Περίληψη |
Η τεχνητή νοημοσύνη (AI), είναι ο κλάδος πληροφορικής που ασχολείται με τη σχεδίαση και την υλοποίηση ευφυών συστημάτων ικανά να συλλέγουν πληροφορίες, να εκτελούν ανάλυση δεδομένων και να εφαρμόζουν κατάλληλες ενέργειες, για να καλύψουν τις ανάγκες διαφόρων περιβαλλόντων, μιμούμενα την ανθρώπινη συμπεριφορά ως προς την συλλογιστική, μάθηση και επίλυση προβλημάτων. Η εφαρμογή της τεχνητής νοημοσύνης στην ιατρική επιτρέπει τη συλλογή και ανάλυση ιατρικών πληροφοριών και την εφαρμογή κατάλληλων δράσεων, για την υποστήριξη της πρόληψης, της διάγνωσης, της θεραπείας και της πρόγνωσης των ασθενειών. Τα κλινικά συστήματα υποστήριξης αποφάσεων (CDS) είναι συστήματα που υποστηρίζουν τη διαδικασία λήψης αποφάσεων των ιατρών. Τα συστήματα CDS είναι σε θέση να πραγματοποιήσουν σύνθετες αναλύσεις ιατρικών δεδομένων, να αναγνωρίσουν συσχετισμούς στα ιατρικά δεδομένα, να προσομοιώσουν και να βελτιώσουν τη διαδικασία ιατρικής συλλογιστικής και να παρέχουν προγνωστικές πληροφορίες που βοηθούν στον έγκαιρο εντοπισμό κρίσιμων καταστάσεων. Η παρούσα διατριβή επικεντρώνεται στην ανάπτυξη και παρουσίαση του κλινικού συστήματος υποστήριξης αποφάσεων CDS-RA για την διαχείριση και μακροπρόθεσμη πρόγνωση ασθενών με ρευματοειδή αρθρίτιδα (RA) υπό βιολογική θεραπεία. Το σύστημα, CDS-RA χρησιμοποιεί μεθόδους τεχνητής νοημοσύνης για τη διεξαγωγή προηγμένων αναλύσεων ιατρικών δεδομένων βασισμένων σε στατιστικά μοντέλα μεικτών επιδράσεων, σε μοντέλα μηχανικής μάθησης και σε πολιτικές εξαγωγής συμπερασμάτων από λογικούς ιεραρχημένους κανόνες βασισμένους στην αναιρέσιμη συλλογιστική.
Ένας σημαντικός στόχος του CDS-RA συστήματος είναι να παρέχει προγνωστική λειτουργικότητα ικανή για την πρώιμη πρόβλεψη και αιτιολόγηση του επιπέδου επίμονης νόσου ενός ασθενούς με ρευματοειδή αρθρίτιδα υπό βιολογική θεραπεία. Το επίπεδο επίμονης νόσου (PDL) ορίστηκε ως το ίδιο επίπεδο δραστηριότητας της νόσου (DAS28 εντός συγκεκριμένου εύρους), που παρουσιάστηκε σε έναν ασθενή υπό βιολογική θεραπεία, για τουλάχιστον το ήμισυ της 5ετούς κλινικής παρακολούθησης, σωρευτικά και ανεξάρτητα από τις διακυμάνσεις. Ορίστηκαν τρία επίπεδα "επίμονης" νόσου (PDL), το επίπεδο LDA (DAS28≤3.2), MDA (3.2 <DAS28&lllle;5.1) και HDA (DAS28> 5.1), αντίστοιχα. Η διατριβή παρέχει στοιχεία για την κλινική σημασία της πρώιμης κατηγοριοποίησης των ασθενών στα επίπεδα PDL αναλύοντας τη σχέση τους με διαφορετικά μακροπρόθεσμα αποτελέσματα. Για τις αναλύσεις ανακτήθηκαν δεδομένα ασθενών από το ελληνικό πολυκεντρικό Ελληνικό Μητρώο Βιολογικών Θεραπειών (HeRBT) από 8 νοσοκομεία της Ελλάδας. Πραγματοποιήθηκε συγκριτική ανάλυση μεταξύ ασθενών διαφορετικών επιπέδων επίμονης νόσου (PDL) στα ακόλουθα μακροπρόθεσμα αποτελέσματα, (α) στην πενταετή πορεία λειτουργικότητας (HAQ) των ασθενών και (β) στο σύνολο σοβαρών ανεπιθύμητων συμβάντων στα 5 χρόνια βιολογικής θεραπείας. Αναπτύχθηκε ένα πολυπαραγοντικό μοντέλο μεικτών επιδράσεων (mixed-effect model) με βάση τις πενταετές πορείες λειτουργικότητας των ασθενών που έδειξε ότι οι ασθενείς στο επίπεδο MDA συσχετίστηκαν με χειρότερη πορεία λειτουργικότητας 5 ετών από τους ασθενείς στο επίπεδο LDA (+0.27 υψηλότερη τροχιά HAQ στο MDA από το LDA, p<0.0001) ενώ οι ασθενείς του επιπέδου HDA συσχετίστηκαν με ακόμη υψηλότερο περιορισμό λειτουργικότητας 5 ετών από τους ασθενείς επιπέδου LDA (+0.69 υψηλότερη τροχιά HAQ στο ΗDA από το LDA, p<0.0001). Παρόμοια διαφοροποίηση παρουσίασαν τα σοβαρά ανεπιθύμητα συμβάντα (0.2±0,48 σε LDA, 0.5±0.96 σε MDA και 0.89±1.7 σε HDA, p<0.01). Το CDS-RA απεικονίζει τις διαφοροποιημένες πορείες 5-ετής λειτουργικότητας και σοβαρών ανεπιθύμητων συμβάντων των ομάδων ασθενών σε LDA, MDA και HDA.
