Η πολυκεντρική μελέτη παρατήρησης για την αξιοποίηση μοντέλων τεχνητής νοημοσύνης στην χειρουργική ογκολογία όγκων πεπτικού, με τη συμμετοχή του Κοσμήτορα της Σχολής Επιστημών Υγείας Καθηγητή Χειρουργικής Ε. Πικουλή και του κ. Γ. Στασινού, Προέδρου του Τεχνικού Επιμελητηρίου Ελλάδας (ΤΕΕ) και Εξωτερικού μέλους του Συμβουλίου Διοίκησης του ΕΚΠΑ, με θέμα «Ένα ερμηνεύσιμο μοντέλο τεχνητής νοημοσύνης για την πρόβλεψη υποτροπής μετά από εκτομή στρωματικών όγκων πεπτικού» («An interpretable AI model for recurrence prediction after surgery in gastrointestinal stromal tumour: an observational cohort study») υλοποιήθηκε σε μεγάλα επιστημονικά κέντρα με διεθνή αναγνώριση, όπως το MIT της Βοστώνης και το Memorial Sloan Kettering Cancer Center της Νέας Υόρκης και διερεύνησε την προβλεπτική ικανότητα μοντέλων τεχνητής νοημοσύνης που χρησιμοποιούν τεχνικές μηχανικής μάθησης για την έγκαιρη πρόβλεψη υποτροπής των στρωματικών όγκων πεπτικού (γνωστών ως GIST [Gastrointestinal Stromal Tumors]).
Σύμφωνα με τα αποτελέσματα της μελέτης, το μοντέλο τεχνητής νοημοσύνης που αναπτύχθηκε από την ομάδα (συγκεκριμένα το Optimal Classification Tree (OCT)), όχι μόνο υπερείχε σε προβλεπτική ακρίβεια σε σύγκριση με τα προηγούμενα (συμβατικού τύπου) προγνωστικά εργαλεία, αλλά υπερείχε και έναντι άλλων εδραιωμένων μοντέλων τεχνητής νοημοσύνης που χρησιμοποιούν τεχνικές μηχανικής μάθησης. Η στατιστική υπεροχή του μοντέλου μπορεί να μεταφραστεί σε σημαντικό κλινικό όφελος για τους ασθενείς στην καθ’ ημέρα κλινική πράξη καθώς το μοντέλο αυτό μπορεί να βελτιώσει την διαδικασία λήψης αποφάσεων για επικουρική στοχευμένη θεραπεία με imatinib με στόχο την πρόληψη υποτροπών σε αυτή την κατηγορία ασθενών. Τέλος, είναι σημαντικό να τονιστεί ότι η αξιολόγηση του μοντέλου τεχνητής νοημοσύνης που αναπτύχθηκε από την ομάδα πραγματοποιήθηκε σε έναν ανεξάρτητο πληθυσμό ασθενών από πληθώρα νοσοκομείων μιας Ευρωπαϊκής χώρας, κάτι που υποδηλώνει την ευρεία κλινική εφαρμοσιμότητα του.
Βλ. επίσης: https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(23)00377-2/fulltext
