‍Το μήνυμα του Προέδρου

Η ποιότητα των δεδομένων που τροφοδοτούν τους αλγορίθμους της τεχνητής νοημοσύνης οφείλει να είναι υψηλή. Η παλαιά Αγγλοσαξωνική ρήση «δίνεις σκουπίδια,  παίρνεις σκουπίδια» ισχύει και στην περίπτωση της τεχνητής νοημοσύνης, η οποία, αν δεν υλοποιηθεί σωστά, μπορεί να οδηγήσει σε λανθασμένες κατευθύνσεις και βλάβη του ασθενούς.

Τα πρόσφατα επιτεύγματα στο χώρο της ψηφιακής Ιατρικής και ιδιαίτερα η τεχνητή νοημοσύνη, αλλάζουν την ιατρική πρακτική σε όλους σχεδόν τους τομείς. Οι γιατροί πρέπει να γνωρίζουν ότι η τεχνητή νοημοσύνη είναι ευάλωτη σε σφάλματα που εγείρουν θέματα ασφαλείας για τον ασθενή. Η συνεργασία ιατρών, επιστημόνων πληροφορικής και άλλων επιστημόνων μπορεί να οδηγήσει στην αναγνώριση των προβλημάτων και τη λύση τους. Με τη συνεργασία αυτή, το μέλλον της τεχνητής νοημοσύνης θα είναι λαμπρό.

Ιωάννης Λεκάκης

Ομότιμος Καθηγητής Καρδιολογίας ΕΚΠΑ
Πρόεδρος Ελληνικής Εταιρείας Ψηφιακής Ιατρικής
Διευθυντής Καρδιολογικού Τομέα, Κεντρική Κλινική Αθηνών

MD, PhD, Καρδιολόγος, Επιμελητής Β΄

Β΄ Καρδιολογική κλινική Γ.Ν.Α. «Ο Ευαγγελισμός»

Τα τελευταία χρόνια οι εφαρμογές της της Ηλεκτρονικής Υγείας (eHealth) αλλά και της Ψηφιακής Υγείας (Digital Health)  γενικότερα εισέρχονται ολοένα και περισσότερο και μετασχηματίζουν την άσκηση της Ιατρικής και τη σχέση ιατρού-ασθενούς.  Η τηλεϊατρική (Telehealth) δίνει την δυνατότητα για σωματική και ψυχολογική διάγνωση από απόσταση, συμπεριλαμβανομένης και της παρακολούθησης  λειτουργικών παραμέτρων του ασθενούς. Η τηλεϊατρική χρησιμοποιεί τις τεχνολογίες πληροφόρησης σε συνδυασμό με το σύστημα τηλεπικοινωνιών με σκοπό να παράσχει ιατρική φροντίδα και υποστήριξη σε ασθενείς. Παρακολούθηση εξ΄αποστάσεως (Remote monitoring – RM) είναι η χρήση τεχνολογιών τηλεπικοινωνίας για την παρακολούθηση ασθενούς από απόσταση¹.

Η βασική τηλεφωνική υποστήριξη από άτομο της ομάδας ΚΑ ενός νοσοκομείου/ιατρείου, που συζητά  με τον ασθενή για τα συμπτώματα, τη συμμόρφωση με τη θεραπεία και οδηγίες καθώς και πληροφόρηση για μετρήσεις σωματικού βάρους, αρτηριακής πίεσης και σφυγμών υπήρξε ένα βασικό επίπεδο remote monitoring. Όμως οι μελέτες που χρησιμοποίησαν αυτές τις τεχνικές παρακολούθησης δεν έδειξαν ελάττωση των νοσηλειών των ασθενών με ΚΑ συγκριτικά με τη συνήθη αγωγή. Στη συνέχεια αναπτύχθηκαν μη  επεμβατικά συστήματα καταγραφής των παραμέτρων αυτών, που μεταφέρουν δεδομένα στα κέντρα/ιατρεία ΚΑ συνεχώς ή όταν κάποια από τις παραμέτρους είναι γίνεται παθολογική (alert). Η μελέτη TIM-HF2 έδειξε βελτίωση της πρόγνωσης των ασθενών με ΚΑ με τη χρήση αυτών των τεχνικών. Άλλες μελέτες όμως όπως η BEAT-HF δεν έδειξαν διαφορά από τη συνήθη αγωγή ως προς την πρόγνωση.Μια μεταανάλυση 39 μελετών τηλεπαρακολούθησης από το σπίτι σε ασθενείς με ΚΑ έδειξε ελάττωση της ολικής θνητότητας και των νοσηλειών ΚΑ³. Πιο πρόσφατες μελέτες όμως απέβησαν αρνητικές.

