Fraunhofer Austrija i AULSS2 Marca Trevigiana Institut u Trevizu razvili su metod zasnovan na veštačkoj inteligenciji koji može smanjiti opterećenje laboratorija.
Infekcije urinarnog trakta se obično dijagnostikuju urinokulturom: ekstrakt uzorka urina se nanosi na ploču i ispituje se pod mikroskopom na rast bakterija u narednih 24 do 48 sati. Međutim, nakon ove dugotrajne procedure, više od dve trećine uzoraka se ispostavilo da je negativno.
Mogućnost unapred filtriranja ovih negativnih uzoraka značajno bi smanjila opterećenje u laboratorijama, a negativni rezultati testa bili bi dostupni mnogo brže. Veštačka inteligencija (AI), koju su sada razvili austrijski i italijanski istraživački timovi, može da otkrije negativne uzorke preciznije od prethodnih metoda i stoga može da smanji opterećenje u laboratoriji za 16 procenata.
Korišćeni algoritam spada u kategoriju takozvane interpretabilne AI: on obaveštava lekare koji leče pacijenta o razlozima zbog kojih je uzorak identifikovao kao negativan. Rezultati studije su objavljeni u Američkom časopisu za kliničku patologiju i dostupni su za trenutnu upotrebu na odgovarajućim mašinama.
Pošto je detaljno ispitivanje svakog uzorka urina veoma dugo, mnoge bolnice već koriste protočnu citometriju. Na ovaj način, lekari su u mogućnosti da izvrše predselekciju tako da se očigledno negativni ili kontaminirani uzorci uopšte ne šalju u urinokulturu. Uređaj koji se široko koristi za ovu svrhu je „Sismek Uf-1000i“, čije su podatke istraživači analizirali u okviru svoje studije.
Ovaj uređaj automatski broji i klasifikuje čestice u uzorku i daje više od 40 parametara koji se zatim mogu koristiti za dijagnozu. Prethodne metode za identifikaciju negativnih uzoraka, međutim, koristile su samo nekoliko od ovih parametara – činjenica koja je dala podsticaj za istraživački projekat.
„Želeli smo da vidimo da li možemo da poboljšamo rezultate uključivanjem više parametara u procenu umesto samo dva ili tri“, objašnjava Đakomo Da Kol, šef projekta u Fraunhofer Austriji. Zajedno sa doktorom Fabiom Del Benom sa Nacionalnog instituta za rak u Avianu, Italija, i istraživačkim timom, procenjeno je 15.312 uzoraka od 10.534 pacijenata.
Međutim, istraživači su imali posebne zahteve da se AI koristi u projektu, „Posebno u medicini, važno je da AI nije crna kutija. Nema smisla da AI samo daje procenu bez davanja objašnjenja Zbog toga je za nas bio obavezan zahtev da naš algoritam bude transparentan i razumljiv i da lekari znaju zašto je uzorak kategorisan kao negativan“, objašnjava Đakomo Da Kol.
Jedan oblik AI na koji se ovo odnosi su takozvana stabla odlučivanja. Ova metodologija je veoma intuitivna i omogućava razumevanje njenih procena.
Način na koji stabla odlučivanja funkcionišu je uporediva sa načinom na koji ljudi razmišljaju: postavljaju i odgovaraju na određena pitanja jedno za drugim da bi doneli presudu. Tim je otkrio da su kriterijumi odluke AI veoma slični onima kod doktora. AI je takođe zaključio da jedan od najvažnijih kriterijuma mora da bude broj bakterija, koji prati starost pacijenta. Međutim, za razliku od prethodnih metoda, istraživači su razmotrili i druge parametre.
Konačni algoritam koristi sedam dostupnih parametara, ima potrebnu osetljivost od 95% i može smanjiti opterećenje laboratorija za 16% u poređenju sa prethodnim metodama.
Bilo je potrebno nekoliko rundi usavršavanja da bi se postigao ovaj rezultat. „Napravili smo nekoliko poboljšanja u algoritmu stabla odlučivanja kako bismo povećali performanse uz očuvanje interpretabilnosti“, objašnjava Doriana Cobarzan iz Fraunhofer Austria, koja je odigrala ključnu ulogu u razvoju AI.
Pošto je celokupno stablo odlučivanja objavljeno u članku American Journal of Clinical Pathologi, korisnici koji koriste isti uređaj za protočnu citometriju kao istraživački tim mogu odmah programirati metodologiju u svoju mašinu i odmah je primeniti u medicinskoj praksi.
Prema rečima vođe projekta Đakoma Da Kola, nedostatak studije je to što je do sada sprovedena u jednoj bolnici. Istraživači stoga traže partnere za saradnju koji bi želeli da sprovedu sličnu studiju u njihovoj bolnici.
„Ako je, na primer, procedura uzorkovanja drugačija u nekoj drugoj bolnici, rezultati mogu da se razlikuju. Ishrana ljudi takođe ima uticaj na analizu uzoraka urina, tako da u regionu gde ljudi imaju drugačiju ishranu rezultati mogu malo da se razlikuju. To znači da se kod ljudi ne radi o nekoj drugoj bolnici“, rekao je on. Bilo bi poželjno da se algoritam proceni u drugim bolnicama“, objašnjava Đakomo Da Kol.
