του Ηρακλή Χ. Μητσογιάννη, Αναπλ. Καθηγητή Ουρολογίας του ΕΚΠΑ | Β΄ Πανεπιστημιακή Ουρολογική Κλινική Σισμανόγλειο ΓΝΑ
Η αλματώδης πρόοδος που έχει επιτευχθεί στην επιστήμη των ηλεκτρονικών υπολογιστών επέτρεψε την ανάπτυξη και ευρεία διάδοση των τεχνικών Τεχνητής Νοημοσύνης- Artificial Intelligence (ΤΝ), οι οποίες πλέον αποτελούν μέρος της καθημερινής μας ζωής. Όλο και περισσότεροι επιστημονικοί κλάδοι δοκιμάζουν, επικυρώνουν και σταδιακά ενσωματώνουν διάφορες τεχνικές ΤΝ ώστε να επιτύχουν μεγαλύτερη ακρίβεια αλλά και ταχύτητα στην εκτέλεση καθημερινών πράξεων. Στην Ιατρική, η ΤΝ χρησιμοποιείται σε πολλές Ειδικότητες για τη βελτιστοποίηση τόσο της διάγνωσης όσο και της θεραπείας διαφόρων παθήσεων. Ένας βασικός τομέας της ΤΝ είναι η μηχανική μάθηση-Machine Learning (ΜΜ), στην οποία κατασκευάζονται αλγόριθμοι βασισμένοι σε πολύπλοκες μαθηματικές εξισώσεις με σκοπό την «εκπαίδευση» ενός υπολογιστή ώστε να παρέχει ασφαλείς προβλέψεις ή και να εξάγει συμπεράσματα βάσει συγκεκριμένων δεδομένων. Η μηχανική μάθηση μπορεί να είναι επιτηρούμενη (supervised machine learning) ή μη επιτηρούμενη (unsupervised machine learning). Στην πρώτη κατηγορία παρέχονται στον αλγόριθμο τα δεδομένα καθώς και τα αποτελέσματα που βασίζονται σε αυτά με σκοπό την εκπαίδευση του υπολογιστή, ώστε να δημιουργήσει ένα γενικό κανόνα προκειμένου να μπορεί, στο μέλλον, να χρησιμοποιεί δεδομένα για να καταλήγει σε αντίστοιχα, ακριβή συμπεράσματα. Στη δεύτερη κατηγορία, ο αλγόριθμος πρέπει να αναζητήσει μία κοινή δομή των δεδομένων που του παρέχονται ώστε να μπορεί να ομαδοποιήσει τα δεδομένα, ιδανικά με τρόπο που να προσεγγίζει την πραγματικότητα.
Τα τελευταία χρόνια έχει δημοσιευτεί πλήθος μελετών σχετικά με τη χρήση τεχνικών μηχανικής μάθησης ώστε να μπορεί να προβλεφθεί με μεγάλη ακρίβεια η ανθεκτικότητα/ευαισθησία διαφόρων μικροοργανισμών στα αντιβιοτικά, καθώς η ανάπτυξη στελεχών με πολλαπλή ανθεκτικότητα στα αντιβιοτικά (Multiple Drug Resistance, MDR), η οποία έχει αναδειχθεί σε μείζον πρόβλημα της σύγχρονης Ιατρικής. Με δεδομένο ότι ένα μεγάλο ποσοστό ασθενών με λιθίαση του ουροποιητικού εμφανίζει αποικισμό από MDR μικροοργανισμούς, θα ήταν χρήσιμο να μπορούσε να προβλεφθεί άμεσα, με κάποιον αλγόριθμο, η ευαισθησία των μικροβίων πριν το αποτέλεσμα της καλλιέργειας ούρων που απαιτεί συνήθως 24-48 ώρες. Με αυτό τον τρόπο η αντιβιοτική κάλυψη των ασθενών με ουροσήψη καθίσταται ακριβέστερη και συνεπώς αποτελεσματικότερη. Κλινική μελέτη, η οποία εκπονήθηκε στη Β’ Πανεπιστημιακή Ουρολογική Κλινική του ΕΚΠΑ, στο Σισμανόγλειο ΓΝΑ και έχει ήδη γίνει αποδεκτή προς δημοσίευση στο περιοδικό World Journal of Urology (1), αξιολόγησε την ακρίβεια διαφόρων τεχνικών επιτηρούμενης μηχανικής μάθησης για την πρόβλεψη της μικροβιακής αντοχής σε αντιβιοτικά, στους ασθενείς με λιθίαση του ουροποιητικού. Τα δεδομένα ανακτήθηκαν από το Εργαστηριακό Πληροφοριακό Σύστημα (Laboratory Information System, LIS) του Σισμανογλείου Νοσοκομείου και αφορούσαν 239 ασθενείς με ουρολιθίαση που νοσηλεύθηκαν στη Β’ Πανεπιστημιακή Ουρολογική Κλινική σε χρονική περίοδο ενός έτους (2019). Συλλέχθηκαν δεδομένα όπως η ηλικία, το φύλο, η χρώση κατά Gram, το είδος του μικροοργανισμού, ο τύπος του δείγματος (ούρα, αίμα, πύον), το είδος του αντιβιοτικού (συνολικά 39) και η αντίστοιχη ευαισθησία. Έγινε συγκριτική αξιολόγηση διαφόρων αλγορίθμων επιτηρούμενης ΜΜ, ακολουθώντας μια τεχνική ελέγχου-επικύρωσης των δεδομένων σε πολλά επίπεδα, κατά την οποία ένα τμήμα των δεδομένων χρησιμοποιούνταν κάθε φορά για έλεγχο και ένα άλλο τμήμα για επικύρωση των αποτελεσμάτων. Η επεξεργασία των δεδομένων έγινε αρχικά γνωρίζοντας μόνο τη χρώση κατά Gram και στη συνέχεια γνωρίζοντας, εκτός από τη χρώση, και τον μικροοργανισμό που καλλιεργήθηκε. Τα αποτελέσματα της μελέτης έδειξαν ότι η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί (πριν τη γνωστοποίηση του αντιβιογράμματος) για να προβλέψει τα πρότυπα αντοχής των μικροβίων στα αντιβιοτικά, με ακρίβεια 77%, όταν είναι γνωστή μόνο η Gram χρώση, και 87% όταν έχει ταυτοποιηθεί και το παθογόνο (ROC areas 0,768 & 0,874, αντίστοιχα και F-measures 0,708 & 0,783, αντίστοιχα). Επομένως, η εφαρμογή αυτών των τεχνικών μπορεί να παράσχει σημαντική βοήθεια στους Κλινικούς, οι οποίοι μπορούν να έχουν τη δυνατότητα εμπειρικής χορήγησης ενός κατάλληλου αντιβιοτικού στους λιθιασικούς ασθενείς, ακόμη και 24-48 ώρες πριν γίνουν γνωστά τα αποτελέσματα των καλλιεργειών.
Βιβλιογραφική Αναφορά
- Tzelves L, Lazarou L, Feretzakis G, Kalles D, Mourmouris P, Loupelis E, Basourakos S, Berdempes M, Mitsogiannis I, Skolarikos A, Varkarakis I. Using Machine Learning techniques to predict antimicrobial resistance in stone disease patients. Accepted for publication in World J Urol.