Συνεχής καταγραφή του καρδιακού ρυθμού και της λειτουργίας του αυτόνομου με εμφυτεύσιμες συσκευές (CIEDs)². Οι πιο κοινές εμφυτεύσιμες συσκευές είναι ο απινιδωτής (ICD) και ο αμφικοιλιακός βηματοδότης  (CRT) οι οποίες απαιτούν τακτικό έλεγχο λειτουργίας. Καταγράφουν πολλαπλές παραμέτρους όπως το φορτίο των ταχυαρρυθμιών, η μεταβλητότητα της καρδιακής συχνότητας (SDAAM), το ποσοστό αμφικοιλιακής βηματοδότησης και παθολογικά ηλεκτρογράμματα. Οι σύγχρονες συσκευές μπορούν να συνδεθούν ασύρματα από το σπίτι και να μεταφέρουν τα δεδομένα, ώστε ο έλεγχος τους να γίνεται χωρίς να απαιτείται παρουσία του ασθενή στο ιατρείο/νοσοκομείο. Μικρές μελέτες έχουν δείξει ότι οι μεταβλητές αυτές μπορούν να προβλέψουν μελλοντικά επεισόδια απορρύθμισης της ΚΑ.

Παρακολούθηση της ενδοθωρακικής εμπέδησης με εμφυτεύσιμες συσκευές  CIEDs². H ενδοθωρακική εμπέδηση (αντίσταση στη δίοδο του ρεύματος μέσα από τους ιστούς) ελαττώνεται όταν αυξάνει η κατακράτηση υγρών στους πνεύμονες και συσχετίζεται αντίστροφα με την πίεση πλήρωσης της αριστερής κοιλίας και την πίεση ενσφήνωσης. Συσκευές που καταγράφουν την ενδοθωρακική εμπέδηση μεταξύ άλλων παραμέτρων  έχουν δοκιμαστεί σε μελέτες για την πρόβλεψη των επεισοδίων απορρύθμισης σε ασθενείς με ΚΑ. Επιπρόσθετα έχουν μελετηθεί εμφυτεύσιμες συσκευές με ικανότητα πολυπαραμετρικής καταγραφής (ενδοθωρακική εμπέδηση, καρδιακή συχνότητα, μεταβλητότητα καρδιακής συχνότητας, φυσική δραστηριότητα και καρδιακοί τόνοι). Σημαντικές μελέτες όπως η PARTNERS-HF, η TRIAGE-HF και η MultiSENSE χρησιμοποίησαν απλούς δείκτες συμφόρησης (με βάση την ενδοθωρακική εμπέδηση) αλλά και σύνθετους δείκτες (που συνδυάζουν πολλαπλές μεταβλητές) και έδειξαν οτι μπορούν να προβλέψουν επιτυχώς τις νοσηλείες ΚΑ. Ο αλγόριθμος HeartLogic (Boston Scientific) χρησιμοποιώντας αυτές τις παραμέτρους προβλέπει την απορρύθμιση ΚΑ με 70% ευαισθησία 34 μέρες πριν αυτή συμβεί. Όταν όμως πραγματοποιήθηκαν μελέτες παρέμβασης, μόνο η μελέτη IN-TIME έδειξε στατιστικά σημαντική βελτίωση στη θνητότητα και στο σύνθετο καταληκτικό σημείο (ολική θνητότητα, νοσηλεία ΚΑ, μεταβολή NYHA, αυτοεκτίμηση ασθενούς) στο σκέλος παρέμβασης, ενώ άλλες μελέτες που χρησιμοποίησαν την ενδοθωρακική εμπέδηση δεν έδειξαν διαφορά στην κλινική έκβαση. Η απουσία σαφούς αλγορίθμου θεραπευτικής απάντησης, όταν καταγράφεται ελάττωση της ενδοθωρακικής εμπέδησης  λόγω συμφόρησης, είναι από τους κύριους λόγους αποτυχίας των μελετών αυτών. Νεότερες τεχνικές μη-επεμβατικής απευθείας μέτρησης του όγκου των υγρών στους πνεύμονες είναι σε δοκιμή (Remote Dielectric Sensing – ReDS)³. 

