Οι ερευνητές αναπτύσσουν μέθοδο με τεχνητή νοημοσύνη για τη γρήγορη διάγνωση των πνευμονικών λοιμώξεων

Οι ερευνητές αναπτύσσουν μέθοδο με τεχνητή νοημοσύνη για τη γρήγορη διάγνωση των πνευμονικών λοιμώξεων

Οι πνευμονικές λοιμώξεις όπως η πνευμονία είναι από τις κύριες αιτίες θανάτου παγκοσμίως - αλλά είναι εμφανώς δύσκολο να διαγνωστούν.

Τώρα οι ερευνητές στο UC San Francisco βρήκαν έναν τρόπο να αναγνωρίζουν αυτές τις λοιμώξεις σε βαρέως πάσχοντες ασθενείς συνδυάζοντας τη γενετική ανάλυση AI των ιατρικών αρχείων με έναν βιοδείκτη για λοιμώξεις του κατώτερου αναπνευστικού συστήματος.

Σε μια μελέτη παρατήρησης σε βαρέως πάσχοντες ενήλικες, ο συνδυασμός έκανε σωστή διάγνωση στο 96% των περιπτώσεων και διαφοροποιούσε μεταξύ μολυσματικών και μη λοιμωδών αιτιών αναπνευστικής ανεπάρκειας με μεγαλύτερη ακρίβεια από τους γιατρούς της ΜΕΘ. Οι συγγραφείς υπολόγισαν ότι αυτό το μοντέλο, εάν ήταν διαθέσιμο κατά την εγγραφή των ασθενών, θα μπορούσε να μειώσει την ακατάλληλη χρήση αντιβιοτικών κατά περισσότερο από 80%.

«Έχουμε αναπτύξει μια μέθοδο που παράγει αποτελέσματα πολύ πιο γρήγορα από τον πολιτισμό και θα μπορούσε εύκολα να εφαρμοστεί στην κλινική», δήλωσε ο Δρ Chaz Langelier, αναπληρωτής καθηγητής ιατρικής και ανώτερος συγγραφέας της μελέτης που δημοσιεύθηκε στις 16 Δεκεμβρίου.Επικοινωνία με τη φύση.

Είμαστε βέβαιοι ότι αυτό θα μπορούσε να οδηγήσει σε ταχύτερη διάγνωση και να μειώσει την περιττή χρήση αντιβιοτικών».

Chaz Langelier, Αναπληρωτής Καθηγητής Ιατρικής, Πανεπιστήμιο της Καλιφόρνια – Σαν Φρανσίσκο

Ένα σημαντικό χαρακτηριστικό του μοντέλου είναι ο βιοδείκτης που ανέπτυξε η ομάδα του Langelier το 2023. Διαπίστωσαν ότι είναι ένα γονίδιο που ρυθμίζει τη φλεγμονή, που ονομάζεταιFABP4θα μπορούσε να βοηθήσει στη διάγνωση της λοίμωξης καθώς εκφράζεται λιγότερο στα κύτταρα του ανοσοποιητικού σε σύγκριση με τα φυσιολογικά κύτταρα του πνεύμονα.

Η τρέχουσα μελέτη εξέτασε δεδομένα από δύο ομάδες ασθενών σε κρίσιμη κατάσταση: 98 είχαν στρατολογηθεί πριν από την πανδημία COVID-19 και οι περισσότεροι είχαν βακτηριακές λοιμώξεις. 59 επιστρατεύτηκαν κατά τη διάρκεια της πανδημίας και οι περισσότεροι είχαν ιογενείς λοιμώξεις, συμπεριλαμβανομένου του COVID-19.

Πρώτα δοκίμασαν κάθε μέθοδο ξεχωριστά -FABP4Βιοδείκτες ή AI – και διαπίστωσε ότι καθένας από αυτούς έκανε τη σωστή διάγνωση περίπου στο 80% των περιπτώσεων. Στη συνέχεια, οι ερευνητές συνέκριναν τα αποτελέσματα του μοντέλου με τις διαγνώσεις των γιατρών που εισήγαγαν τους ασθενείς στη μονάδα εντατικής θεραπείας του νοσοκομείου.

Αυτοί οι γιατροί συνταγογραφούσαν αντιβιοτικά για τη θεραπεία της πνευμονίας στους περισσότερους από αυτούς τους ασθενείς, ενώ το μοντέλο βιοδείκτη συν-ΑΙ ήταν πολύ πιο λογικό στη διάγνωση της πνευμονίας.

Για να ελέγξει περαιτέρω την ακρίβεια του μοντέλου, η ομάδα συνέκρινε τον τρόπο με τον οποίο η τεχνητή νοημοσύνη ανέλυε τα ιατρικά αρχεία με τον τρόπο που τα ανέλυσαν τρεις διαφορετικοί γιατροί που ειδικεύονται στην εσωτερική ιατρική και τις λοιμώδεις νόσους. Το AI πραγματοποιήθηκε από το GPT4 σε μια πλατφόρμα απορρήτου που αναπτύχθηκε στο UCSF.

Και οι δύο έλαβαν περίπου τον ίδιο αριθμό σωστών διαγνώσεων, αλλά η τεχνητή νοημοσύνη έδωσε μεγαλύτερη έμφαση στις αναφορές ακτινολογίας για ακτινογραφίες θώρακος, ενώ οι γιατροί εστίασαν στις κλινικές σημειώσεις.

«Σχεδόν έδειξε μια πολιτισμική διαφορά αν μπορείτε να το πείτε αυτό για μια τεχνητή νοημοσύνη», είπε η Natasha Spottiswoode, MD, DPhil, επίκουρη καθηγήτρια ιατρικής, μια από τις πρώτες συγγραφείς της εργασίας. «Δείχνει πώς η τεχνητή νοημοσύνη μπορεί να συμπληρώσει το έργο των γιατρών».

Η ομάδα δημοσίευσε τις προτροπές της AI στο έγγραφο και ενθάρρυνε τους γιατρούς να τις δοκιμάσουν στις δικές τους πλατφόρμες τεχνητής νοημοσύνης συμβατές με το HIPAA.

«Είναι απίστευτα εύκολο στη χρήση, δεν χρειάζεται να είσαι βιοπληροφορικός», είπε ο Hoang Van Phan, PhD, βιοπληροφορικός ο ίδιος και πρώτος συγγραφέας της εργασίας.

Η ομάδα επικυρώνει το μοντέλο ως κλινική δοκιμή. Στη συνέχεια, στρέφονται στη σήψη, την κύρια αιτία θανάτου στο νοσοκομείο, η οποία είναι επίσης εμφανώς δύσκολο να προσδιοριστεί.

Πηγές: