Το εργαλείο - που ονομάζεται Foresight - εκπαιδεύεται σε υπάρχοντα δεδομένα υγειονομικής περίθαλψης και χρησιμοποιεί μια προσέγγιση βαθιάς μάθησης.
Μια νέα μελέτη με επικεφαλής το Institute of Psychiatry, Psychology & Neuroscience (IoPPN) στο King’s College του Λονδίνου έδειξε τη δυνατότητα ενός εργαλείου AI που ανέπτυξαν για να προβλέψει την πορεία της υγείας των ασθενών προβλέποντας μελλοντικές διαταραχές, συμπτώματα, φάρμακα και διαδικασίες. Σύμφωνα με την ομάδα ερευνητών του King’s College London, UCL, του King’s College Hospital NHS Foundation Trust και του Guy’s and St Thomas’ NHS Foundation Trust, αυτά τα αποτελέσματα δείχνουν ότι το εργαλείο θα μπορούσε να χρησιμοποιηθεί:
- για την υποστήριξη της λήψης κλινικών αποφάσεων,
- της παρακολούθησης σε περιβάλλοντα υγειονομικής περίθαλψης
- και για τη βελτίωση των κλινικών δοκιμών.
Το εργαλείο – που ονομάζεται Foresight – εκπαιδεύεται σε υπάρχοντα δεδομένα υγειονομικής περίθαλψης και χρησιμοποιεί μια προσέγγιση βαθιάς μάθησης για να αναγνωρίζει πολύπλοκα μοτίβα τόσο στα δομημένα όσο και στα μη δομημένα δεδομένα των ηλεκτρονικών αρχείων υγείας για να παράγει πληροφορίες και προβλέψεις. Ανήκει στην ίδια οικογένεια μοντέλων τεχνητής νοημοσύνης με το ChatGPT, αλλά, σε αντίθεση με το ChatGPT που εκπαιδεύεται σε δημόσια διαθέσιμες πληροφορίες, το Foresight εκπαιδεύεται σε πληροφορίες από ηλεκτρονικά αρχεία υγείας του NHS.
Η μελέτη, που δημοσιεύτηκε στο The Lancet Digital Health, διερεύνησε την ακρίβεια των ιατρικών προβλέψεων του Foresight συγκρίνοντάς τες με αυτό που πραγματικά συνέβη στους ασθενείς όπως περιγράφεται στα αρχεία τους. Χρησιμοποιώντας δεδομένα από περισσότερους από 811.000 ασθενείς από το King’s College Hospital NHS Foundation Trust, το South London και το Maudsley NHS Foundation Trust και το MIMIC-III—ένα δημόσια διαθέσιμο σύνολο δεδομένων ασθενών από το Beth Israel Deaconess Medical Center στις ΗΠΑ, οι ερευνητές εκπαίδευσαν τρία διαφορετικά μοντέλα Πρόβλεψη.
Οι ερευνητές εξήγαγαν και επεξεργάστηκαν τα αδόμητα (ελεύθερο κείμενο) και δομημένα δεδομένα (ηλικία, εθνικότητα και φύλο) στα ηλεκτρονικά αρχεία υγείας χρησιμοποιώντας το CogStack. Τα σύνολα δεδομένων χρησιμοποιήθηκαν για την εκπαίδευση της Προοπτικής Διερεύνησης και η απόδοση μετρήθηκε συγκρίνοντας τις προβλέψεις της για αληθινά αποτελέσματα σε ένα μικρότερο υποσύνολο αυτών των δεδομένων. Η Προοπτική Διερεύνηση εκπαιδεύτηκε σε δεδομένα στο πλαίσιο του NHS και της διακυβέρνησης ασθενών και εντός του τείχους προστασίας του νοσοκομείου NHS.
Κατά την πρόβλεψη των επόμενων 10 πιθανών διαταραχών που θα μπορούσαν να εμφανιστούν στη συνέχεια σε ένα χρονοδιάγραμμα ασθενούς, οι δοκιμές έδειξαν ότι η Προοπτική Διάγνωση αναγνώρισε σωστά την επόμενη διαταραχή 68% και 76% των περιπτώσεων σε δύο καταπιστεύματα του ΕΣΥ του Ηνωμένου Βασιλείου (King’s College Hospital NHS Foundation Trust και South London και Maudsley NHS Foundation Trust) και το 88% του χρόνου στο σύνολο δεδομένων MIMIC-III των ΗΠΑ. Ομοίως, κατά την πρόβλεψη της επόμενης νέας βιοϊατρικής ιδέας που θα μπορούσε να είναι μια διαταραχή, σύμπτωμα, υποτροπή ή φαρμακευτική αγωγή, η ακρίβεια που επιτεύχθηκε με την Προοπτική Διερεύνηση ήταν 80%, 81% και 91% αντίστοιχα.
Η μελέτη δείχνει ότι η Προοπτική Διερεύνηση μπορεί να επιτύχει υψηλά επίπεδα ακρίβειας στην πρόβλεψη των τροχιών υγείας των ασθενών, αποδεικνύοντας ότι θα μπορούσε να είναι ένα πολύτιμο εργαλείο για να βοηθήσει στη λήψη αποφάσεων και να ενημερώσει την κλινική έρευνα. Ο προτεινόμενος σκοπός της Προοπτικής Διερεύνησης δεν είναι να επιτρέψει στους ασθενείς να αυτοδιάγνωσουν ή προβλέψει το μέλλον τους, αλλά θα μπορούσε ενδεχομένως να χρησιμοποιηθεί ως βοήθημα από τους κλινικούς ιατρούς για να βεβαιωθείτε ότι δεν θα χαθεί μια διάγνωση ή για τη συνεχή παρακολούθηση των ασθενών για πρόβλεψη κινδύνου σε πραγματικό χρόνο.
Διαβάστε όλες τις τελευταίες Ειδήσεις για την υγεία από την Ελλάδα και τον Κόσμο
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