Συσκευές με ασύρματη αιμοδυναμική καταγραφή πιέσεων (Wireless hemodynamic monitoring)². Θεμελιώδης αλλαγή στο τοπίο του remote monitoring πραγματοποιήθηκε με την εμφάνιση των εμφυτεύσιμων συσκευών με αισθητήρες αιμοδυναμικής καταγραφής  πιέσεων και ασύρματη μεταφορά των δεδομένων, οι οποίες έχουν δείξει σημαντική πρόοδο στην πρόβλεψη των επεισοδίων απορρύθμισης ΚΑ. Οι συσκευές αυτές αξιοποιούν την παρατήρηση οτι οι πιέσεις πλήρωσης (πίεση πνευμονικής αρτηρίας) αυξάνουν λίγες εβδομάδες πριν εμφανιστούν τα συμπτώματα της συμφόρησης της ΚΑ ή αυξηθεί το βάρος του ασθενούς και νωρίτερα από την ελάττωση της ενδοθωρακικής εμπέδησης. Η τυχαιοποιημένη μελέτη CHAMPION-HF³ απέδειξε οτι  σε ασθενείς με ΚΑ και κλάση  NYHA III, ανεξαρτήτως κλάσματος εξώθησης της αριστερής κοιλίας, η εμφύτευση των συσκευών CardioMEMS ελαττώνει κατά 37% τις νοσηλείες για ΚΑ σε ένα χρόνο. Η ελάττωση των νοσηλειών ΚΑ  αφορούσε και τους ασθενείς με ΚΑ και πνευμονική υπέρταση. Παράλληλα ελαττώθηκαν οι νοσηλείες για λοιμώξεις αναπνευστικού σε ασθενείς με ΚΑ και ΧΑΠ³. Πολύ πρόσφατα η μελέτη GUIDE-HF σε ασθενείς με ΚΑ, NYHA II-IV, ανεξαρτήτως κλάσματος εξώθησης της αριστερής κοιλίας έδειξε ενθαρρυντικά αλλά όχι οριστικά αποτελέσματα. Συγκεκριμένα, ενώ η συνολική ανάλυση δεν έδειξε όφελος από τις συσκευές, η ανάλυση pre-COVID19 κατέδειξε σημαντική μείωση του κατά 21% του πρωτογενούς καταληκτικού σημείου καρδιαγγειακών θανάτων ή νοσηλειών για ΚΑ. Νεότερα συστήματα είναι επίσης σε μελέτη όπως το Cordella (καταγραφή πίεσης στην πνευμονική αρτηρία) και το V-LAP (καταγραφή πίεσης στον αριστερό κόλπο)³.

Apps and wearables. Οι εφαρμογές (apps) για κινητά τηλέφωνα (smartphones) και οι φορητές συσκευές υγείας (Wearables Health Devices – WHD’s)⁵ χρησιμοποιούνται όλο και περισσότερο για να βοηθήσουν τους ανθρώπους να ελέγξουν την κατάσταση υγείας τους, τόσο σε επίπεδο δραστηριότητας (fitness) όσο και σε ιατρικό, παρέχοντας σημαντικές πληροφορίες στους κλινικούς γιατρούς για πρόωρη διάγνωση ή παρακολούθηση μιας ασθένειας. Συνήθως όμως απευθύνονται από τις εταιρείες κατευθείαν στους καταναλωτές. Από τις εκατοντάδες χιλιάδες εφαρμογές για κινητά τηλέφωνα, λίγες μόνο εφαρμογές έχουν σχεδιαστεί αποκλειστικά για ασθενείς με ΚΑ (self-care), ώστε να προάγουν την εκπαίδευση των ασθενών, την ανίχνευση συμπτωμάτων και την έγκαιρη αναζήτηση ιατρικής βοήθειας. Επίσης περιορισμένες είναι οι εφαρμογές που έχουν δοκιμαστεί σε τυχαιοποιημένες μελέτες, επομένως είναι αμφίβολη ακόμα η πραγματική αποτελεσματικότητα και εγκυρότητα τους.

