Ένα νέο μοντέλο τεχνητής νοημοσύνης μπορεί να προβλέπει πώς θα μεταβληθούν τα επίπεδα γλυκόζης σε ανθρώπους με διαβήτη τύπου 1, εκτιμώντας παράλληλα τον κίνδυνο υπογλυκαιμίας 30 και 60 λεπτά πριν από την πιθανή εμφάνισή της. Το σύστημα, που αναπτύχθηκε από ερευνητές του Τεχνολογικού Πανεπιστημίου του Κάουνας στη Λιθουανία, αξιοποιεί δεδομένα από συστήματα συνεχούς καταγραφής γλυκόζης και τα συνδυάζει με πληροφορίες για τη χορήγηση ινσουλίνης, την πρόσληψη υδατανθράκων και τη σωματική δραστηριότητα.
Η προσέγγιση βασίζεται σε ένα μοντέλο που ονομάζεται GAT-BiGRU και έχει σχεδιαστεί ώστε να εντοπίζει σχέσεις ανάμεσα σε διαφορετικές χρονικές στιγμές και φυσιολογικές καταστάσεις. Αντί να εξετάζει απλώς τις μετρήσεις της γλυκόζης ως μια διαδοχική σειρά αριθμών, μετατρέπει τα δεδομένα σε ένα δίκτυο χρονικών σημείων και αναζητά προηγούμενες καταστάσεις που μοιάζουν με την τρέχουσα. Με αυτόν τον τρόπο μπορεί να αξιοποιεί όχι μόνο την άμεση πορεία της γλυκόζης, αλλά και πιο σύνθετα μοτίβα που σχετίζονται με τις διακυμάνσεις της.
Τι μπορεί να προβλέψει το μοντέλο
Η μελέτη δημοσιεύθηκε στο Journal of the American Medical Informatics Association και αξιολόγησε το μοντέλο σε δύο διεθνή σύνολα δεδομένων ασθενών με διαβήτη τύπου 1, τα OhioT1DM και BrisT1D. Στο πρώτο σύνολο δεδομένων, το μοντέλο πέτυχε μέσο απόλυτο σφάλμα πρόβλεψης γλυκόζης 9,40 mg/dL και μέση απόλυτη σχετική διαφορά 6,01%, ενώ η επίδοσή του στην αναγνώριση του κινδύνου υπογλυκαιμίας έφτασε σε PR-AUC 0,93. Στο BrisT1D, το μέσο απόλυτο σφάλμα ήταν 9,36 mg/dL, η μέση απόλυτη σχετική διαφορά 7,55% και η PR-AUC για την υπογλυκαιμία 0,98. Το μοντέλο εξετάζει επίσης τη δυνατότητα εξατομικευμένης προσαρμογής της ινσουλίνης, αλλά αυτή η λειτουργία δεν σχεδιάστηκε ώστε οι ασθενείς να αλλάζουν μόνοι τους τη θεραπεία τους. Η συγκεκριμένη ανάλυση πραγματοποιήθηκε αναδρομικά και λειτουργεί ως εργαλείο υποστήριξης αποφάσεων, χρησιμοποιώντας στοιχεία όπως ο λόγος ινσουλίνης προς υδατάνθρακες και ο παράγοντας ευαισθησίας στην ινσουλίνη. Στις προσομοιώσεις, οι προτεινόμενες προσαρμογές ήταν εξατομικευμένες και περιορισμένες, με συχνή πρόταση περίπου 10% αύξησης της βασικής ινσουλίνης σε συγκεκριμένα σενάρια. Ένα ακόμη στοιχείο που οι ερευνητές θεωρούν σημαντικό είναι η ερμηνευσιμότητα του συστήματος. Το μοντέλο μπορεί να υποδεικνύει ποια προηγούμενα δεδομένα και ποια χαρακτηριστικά επηρέασαν περισσότερο την πρόβλεψή του, αντί να λειτουργεί ως ένα σύστημα που δίνει απλώς ένα αποτέλεσμα χωρίς εξήγηση. Για την ιατρική χρήση της τεχνητής νοημοσύνης, η δυνατότητα αυτή θεωρείται κρίσιμη, καθώς μια πρόβλεψη πρέπει να μπορεί να αξιολογηθεί από τον επαγγελματία υγείας.
Η αξιοποίηση τέτοιων μοντέλων θα μπορούσε στο μέλλον να προσφέρει έγκαιρη προειδοποίηση για επικίνδυνες μεταβολές της γλυκόζης, ιδιαίτερα όταν τα δεδομένα από τη συνεχή καταγραφή συνδυάζονται με πληροφορίες για γεύματα, άσκηση και χορήγηση ινσουλίνης. Η δυνατότητα πρόβλεψης αντί της απλής καταγραφής μιας ήδη υπάρχουσας μεταβολής θα μπορούσε να ενισχύσει συστήματα υποστήριξης αποφάσεων και, μακροπρόθεσμα, να συμβάλει στην ανάπτυξη πιο εξατομικευμένων συστημάτων ελέγχου της γλυκόζης.
Ωστόσο, η υψηλή ακρίβεια στις δοκιμές δεν σημαίνει ότι το μοντέλο είναι έτοιμο για καθημερινή χρήση από ασθενείς. Μέχρι σήμερα έχει αξιολογηθεί σε ιστορικά δεδομένα και χρειάζονται κλινικές μελέτες σε πραγματικές συνθήκες για να διαπιστωθεί αν διατηρεί την ίδια απόδοση σε διαφορετικούς πληθυσμούς, νοσοκομεία και συνθήκες ζωής. Οι ερευνητές επισημαίνουν επίσης ζητήματα σχετικά με την ασφάλεια των δεδομένων, την προστασία της ιδιωτικότητας και την ενσωμάτωση τέτοιων συστημάτων στην καθημερινή εργασία των κλινικών.
Η μελέτη επομένως δεν παρουσιάζει την τεχνητή νοημοσύνη ως αντικαταστάτη του γιατρού, αλλά ως εργαλείο που μπορεί να επεξεργάζεται τον τεράστιο όγκο δεδομένων που παράγουν οι σύγχρονες συσκευές συνεχούς καταγραφής γλυκόζης και να μετατρέπει αυτές τις πληροφορίες σε εξατομικευμένες προβλέψεις. Το επόμενο βήμα είναι η δοκιμή της τεχνολογίας σε πραγματικές κλινικές συνθήκες πριν εξεταστεί η ευρύτερη εφαρμογή της.
