, και συγκεκριμένα πώς μπορούμε να πετύχουμε τη βέλτιστη αντιστοίχιση των μεταμοσχευμένων με την ανοσοκατασταλτική θεραπεία τους. Χρειαζόμαστε κρίσιμη μάζα δεδομένων για ασφαλή συμπεράσματα και προσπαθούμε να "καθαρίσουμε" τα δεδομένα πριν τα δώσουμε στον αλγόριθμο για να δούμε τι θα πάρουμε πίσω. Στο επόμενο τρίμηνο πιστεύω ότι θα έχουμε τα πρώτα αποτελέσματα» σημειώνει.

   Τα ευάλωτα Μεγάλα Δεδομένα των νοσοκομείων

   Τεχνητή Νοημοσύνη σημαίνει επεξεργασία Μεγάλων Δεδομένων και τα Μεγάλα Δεδομένα στον τομέα της υγείας, ιδίως σε ό,τι αφορά τα νοσοκομεία είναι σαφώς ευάλωτα. «Κατά κανόνα, τα μεγάλα δεδομένα δεν μπορούν να παραχθούν από ένα και μόνο νοσοκομείο, αλλά από πολλά διαφορετικά. Άρα χρειάζεται να μεταφερθούν ώστε να συνδυαστούν, κάτι που τα καθιστά περισσότερο ευάλωτα σε κυβερνοεπιθέσεις. Για αυτό είναι σημαντικό να δημιουργηθούν βάσεις δεδομένων που τα συγκεντρώνουν με ασφαλή τρόπο, ώστε στη συνέχεια τα μοντέλα ΜΜ να τα επεξεργάζονται άνευ κινδύνου», καταλήγει ο κ. Καμπακτσής.

   Υπενθυμίζεται πως βάσει στοιχείων που παρουσίασε πέρυσι ο καθηγητής του Πανεπιστημίου Πειραιώς, Χρήστος Ξενάκης, το 2021 ο χώρος της υγείας είχε για ενδέκατη συνεχή χρονιά το υψηλότερο κόστος από κυβερνοεπιθέσεις, ως προς τον οικονομικό αντίκτυπό του. Στον τομέα της υγείας, το κόστος αυτό ανέρχεται ουσιαστικά σε 9,23 εκατ. δολάρια/κυβερνοπεριστατικό, κατά μέσο όρο στον πλανήτη, μακράν μεγαλύτερο σε σύγκριση με τον χρηματοοικονομικό τομέα και τις τράπεζες._

Πηγή: ΑΠΕ-ΜΠΕ