 Ως φορητή συσκευή υγείας (βραχιόλι, ρολόι, patch, γιλέκο) ορίζουμε έναν μη-επεμβατικό αισθητήρα που φοριέται, μετράει ένα σήμα και μεταφέρει δεδομένα για αποθήκευση και περαιτέρω ανάλυση. Διακρίνονται σε activity monitors (αξιόπιστα για καταγραφή των βημάτων – σωματικής δραστηριότητας σε κανονικές συνθήκες αλλά όχι ακόμα σε αργό βάδισμα όπως στην ΚΑ), wearable heart rate monitors (αξιόπιστα για καταγραφή της καρδιακής συχνότητας κυρίως σε  ηρεμία ), ECG patch (καταγραφή και επικύρωση ενός παθολογικού καρδιακού ρυθμού). Η σωματική δραστηριότητα έχει προγνωστική αξία στην ΚΑ. Η παρακολούθηση της με activity monitors ποσοτικοποιεί τον περιορισμό της λειτουργικής ικανότητας του ασθενούς, προσφέρει προγνωστικές πληροφορίες και θα μπορούσε να ενθαρρύνει τους ασθενείς  για μεγαλύτερη σωματική δραστηριότητα και άσκηση, αλλά δεν υπάρχουν ακόμα στοιχεία από τυχαιοποιημένες μελέτες. Ενυπάρχουν ακόμα θεμελιώδη ερωτήματα για τα apps και τα wearables όπως  αν αποτελούν ιατρικές εφαρμογές ή όχι καθώς  και ποιος έχει την ευθύνη διαχείρισης των δεδομένων, που παράγονται κατά τη λειτουργία τους.

 Τέλος μέσα από διαδικασία machine learning¹, υπολογιστές αυτό-εκπαιδεύονται σε μεγάλους όγκους δεδομένων ώστε να διαμορφώσουν μαθηματικά μοντέλα πρόβλεψης. Μη επεμβατικές συσκευές παρακολούθησης συνδεόμενες με smartphones μπορούν να δημιουργήσουν και να μεταφέρουν τέτοιους μεγάλους όγκους δεδομένων. Στη μελέτη LINK-HF ένας πολυαισθητήρας (patch) μετρούσε διαρκώς ΗΚΓ, ενδοθωρακική εμπέδηση, θερμοκρασία και σωματική δραστικότητα και μέσα από εφαρμογή machine learning δημιουργήθηκε ένας προγνωστικός αλγόριθμος, που μπορούσε να προβλέψει την απορρύθμιση της ΚΑ (88% ευαισθησία και 86% ειδικότητα) 6,5 μέρες πριν συμβεί αυτή.

Σύμφωνα με τις τελευταίες κατευθυντήριες οδηγίες ESC 2021 για την ΚΑ³ θα μπορούσε να συσταθεί η μη-επεμβατική από το σπίτι τηλεπαρακολούθηση των ασθενών για να μειωθεί ο κίνδυνος νέων καρδιαγγειακών νοσηλειών και νοσηλειών για ΚΑ καθώς και ο κίνδυνος καρδιαγγειακού θανάτου (IIb). Επιπρόσθετα θα μπορούσε να συσταθεί η εμφύτευση ασύρματης συσκευής παρακολούθησης της πίεσης στην πνευμονική αρτηρία σε συμπτωματικούς ασθενείς με ελαττωμένο κλάσμα εξώθησης<35%  (HFrEF) (IIb).

Συμπερασματικά, βρισκόμαστε σε ένα τοπίο όπου οι εφαρμογές της Ψηφιακής Ιατρικής εισέρχονται ραγδαία σε όλα τα στάδια της αντιμετώπισης της ΚΑ και φέρουν ενδεχόμενα ένα τεράστιο δυναμικό βελτίωσης της πρόγνωσης των ασθενών αυτών. Απαιτείται όμως ακόμα περαιτέρω έρευνα και μεγαλύτερες μελέτες και υπάρχουν αρκετά  ανοικτά ερωτήματα για τη χρήση τους.

1.  Digital Health: Implications for Heart Failure Management. Arvind Singhal, Martin R Cowie. Card Fail Rev. 2021 May 11;7: e0.