Η ομάδα ασθενών με ρευματοειδή αρθρίτιδα στο επίπεδο MDA (επίμονη μέτρια νόσος) που δεν βελτιώνει ούτε επιδεινώνεται (εκτός της μέτριας ενεργότητας νόσου) υπό βιολογική θεραπεία για σημαντικό χρονικό διάστημα, δεν έχει ερευνηθεί επαρκώς στη βιβλιογραφία. Έτσι, η διατριβή επικεντρώθηκε επίσης στην ανάλυση αυτής της ομάδας και συγκεκριμένα στην εσωτερική της ετερογένεια. Οι ασθενείς με MDA υπο-κατηγοριοποιήθηκαν σε δύο υπο-ομάδες χαμηλότερης και υψηλότερης MDA. Ένα πολυπαραγοντικό μοντέλο μεικτών επιδράσεων (mixed-effect model) αναπτύχθηκε με βάση τις πενταετές πορείες λειτουργικότητας των ασθενών που έδειξε ότι η υπό-ομάδα ασθενών σε υψηλότερη MDA συσχετίστηκε με χειρότερη πορεία λειτουργικότητας 5 ετών από την υπό-ομάδα ασθενών σε χαμηλότερη MDA (+0.26 υψηλότερη τροχιά HAQ στην υψηλότερη MDA, p <0.0001). Παρόμοια διαφοροποίηση παρουσίασαν τα σοβαρά ανεπιθύμητα συμβάντα (0.32±0.6 στην χαμηλότερη MDA και 0.64±1.16 στην υψηλότερη MDA, p=0.038). Η ετερογένεια που βρέθηκε μεταξύ ασθενών με χαμηλότερη και υψηλότερη MDA μπορεί να βοηθήσει μελλοντικές στρατηγικές στοχευμένων θεραπειών (T2T) ώστε να προσαρμόσουν τις θεραπείες για αυτές τις υπο-ομάδες προκειμένου να βελτιώσουν τα μακροπρόθεσμα αποτελέσματά τους.
Το σύστημα CDS-RA που αναπτύχθηκε περιλαμβάνει λειτουργικότητα τεχνητής νοημοσύνης (AI) που υποστηρίζει την πρόγνωση του επιπέδου επίπονης νόσου (LDA, MDA και HDA) ενός ασθενή υπό βιολογική θεραπεία, βασισμένη σε τρεις στοιχειοθετημένες πολιτικές διαφορετικής προτεραιότητας. Η πρώτη πολιτική 1ης προτεραιότητας κατηγοριοποιεί τον ασθενή σε ένα επίπεδο επίπονης νόσου όταν ο ασθενής πληρεί τα κριτήρια κάποιου επιπέδου με βάση τον ορισμό των επιπέδων από υπάρχοντα μακροχρόνια δεδομένα της πορεία της νόσου του. Η δεύτερη πολιτική 2ης προτεραιότητας αφορά ασθενείς για τους οποίους δεν υπάρχουν μακροχρονία δεδομένα της πορείας της νόσου τους ώστε να πληρούν τον ορισμό κάποιο επιπέδου αλλά υπάρχει εκτίμηση ειδικευμένου ιατρού που τους παρακολουθεί για το επίπεδο επίμονης νόσου τους. Η τρίτη πολιτική 3ης προτεραιότητας αφορά ασθενείς για τους οποίους δεν υπάρχουν μακροχρόνια δεδομένα της πορείας της νόσου τους ώστε να πληρούν τον ορισμό κάποιο επιπέδου και ούτε υπάρχει εκτίμηση ειδικευμένου ιατρού για το επίπεδο επίμονης νόσου τους αλλά υπάρχουν πρώιμα δεδομένα από τους αρχικούς (6-9) μήνες της θεραπείας τους. Η πολιτική αυτή χρησιμοποιεί προβλεπτικά μοντέλα μηχανικής μάθησης που αναπτύχθηκαν στο σύστημα για την εξατομικευμένη πρόβλεψη του επιπέδου επίμονης νόσου ενός ασθενή από πρώιμα δεδομένα θεραπείας. Οι τρείς προγνωστικές πολιτικές και η ιεράρχηση τους εκφράστηκαν με λογικούς κανόνες αναιρέσιμης συλλογιστικής και εισάχθηκαν ως θεωρία σε ένα εργαλείο συλλογισμού κανόνων (rule-based reasoning engine) ενσωματωμένo στο σύστημα CDS-RA για να υποστηρίζεται η εξαγωγή συμπερασμάτων. Η AI θεωρία λογικών κανόνων είναι προσβάσιμη, επαναχρησιμοποιήσιμη, διαμορφώσιμη και επεκτάσιμη για την υποστήριξη πρόσθετων ιεραρχημένων ιατρικών πολιτικών.
