Za skoro polovinu Amerikanaca sa hipertenzijom, to je potencijalna smrtna kazna — blizu 700.000 smrtnih slučajeva u 2021. je uzrokovano visokim krvnim pritiskom, prema američkim centrima za kontrolu i prevenciju bolesti. Takođe povećava rizik od moždanog udara i hronične srčane insuficijencije. Ali iako je relativno lako sprečiti ili ublažiti ako se rano uhvati – jedite dobro, vežbajte više, pijte manje – može biti teško lečiti. Iako lekari imaju gomilu potencijalnih lekova za hipertenziju koje mogu da biraju, svaki od njih je pun prednosti i nedostataka, što čini propisivanje najefikasnijeg izazova: beta-blokatori usporavaju rad srca, ali mogu izazvati astmu; ACE inhibitori opuštaju krvne sudove, ali mogu dovesti do kašlja. Sada, novi program veštačke inteligencije može pomoći lekarima da bolje usklade prave lekove sa pravim pacijentima.
Model zasnovan na podacima, koji su zajedno razvili naučnici i lekari sa Univerziteta u Bostonu, ima za cilj da kliničarima u realnom vremenu pruži preporuke za lečenje hipertenzije na osnovu karakteristika specifičnih za pacijenta, uključujući demografiju, vitalne znakove, istoriju bolesti i evidenciju kliničkih testova. Model, opisan u nedavnoj studiji objavljenoj u BMC Medical Informatics and Decision Making, ima potencijal da pomogne u smanjenju sistolnog krvnog pritiska – merenog kada srce kuca, a ne kada se odmara – efikasnije od trenutnog standarda nege. Prema istraživačima, pristup programa transparentnosti bi takođe mogao pomoći da se poboljša poverenje lekara u rezultate koje generiše veštačka inteligencija.
„Ovo je novi algoritam mašinskog učenja koji koristi informacije u elektronskim zdravstvenim kartonima i pokazuje moć veštačke inteligencije u zdravstvu“, kaže Joanis Pašalidis, istaknuti profesor BU College of Engineering i direktor Rafik B. Hariri Instituta za računarstvo i računarske nauke i Inženjering. „Naš model zasnovan na podacima nije samo predviđanje ishoda, već sugeriše najprikladniji lek za upotrebu za svakog pacijenta.“
Trenutno, kada bira lek koji će prepisati pacijentu, lekar uzima u obzir istoriju pacijenta, ciljeve lečenja i koristi i rizike povezane sa određenim lekovima. Često biranje leka koji ćete prepisati kada postoji više opcija – a od ovih opcija, nijedan lek nije bolji ili gori od drugog – može biti malo bacanje novčića.
Nasuprot tome, model koji je razvio BU generiše prilagođeni recept za hipertenziju koristeći profil pojedinačnog pacijenta, dajući lekarima listu predloženih lekova sa odgovarajućom verovatnoćom uspeha. Cilj istraživača je bio da istaknu tretman koji najbolje kontroliše sistolni krvni pritisak za svakog pacijenta na osnovu njegove efikasnosti u grupi sličnih pacijenata.
„Naš cilj je da olakšamo pristup personalizaciji za lečenje hipertenzije zasnovan na algoritmima mašinskog učenja“, kaže Paschalidis, „nastojeći da maksimiziramo efikasnost lekova za hipertenziju na individualnom nivou“.
Model je razvijen korišćenjem deidentifikovanih podataka od 42.752 hipertenzivna pacijenta Bostonskog medicinskog centra (BMC), primarne nastavne bolnice BU, prikupljenih između 2012. i 2020. Pacijenti su razvrstani u grupe afiniteta, na osnovu sličnosti klinički relevantnih karakteristika, kao što su demografija, prošlost. evidenciju krvnog pritiska i istoriju bolesti. Tokom studije, efikasnost modela je upoređena sa trenutnim standardom nege, kao i sa tri druga algoritma dizajnirana da predvide odgovarajuće planove lečenja. Istraživači su otkrili da je postigao 70,3% veće smanjenje sistolnog krvnog pritiska od standardne nege i bio je 7,08% bolji od drugog najboljeg modela. Algoritam je klinički potvrđen, a istraživači su ručno pregledali nasumični uzorak od 350 slučajeva.
Model je takođe pokazao prednosti ukidanja recepta—smanjenje ili obustavljanje recepata za neke pacijente koji uzimaju više lekova. Prema istraživačkom timu, pošto algoritam pruža lekarima nekoliko predloženih optimalnih terapija, mogao bi dati dragocene uvide kada je medicinska zajednica podeljena po pitanju efikasnosti jednog leka u odnosu na drugi, situacija poznata kao klinička ravnoteža.
„Ove napredne prediktivne analitike imaju mogućnost da poboljšaju donošenje odluka kliničara i da imaju pozitivan uticaj na kvalitet nege koju pružamo, a samim tim i na rezultate za naše pacijente“, kaže Rebeka Mišuris, koja je ranije predavala na BU, a nedavno je postala Mass General. Brighamov glavni službenik za medicinske informacije. „Ovo je važan prvi korak koji pokazuje da ovi modeli zapravo rade bolje od standardne nege i mogli bi nam pomoći da budemo bolji lekari.“
Iako mnogi prepoznaju da bi sposobnost mašinskog učenja da rukuje velikim količinama podataka i otkrije obrasce i korelacije mogla biti od koristi za zdravstvo, njegovo usvajanje je ograničeno, delimično zbog poteškoća u tumačenju rezultata — i zbog niskog nivoa poverenja u veštačku inteligenciju. U prošlosti je mašinsko učenje u zdravstvu takođe bilo ometano nepotpunim ili netačnim podacima, kao i retkim istorijama pacijenata, što može da iskrivi rezultate predviđanja. Važan aspekt ove studije bio je da se osigura da su podaci transparentni i da kliničari – posebno oni bez tehničke ekspertize – jasno razumeju kako algoritam funkcioniše, i kako i zašto je model predložio specifične terapeutske preporuke.
„Koristeći podatke o raznovrsnoj populaciji pacijenata Bostonskog medicinskog centra, ovaj model pruža priliku da se skroji briga za nedovoljno zastupljene populacije, sa individualizovanim preporukama za poboljšanje ishoda za ove pacijente“, kaže Nikolas J. Cordella, BU Chobanian & Avedisian School of Medicine docent i medicinski direktor BMC za kvalitet i bezbednost pacijenata. „Personalizovana medicina i modeli poput ovog su prilika da se bolje služe populacijama koje nisu nužno dobro zastupljene u nacionalnim studijama ili koje nisu uzete u obzir prilikom izrade smernica.
