Σύμφωνα με έκθεση του Παγκόσμιου Οργανισμού Υγείας, περίπου 287.000 γυναίκες πέθαναν κατά τη διάρκεια της εγκυμοσύνης και του τοκετού ή μετά από αυτόν. Στο 94% των περιπτώσεων αυτό συνέβη σε χώρες χαμηλού και μεσαίου εισοδήματος, γεγονός που καταδεικνύει τις ανισότητες στην πρόσβαση σε ποιοτικές υπηρεσίες υγείας. Παρόλο που στον ανεπτυγμένο κόσμο – και στην Ελλάδα – τα ποσοστά μητρικής θνησιμότητας είναι αρκετά χαμηλότερα, υπάρχει η ανάγκη αξιόπιστης αξιολόγησης του κινδύνου, με στόχο την περαιτέρω μείωσή της, και με δυνατότητα εφαρμογής σε παγκόσμιο επίπεδο. Η σύγχρονη ψηφιακή τεχνολογία δίνει την δυνατότητα ανάπτυξης τέτοιων εφαρμογών.
Ερευνητές του Εργαστηρίου Βιοϊατρικής Τεχνολογίας και Ψηφιακής Υγείας, στο Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών του Πανεπιστημίου Δυτικής Μακεδονίας, εκπαίδευσαν αλγορίθμους μηχανικής μάθησης και δημιούργησαν ένα “έξυπνο” εργαλείο στα χέρια του κλινικού γιατρού, που κατηγοριοποιεί τον κίνδυνο για την υγεία της μητέρας σε χαμηλό, μεσαίο και υψηλό, με βάση επτά παραμέτρους – βιοδείκτες.
Η πρώτη συγγραφέας της μελέτης, που δημοσιεύτηκε πρόσφατα, Κατερίνα Δ. Τζημούρτα, (φωτογραφία), διπλωματούχος Μηχανικός Πληροφορικής και Τηλεπικοινωνιών, με εξειδίκευση στην Ιατρική Πληροφορική, και διδάκτορας Ιατρικής του Πανεπιστημίου Ιωαννίνων, μιλάει στο iatronet.gr για τους στόχους και το αποτέλεσμα της ερευνητικής δουλειάς, τις δυνατότητες εφαρμογής της στην τηλεϊατρική καθώς και τις προοπτικές περαιτέρω εξέλιξής της, με την προσθήκη νέων δεδομένων.
Η μελέτη
Η ερευνήτρια αξιοποίησε δεδομένα 1.014 γυναικών από χώρες του εξωτερικού που είναι δημόσια διαθέσιμα, και έλαβε υπόψη στοιχεία για 7 μεταβλητές – βιοδείκτες που σχετίζονται με τη μητρική νοσηρότητα και θνησιμότητα:
- Ηλικία.
- Συστολική αρτηριακή πίεση.
- Διαστολική αρτηριακή πίεση.
- Σάκχαρο αίματος.
- Θερμοκρασία σώματος.
- Καρδιακός ρυθμός.
- Επίπεδο κινδύνου (μια μεταβλητή – ετικέτα, που χρησιμοποιείται για την εκπαίδευση του συστήματος).
Χρησιμοποιώντας διαφορετικούς αλγόριθμους μηχανικής μάθησης και ειδικές τεχνικές, τους εκπαίδευσε στην αξιολόγηση κινδύνου και βελτίωσε την δυνατότητά τους να τον κατηγοριοποιούν με σε τρία επίπεδα κινδύνου, πετυχαίνοντας ποσοστά ακριβείας 88%.
“Αναπτύξαμε μια μεθοδολογία που μπορεί να χρησιμοποιηθεί σαν ένα έξυπνο βοήθημα στα χέρια των γιατρών”, αναφέρει η κ. Τζημούρτα, προσθέτοντας: “Οι αλγόριθμοι έχουν τη δυνατότητα να επεξεργάζονται γρήγορα τεράστιες ποσότητες δεδομένων, ώστε να μπορούν να λαμβάνουν πιο τεκμηριωμένες αποφάσεις και να υποστηρίζουν την κλινική απόφαση, χωρίς σε καμία περίπτωση να υποκαθιστούν την κρίση ή την εμπειρία των γιατρών”.
Εφαρμογή στην τηλεϊατρική
Το “έξυπνο” εργαλείο θα μπορούσε να εφαρμοστεί πιλοτικά σε περιπτώσεις εγκύων που ζουν σε απομακρυσμένες ηπειρωτικές ή νησιωτικές περιοχές, με περιορισμένη πρόσβαση σε υπηρεσίες υγείας, οι οποίες παρακολουθούνται απομακρυσμένα από τους γιατρούς τους, μέσω της τηλεϊατρικής.