2. Wireless Hemodynamic Monitoring in Patients with Heart Failure. Matthew M Lander, Nael Aldweib, William T Abraham. Curr Heart Fail Rep 2021 Feb;18(1):12-22.

3. 2021 ESC Guidelines for the diagnosis and treatment of acute and chronic heart failure. Eur Heart J. 2021 Aug 27; ehab368.

4. A current and future outlook on upcoming technologies in remote monitoring of patients with heart failure. Tarek Bekfani 1, Marat Fudim 2, John G F Cleland 3, Ana Jorbenadze 4, Stephan von Haehling 5 6, Avraham Lorber 7, Alexander M K Rothman 8, Kenneth Stein 9, William T Abraham 10, Horst Sievert 11 12, Stefan D Anker. Eur J Heart Fail 2021 Jan;23(1):175-185.

5. The Role of Wearables in Heart Failure. Arvind Singhal, Martin R Cowie. Curr Heart Fail Rep. 2020 Aug;17(4):125-132.

‍ΧΑΡΤΟΓΡΑΦΟΝΤΑΣ ΤΑ ΗΘΙΚΑ ΖΗΤΗΜΑΤΑ ΑΠΟ ΤΗΝ ΧΡΗΣΗ ΤΗΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ ΣΤΗΝ ΨΗΦΙΑΚΗ ΥΓΕΙΑ

Η ψηφιακή τεχνολογία έχει γίνει αναπόσπαστο κομμάτι της ζωής μας. Ειδικότερα, στον τομέα της υγείας η ψηφιακή διάσταση αυξάνεται συνεχώς και τα τελευταία χρόνια οι πρωτοβουλίες ψηφιακής υγείας συγκέντρωσαν μεγάλο ενδιαφέρον και αυξήθηκαν οι επενδύσεις από δημόσιες και ιδιωτικές πηγές1. Τα συστήματα υγειονομικής περίθαλψης σε όλο τον κόσμο αντιμετωπίζουν προβλήματα με την αύξηση του κόστους και την επιδείνωση των αποτελεσμάτων². Η τεχνητή νοημοσύνη (ΤΝ), η οποία περιλαμβάνει τους τομείς της μηχανικής μάθησης, της επεξεργασίας φυσικής γλώσσας και της ρομποτικής, μπορεί να εφαρμοστεί σε σχεδόν οποιοδήποτε τομέα της ιατρικής³, και οι πιθανές συνεισφορές της στη βιοϊατρική έρευνα, την ιατρική εκπαίδευση και την παροχή υγειονομικής περίθαλψης φαίνονται απεριόριστες. Με την ισχυρή ικανότητά της να ενσωματώνει και να μαθαίνει από μεγάλα σύνολα κλινικών δεδομένων, η τεχνητή νοημοσύνη μπορεί να εξυπηρετήσει ρόλους στη διάγνωση⁴, στην κλινική λήψη αποφάσεων⁵, και στην εξατομικευμένη ιατρική⁶.

Η χρήση της τεχνητής νοημοσύνης, και ιδίως της βαθιάς εκμάθησης, έχει ενεργοποιηθεί με τη χρήση μεγάλων δεδομένων με ετικέτα (labeled big data), μαζί με σημαντικά αυξημένη υπολογιστική ισχύ και αποθήκευση στο cloud, σε όλους τους τομείς². Στην ιατρική, αυτό έχει αρχίσει να έχει αντίκτυπο σε τρία επίπεδα: για τους κλινικούς ιατρούς, κυρίως μέσω ταχείας, ακριβούς ερμηνείας εικόνας. για τα συστήματα υγείας, με τη βελτίωση της ροής εργασίας και τη δυνατότητα μείωσης των ιατρικών λαθών · και για τους ασθενείς, δίνοντάς τους τη δυνατότητα να επεξεργάζονται τα δικά τους δεδομένα για την προαγωγή της υγείας². Από τις κλινικές εφαρμογές σε τομείς όπως η απεικόνιση και η διάγνωση έως τη βελτιστοποίηση της ροής εργασίας στα νοσοκομεία και τη χρήση εφαρμογών υγείας για την εκτίμηση των συμπτωμάτων ενός ατόμου, πολλοί πιστεύουν ότι η τεχνητή νοημοσύνη πρόκειται να φέρει επανάσταση στην υγειονομική περίθαλψη⁷. Οι οικονομικοί αναλυτές έχουν προβλέψει εκρηκτική ανάπτυξη στην αγορά υγείας της τεχνητής νοημοσύνης τα επόμενα χρόνια. Σύμφωνα με μια ανάλυση, το μέγεθος της αγοράς θα αυξηθεί περισσότερο από 10 φορές μεταξύ 2014 και 2021⁸. Όμως, η ανάπτυξη αυτή συνοδεύεται από πολλές προκλήσεις και είναι ζωτικής σημασίας να εφαρμοστεί η τεχνητή νοημοσύνη στο σύστημα υγειονομικής περίθαλψης με ηθικό τρόπο⁷.

