Της Χρύσας Χατζηβασιλείου,
Η τεχνητή νοημοσύνη (Artificial Intelligence), η μηχανική μάθηση (Machine Learning) και το διαδίκτυο των πραγμάτων (Internet of Things) είναι νέες τεχνολογίες που εξελίσσονται καθημερινά και αναπτύσσονται σε διάφορους τομείς. Ένας τομέας που προοδεύει εξαιτίας της συνένωσης των άνω τεχνολογιών είναι αυτός της υγείας. Οι άνω τεχνολογίες βοηθούν στην πρόληψη, διάγνωση και θεραπεία πολυάριθμων ασθενειών όπως του καταρράκτη, του γλαυκώματος, της νόσου Αλτσχάιμερ και πηγαίνουν πολλά βήματα μπροστά την επιστήμη της υγείας.
Η μηχανική μάθηση (machine learning) εφαρμόζεται σε εφαρμογές s-health, όπως η επανεισδοχή σε Μονάδα Εντατικής Θεραπείας. Τα πιο συνηθισμένα μοντέλα μηχανικής μάθησης είναι το Artificial Neural Network, ο αλγόριθμος Support Vector Machine και το deep learning.
H ηλεκτρονική υγεία, e-Health, ορίζεται ως ένας αναδυόμενος τομέας όπου τέμνονται η ιατρική πληροφορική και η δημόσια υγεία, καθώς οι υπηρεσίες υγείας και οι πληροφορίες ενισχύονται μέσω του internet και συναφών πληροφοριών. Υπάρχει επίσης ένα σημείο τομής ανάμεσα στην s-health και στην mobile health ή αλλιώς m-health. H mobile health (κινητή υγεία) μπορεί να οριστεί ως η αναδυόμενη τεχνολογία κινητής επικοινωνίας και διαδικτύου για συστήματα υγείας.
Η μηχανική μάθηση είναι ένα πεδίο που αναπτύχθηκε από την τεχνητή νοημοσύνη και βοηθάει στον σχεδιασμό, στην ανάπτυξη των αλγορίθμων και στην εξέλιξη της συμπεριφοράς σχετικά με τα εμπειρικά δεδομένα. Ακόμη, ενισχύει μεθόδους αποθήκευσης δεδομένων, βελτίωσης δικτύων, νέων αισθητήρων και ενδιαφέροντος αυτοπροσαρμογής της συμπεριφοράς των χρηστών. Η μηχανική μάθηση παίζει πολύ σημαντικό ρόλο στην υγεία, βελτιώνοντας τις υπηρεσίες, αφού παρέχει ακριβή ιατρική διάγνωση, προβλέποντας και αναλύοντας ασθένειες στα πρώτα στάδια. To s-health είναι ένα υπο-επίπεδο της e-Health (ηλεκτρονικής υγείας), χρησιμοποιώντας ηλεκτρονικούς καταγραφείς υγείας και άλλες μεταβλητές που προέρχονται από την υποδομή της έξυπνης πόλης, με σκοπό να βελτιώσει το σύστημα παροχής υγείας. Όλα τα δεδομένα προέρχονται από αισθητήρες στο σώμα του ασθενούς, στα έξυπνα σπίτια, στην υποδομή της έξυπνης πόλης και στα ρομπότ, τα οποία βοηθούν στο να παρθούν καλύτερες αποφάσεις στο σύστημα υγείας, παρέχοντας άμεση κλήση ασθενοφόρου, γιατρούς, νοσοκόμες και τεχνικούς με τηλεειδοποίηση. Μπορεί επίσης να υποστηρίξει αυτό-διάγνωση, παρακολούθηση, πρόωρη ανίχνευση και θεραπείες.
Η απόκτηση δεδομένων σημαίνει συλλογή δεδομένων από διάφορες πηγές, όπως δίκτυο αισθητήρων, κινητά δίκτυα, κοινωνικά δίκτυα, διαδίκτυο των πραγμάτων, 5G συσκευές, device-to-device, vehicular ad hoc networks, ανώνυμα εναέρια οχήματα ή μπορεί να είναι ο συνδυασμός των παραπάνω. Οι τεχνολογίες δικτύωσης εφαρμόζονται στα δεδομένα που συγκεντρώνονται στην απόκτηση δεδομένων και αν τα δεδομένα είναι κάπως περίπλοκα, χρειαζόμαστε έναν server ή κάποια τεχνολογία που επεξεργάζεται τα δεδομένα, όπως την υπολογιστική νέφους ή το fog computing. Το έξυπνο σύστημα υγείας μπορεί να περιγραφεί ως το σύνολο της απόκτησης δεδομένων, της δικτύωσης, των τεχνολογιών, της ασφάλειας και ιδιωτικότητας δεδομένων και της διάδοσης δεδομένων. Η ασφάλεια και η ιδιωτικότητα των δεδομένων παίζουν σημαντικό ρόλο στην s-health, που συγκεντρώνει αναρίθμητες πληροφορίες από πολίτες και ευαίσθητα προσωπικά δεδομένα, τα οποία μπορούν να παραβιαστούν.