“Οι μεταβλητές που χρειάζεται το σύστημα για να αξιολογήσει το επίπεδο κινδύνου είναι πολύ απλές και θα μπορούσαν να λαμβάνονται από έναν συνδυασμό συσκευών, φορετών (wearables) και μη, όπως ένα “έξυπνο” ρολόι, ένα πιεσόμετρο και έναν μετρητή σακχάρου. “Σε ένα βήμα παραπάνω, αυτές οι συσκευές θα μπορούσαν να μεταδίδουν τα δεδομένα των μετρήσεων σε μια πλατφόρμα, στην οποία θα έχει πρόσβαση ο γιατρός, δίνοντάς του τη δυνατότητα να παρακολουθεί απομακρυσμένα τη μητρική υγεία και να παρέχει την κατάλληλη φροντίδα όταν ο κίνδυνος αυξάνεται”, υπογραμμίζει, εξηγώντας πως μια αλλαγή σε κάποια από τις μεταβλητές θα μπορούσε να δώσει σήμα για τον κίνδυνο προεκλαμψίας, πρόωρου τοκετού, μιας φλεγμονής και άλλων επιπλοκών.
“Κλειδί” τα ποιοτικά δεδομένα
Οι αλγόριθμοι μηχανικής μάθησης έχουν δυνατότητες περαιτέρω βελτίωσης της πρόβλεψης κινδύνου για την υγεία της μητέρας. Όπως αναφέρεται καταληκτικά στη μελέτη (με συντελεστές τους Μ. Τσίπουρα, Π. Αγγελίδη, Δ. Τσαλικάκη, Ε. Οροβού), τα ευρήματα υπογραμμίζουν τη θέση της μηχανικής μάθησης στην προώθηση της μητρικής υγειονομικής περίθαλψης, οδηγώντας περισσότερο σε εξατομικευμένες προσεγγίσεις που βασίζονται σε ποιοτικά δεδομένα.
“Αν είχαμε πληροφορία για το ιστορικό αυτών των 1.014 γυναικών – για παράδειγμα την ακριβή εβδομάδα κύησης στην οποία βρισκόταν η κάθε μια, αν κάποιες απ΄ αυτές είχαν διαγνωστεί με διαβήτη κύησης, με προεκλαμψία ή με οποιαδήποτε άλλη παθολογική κατάσταση, θα μπορούσαμε να έχουμε μεγαλύτερο βάθος στην πρόβλεψη και στην ακριβή κατηγοριοποίηση του κινδύνου”, επισημαίνει η κ. Τζιμούρτα.
Σε ένα επόμενο στάδιο, οι ερευνητές ευελπιστούν να έχουν δεδομένα και από τον ελληνικό πληθυσμό, από διαφορετικές περιοχές της χώρας, από διαφορετικά κοινωνικά στρώματα και ηλικιακές ομάδες, με περισσότερες πληροφορίες, ως προς την εβδομάδα κύησης, άλλους βιοχημικούς δείκτες που μπορεί να προκύπτουν μέσα από τον ιατρικό φάκελο.
“Αν το σύστημα που υλοποιούμε είναι το μυαλό που θα πάρει την απόφαση, μπορούμε να πούμε ότι τα δεδομένα είναι όλες οι γνώσεις και οι εμπειρίες του. Όσο πιο σωστά και ισορροπημένα δεδομένα έχουμε, τόσο καλύτερα μαθαίνει ο αλγόριθμος, και αντίθετα, αν τα δεδομένα έχουν λάθη, ο αλγόριθμος μαθαίνει να αναπαράγει αυτά τα λάθη και δεν βγαίνουν ασφαλή συμπεράσματα”, παρατηρεί και καταλήγει: “Ακόμα και ο πιο έξυπνος αλγόριθμος δεν μπορεί να μάθει τίποτα χρήσιμο, αν δεν έχουμε ποιοτικά δεδομένα. Άρα ευθύνη μας ως επιστήμονες σε αυτή τη φάση είναι να φροντίζουμε για πολλά, ποιοτικά δεδομένα, από πολλά κέντρα, ειδικά όταν πρόκειται για την υγεία”.
Ειδήσεις υγείας σήμερα
Πόσο έτοιμο είναι το ΕΣΥ για να υποδεχτεί και να αξιοποιήσει τις τεχνολογίες του μέλλοντος;
Ηχητικά κύματα που θεραπεύουν: Πρωτοποριακή θεραπεία για άγχος και κατάθλιψη [μελέτη]
Σημάδια ναρκισσισμού στον γονέα και τι να κάνετε
VIA: iatronet.gr
