Ειδικότερα, οι επιστήμονες ανέλυσαν προεγχειρητικά ηλεκτροκαρδιογραφήματα (ECG) 37.000 ασθενών στο ιατρικό κέντρο Beth Israel Deaconess στη Βοστώνη και εκπαίδευσαν δύο μοντέλα μηχανικής μάθησης (machine learning). Το πρώτο βασίστηκε αποκλειστικά στα σήματα του καρδιογραφήματος, ενώ το δεύτερο, το επονομαζόμενο «fusion model», συνδύασε τα δεδομένα με 34 κλινικές μεταβλητές, όπως ηλικία, φύλο και ιστορικό υγείας.

Μάλιστα, και τα δύο μοντέλα ξεπέρασαν σε αποτελεσματικότητα τα παραδοσιακά εργαλεία πρόβλεψης κινδύνου, με το δεύτερο να επιτυγχάνει ακρίβεια 85%. «Ένα απλό ηλεκτροκαρδιογράφημα κρύβει κρίσιμες πληροφορίες που δεν είναι ορατές στο ανθρώπινο μάτι. Μόνο με τεχνικές μηχανικής μάθησης μπορούμε να τις αποκαλύψουμε», εξήγησε ο δρ. Ρόμπερτ Στίβενς, επικεφαλής της μελέτης και διευθυντής του Τμήματος Πληροφορικής και Καινοτομίας στην Ιατρική Σχολή του Τζονς Χόπκινς.

Η ομάδα υποψιαζόταν ότι τα «κύματα» ενός ECG δεν αποτυπώνουν μόνο τη λειτουργία της καρδιάς, αλλά και πιο σύνθετες φυσιολογικές διαδικασίες, όπως τη φλεγμονή, τον μεταβολισμό και την ισορροπία υγρών. Το μοντέλο AI εντόπισε λεπτές ανωμαλίες στο καρδιογράφημα που συνδέονται με μεγαλύτερο κίνδυνο επιπλοκών, όπως αλλαγές στον ρυθμό και στην ένταση του ηλεκτρικού σήματος της καρδιάς, οι οποίες συνήθως περνούν απαρατήρητες από τους γιατρούς.

Αξίζει να σημειωθεί πως η καινοτομία στηρίζεται σε μια εξέταση ρουτίνας, φθηνή και ευρέως διαθέσιμη. Κάθε ασθενής που προγραμματίζεται για χειρουργείο κάνει καρδιογράφημα. «Αντί να καταλήγει απλώς στον φάκελο του ασθενούς και να μένει αναξιοποίητο, μπορεί να περάσει από το μοντέλο και αυτό να δώσει εξατομικευμένη εκτίμηση κινδύνου», σημείωσε ο Στίβενς.

Για τον Κάρλ Χάρις, διδακτορικό φοιτητή και πρώτο συγγραφέα της μελέτης, τα αποτελέσματα ήταν εντυπωσιακά: «Είναι εκπληκτικό ότι μέσα από 10 δευτερόλεπτα δεδομένων μπορούμε να προβλέψουμε με τόση ακρίβεια αν κάποιος θα επιβιώσει μετά το χειρουργείο».

Η μελέτη, που δημοσιεύτηκε στο British Journal of Anaesthesia, δείχνει πώς το AI μπορεί να μετατρέψει φθηνές, καθιερωμένες εξετάσεις σε εργαλεία πρόβλεψης ζωής και θανάτου. Τα μοντέλα εξήγησης που χρησιμοποίησαν οι ερευνητές επιτρέπουν στους γιατρούς να καταλάβουν τον λόγο που το σύστημα «σήμανε συναγερμό» για συγκεκριμένους ασθενείς, κάτι που ενισχύει την εμπιστοσύνη στην κλινική πράξη.

Οι επιστήμονες σχεδιάζουν τώρα να δοκιμάσουν το σύστημα σε πραγματικό χρόνο, με ασθενείς που πρόκειται να χειρουργηθούν. Σε περίπτωση που επιβεβαιωθεί η αποτελεσματικότητα, η εφαρμογή θα μπορούσε να αλλάξει άρδην τον τρόπο που γιατροί και ασθενείς συζητούν για τα οφέλη και τους κινδύνους μιας επέμβασης.