Παραδείγματα machine learning στο τομέα της υγείας:
Μοντέλο deep learning για διάγνωση γλαυκώματος, χρησιμοποιώντας δεδομένα από ένα νοσοκομείο του Πεκίνου. Τα δεδομένα περιλαμβάνουν 3.554 φωτογραφίες αμφιβληστροειδούς που συλλέχθηκαν από 2.000 ασθενείς που υπέφεραν από διάφορες παθήσεις όρασης. Η βάση δεδομένων περιλαμβάνει 1391 φωτογραφίες από τις οποίες διαγνώσθηκε γλαύκωμα, ενώ στις υπόλοιπες 2.163 όχι. Το προτεινόμενο μοντέλο δίνει ακρίβεια 81.69%.
Επίσης, προτάθηκε ένα deep learning μοντέλο που προβλέπει τα αποτελέσματα της διανοητικής εξέτασης της νόσου Αλτσχάιμερ, βασισμένη στην ενεργοποίηση συγκεκριμένων τμημάτων του εγκεφάλου κατά την προβολή εικόνων. Η εν λόγω βάση δεδομένων περιλαμβάνει 190 περιπτώσεις υγιών ασθενών, 331 περιπτώσεις ήπιων γνωστικών διαταραχών και 157 περιπτώσεις με νόσο Αλτσχάιμερ.
Ένα μοντέλο που μπορεί να διαγνώσει την βακτηριακή σηψαιμία σε ασθενείς. Τα δεδομένα συλλέχθηκαν από το Γενικό νοσοκομείο του Guangzhou της Κίνας. Το προτεινόμενο μοντέλο δίνει ακρίβεια 90.8%.
Ένα μοντέλο που επεξεργάζεται πληροφορίες του αμφιβληστροειδούς για την ανίχνευση του καταρράκτη. Η ταξινόμηση των εικόνων του θόλου γίνεται από οφθαλμίατρο, τα δεδομένα χωρίζονται σε δύο κατηγορίες, η πρώτη περιλαμβάνει 70% τυχαία επιλεγμένα δεδομένα για να τεστάρουν την ταξινόμηση του αλγόριθμου και το υπόλοιπο 30% χρησιμοποιείται για να τεστάρουν την απόδοση μοντέλου. Το προτεινόμενο μοντέλο δίνει ακρίβεια 94.91%.
Το μοντέλο που προτάθηκε να προβλέπει τον κίνδυνο επανεισδοχής στο νοσοκομείο. Η βάση δεδομένων συλλέχθηκε από καταγραφείς διαφορετικών νοσοκομείων, τα οποία περιλαμβάνουν 1641 δίσκους, εκ των οποίων τα 316 αφορούσαν επανεισδοχή μέσα σε 30 μέρες από την έξοδό τους από το νοσοκομείο. Το προτεινόμενο μοντέλο δίνει ακεραιότητα 83.8%.
Επιπλέον, το προτεινόμενο μοντέλο που προβλέπει την επανεισδοχή ανάμεσα σε 24 και 72 ώρες μετά την έξοδο του ασθενούς από το νοσοκομείο. Έχει ακρίβεια 74%.
Συμπερασματικά, η αύξηση του μέσου όρου ζωής οδήγησε στην απαίτηση παροχής βελτιωμένων υπηρεσιών υγείας. Η παρακολούθηση ασθενών, η πρόωρη διάγνωση ασθενειών είναι μερικά μόνο από τα επιτεύγματα της έξυπνης υγείας, χάρη στην ανάπτυξη της τεχνολογίας.
Σπούδασε Νομική του ΔΠΘ. Είναι ασκούμενη δικηγόρος και παράλληλα φοιτήτρια στο μεταπτυχιακό «Δίκαιο και Πληροφορική» στο ΠΑ.ΜΑΚ., το οποίο αφορά τα προσωπικά δεδομένα και το ηλεκτρονικό έγκλημα. Είναι μέλος στην ELSA Komotini συμμετέχοντας σε summer schools, σεμινάρια και institutional visits σε ευρωπαϊκά και διεθνή όργανα σε Βρυξέλλες και Χάγη. Επιπλέον, είναι εθελόντρια στην ΜΚΟ Ένωση Κυριών Δράμας «Σπίτι Ανοιχτής Φιλοξενίας».