Παρακάτω θα συζητηθούν μερικές από τις κύριες ηθικές προκλήσεις που θέτει η τεχνητή νοημοσύνη στην υγειονομική περίθαλψη, καθώς για να συνειδητοποιήσουμε τις τεράστιες δυνατότητές της στη μεταμόρφωση της υγειονομικής περίθαλψης προς το καλύτερο, οι ενδιαφερόμενοι φορείς στον τομέα της τεχνητής νοημοσύνης πρέπει να συμμετέχουν στην ηθική  συζήτηση για το πώς η τεχνητή νοημοσύνη εφαρμόζεται με επιτυχία στην πράξη. Τέλος, η πρόβλεψη πιθανών ηθικών παγίδων, ο εντοπισμός πιθανών λύσεων και η παροχή συστάσεων πολιτικής θα είναι ωφέλιμη στους γιατρούς που υιοθετούν την τεχνολογία τεχνητής νοημοσύνης στην  κλινική πράξη, καθώς και στους ασθενείς που λαμβάνουν τη φροντίδα τους⁹.

Ηθικά Ζητήματα

Η χρήση της τεχνητής νοημοσύνης στην κλινική πρακτική της υγειονομικής περίθαλψης έχει τεράστιες δυνατότητες να την μεταμορφώσει προς το καλύτερο, παρόλα αυτά αυτή η ισχυρή τεχνολογία δημιουργεί ένα νέο σύνολο ηθικών προκλήσεων που πρέπει να εντοπιστούν και να μετριαστούν, αφού η τεχνολογία της τεχνητής νοημοσύνης έχει τεράστιες ικανότητες να απειλεί τις προτιμήσεις των ασθενών, την ασφάλεια και την ιδιωτικότητά τους⁹.

Ενήμερη Συναίνεση

Αναμφίβολα, οι εφαρμογές υγείας με τεχνητή νοημοσύνη θα μεταμορφώσουν τη σχέση ασθενούς-κλινικού γιατρού. Σε αυτό μάλιστα το σημείο ανακύπτει το εξής ερώτημα: «Πώς θα βοηθήσει η χρήση της τεχνητής νοημοσύνης στη φροντίδα των ασθενών όταν διασυνδέεται με τις αρχές της ενήμερης συναίνεσης;⁷” Είναι ανάγκη να εξετάσουμε υπό ποιες συνθήκες οι αρχές της ενήμερης συναίνεσης πρέπει να αναπτυχθούν στον κλινικό χώρο της τεχνητής νοημοσύνης⁷. Σε ποιο βαθμό οι κλινικοί ιατροί έχουν την ευθύνη να «εκπαιδεύσουν» τον ασθενή σχετικά με την πολυπλοκότητα της τεχνητής νοημοσύνης, το είδος των δεδομένων που εισάγονται και την πιθανότητα προκαταλήψεων ή άλλων ελλείψεων στα δεδομένα που χρησιμοποιούνται;⁷ Υπό ποιες συνθήκες πρέπει ένας κλινικός γιατρός να ειδοποιήσει τον ασθενή ότι χρησιμοποιείται τεχνητή νοημοσύνη;⁷ Οι Βιοηθικοί θέτουν ερωτήματα σχετικά με τις συμφωνίες χρηστών και τη σχέση τους με τη συγκατάθεση μετά από ενημέρωση, αφού αντίθετα με την παραδοσιακή διαδικασία συναίνεσης μετά από ενημέρωση, μια συμφωνία χρήστη είναι μια σύμβαση στην οποία ένα άτομο συμφωνεί χωρίς πρόσωπο με πρόσωπο διάλογο¹⁰. Ασφαλώς, η προσπάθεια αντιμετώπισης όλων των προαναφερθέντων ερωτημάτων καθίσταται πολύ πιο δύσκολη σε περιπτώσεις κατά τις οποίες οι πληροφορίες συλλέγονται από εφαρμογές υγείας, που αναγνωρίζουν τον ασθενή με τεχνητή νοημοσύνη, ή chatbots και επιστρέφουν στη λήψη αποφάσεων κατά την κλινική πράξη.