Δύο πολυπαραγοντικά προβλεπτικά μοντέλα λογιστικής παλινδρόμησης (logistic regression) από το πεδίο της μηχανικής μάθησης αναπτύχθηκαν στο σύστημα για την εξατομικευμένη πρόβλεψη του επιπέδου επίμονης νόσου ενός ασθενή (LDA, MDA ή HDA) από πρώιμα δεδομένα θεραπείας. Το πρώτο ανέδειξε ως πρώιμους δείκτες LDA σε σχέση με τα υπόλoιπα επίπεδα, το ανδρικό φύλο (OR 0.38 για γυναικείο φύλο, p=0.02), την χαμηλότερη ενεργότητα ασθένειας (OR 0.42 για DAS28 ανά μονάδα, p=0.001) και λειτουργικότητα (OR 0.3 για HAQ ανά μονάδα, p=0.01) στην έναρξη της θεραπείας και την χαμηλότερη μέση ενεργότητα ασθένειας το πρώτο εξάμηνο (OR 0.2 για DAS28 ανά μονάδα, p<0.001). Το δεύτερο ανέδειξε ως πρώιμους δείκτες MDA σε σχέση με HDΑ στην έναρξη της θεραπείας, την μικρότερη ηλικία (OR 1.04 ανά 1 χρόνο, p=0.003), την μικρότερη διάρκεια νόσου από 2 χρόνια (OR 2.65, p=0.026), την χρήση πρεδνιζολόνης (OR 1.81, p=0.033), την χαμηλότερη ενεργότητα ασθένειας (OR 0.56 για DAS28 ανά μονάδα, p<0.001) και την λειτουργικότητα (OR 0.21 για HAQ ανά μονάδα, p<0.001), ενώ πρώιμοι δείκτες του πρώτου εξάμηνου θεραπείας ήταν η χαμηλότερη μέση ενεργότητα ασθένειας (OR 0.42 για DAS28 ανά μονάδα, p<0.001), η βελτιωμένη μέση λειτουργικότητα σε σχέση με την έναρξη (OR 2.89, p=0.002) και η απουσία σοβαρών ανεπιθύμητων συμβάντων (OR 0.32, p=0.047).
Συνολικά, το CDS-RA παρέχει ένα τεχνολογικό περιβάλλον τεχνητής νοημοσύνης με ευρύ φάσμα λειτουργικών υπηρεσιών, συμβατό για χρήση από κινητές συσκευές (tablet), που υποστηρίζει τη διαχείριση της θεραπείας ασθενών με ρευματοειδή αρθρίτιδα, διευκολύνει την αλληλεπίδραση ασθενούς και κλινικού ιατρού και παρέχει εξατομικευμένες προγνωστικές πληροφορίες για την μακροπρόθεσμη έκβαση των ασθενών υπό βιολογική θεραπεία. Οι καινοτόμες υπηρεσίες του συστήματος χρησιμοποιούν πολυπαραγοντικά μοντέλα μεικτών επιδράσεων, προβλεπτικά μοντέλα μηχανικής μάθησης και αναιρέσιμη συλλογιστική, για να παρέχουν πολύτιμες προγνωστικές πληροφορίες κατά την διαδικασία κλινικών αποφάσεων. Το σύστημα CDS-RA στοχεύει στην υποστήριξη των κλινικών ιατρών κατα την βιολογική θεραπεία ασθενών με ρευματοειδή αρθρίτιδα ώστε να βελτιωθούν τα αποτελέσματα τους.
|