Διαφάνεια και ασφάλεια

Μία από τις μεγαλύτερες προκλήσεις για την ΤΝ στην υγειονομική περίθαλψη είναι η ασφάλεια. Πώς μπορούμε, όμως, να διασφαλίσουμε ότι η ΤΝ τηρεί τις υποσχέσεις της όσον αφορά την ασφάλεια και την αποτελεσματικότητα; Προκειμένου να συνειδητοποιήσουν τις δυνατότητες της ΤΝ, οι ενδιαφερόμενοι φορείς, ιδιαίτερα οι προγραμματιστές τεχνητής νοημοσύνης, πρέπει να βεβαιώσουν δύο βασικά πράγματα: Πρώτον, τα σύνολα δεδομένων που χρησιμοποιούνται πρέπει να είναι αξιόπιστα και έγκυρα⁷. Όσο καλύτερα είναι τα δεδομένα εκπαίδευσης (labeled data), τόσο καλύτερη θα είναι η εκτέλεση της τεχνητής νοημοσύνης¹¹. Επιπλέον, οι αλγόριθμοι χρειάζονται περαιτέρω βελτίωση για να παράγουν ακριβή αποτελέσματα. Εκ των προτέρων, η ανταλλαγή δεδομένων είναι ένα ζήτημα υψίστης σημασίας, καθώς σε περιπτώσεις όπου η τεχνητή νοημοσύνη πρέπει να είναι εξαιρετικά αξιόπιστη, θα απαιτηθούν τεράστιες ποσότητες δεδομένων και συνεπώς μεγαλύτερη ανταλλαγή δεδομένων¹¹. Δεύτερον, για την εξυπηρέτηση της ασφάλειας και της εμπιστοσύνης του ασθενούς πρέπει να διασφαλιστεί κάποιος βαθμός διαφάνειας, καθώς ενδέχεται να υπάρχουν ορισμένα θεμιτά ζητήματα που σχετίζονται με την προστασία των επενδύσεων/πνευματικής ιδιοκτησίας και, επίσης, την αύξηση του κινδύνου ασφάλειας στον κυβερνοχώρο⁷. Επιπλέον, οι προγραμματιστές τεχνητής νοημοσύνης θα πρέπει να εφαρμόζουν διαδικασίες ικανοποιητικά διαφανείς σχετικά με το είδος των δεδομένων που χρησιμοποιούνται και τυχόν ελλείψεις του λογισμικού, καθώς η διαφάνεια δημιουργεί εμπιστοσύνη μεταξύ των ενδιαφερομένων φορέων, ιδιαίτερα των κλινικών ιατρών και των ασθενών, που είναι το κλειδί για την επιτυχή εφαρμογή της τεχνητής νοημοσύνης στην κλινική πράξη⁷.

Αλγοριθμική δικαιοσύνη και προκατάληψη

Η τεχνητή νοημοσύνη έχει τη δυνατότητα να βελτιώσει την υγειονομική περίθαλψη όχι μόνο σε περιβάλλοντα με υψηλά εισοδήματα, αλλά να εκδημοκρατίσει την τεχνογνωσία, να «παγκοσμιοποιήσει» την υγειονομική περίθαλψη και να την φέρει ακόμη και σε απομακρυσμένες περιοχές¹². Ωστόσο, οποιοδήποτε σύστημα μηχανικής μάθησης ή αλγόριθμος εκπαιδευμένος από τον άνθρωπο θα είναι τόσο αξιόπιστος, αποτελεσματικός και δίκαιος όσο τα δεδομένα με τα οποία έχει εκπαιδευτεί⁷. Η τεχνητή νοημοσύνη ενέχει, επίσης, κίνδυνο για προκαταλήψεις και συνεπώς διακρίσεις, επομένως είναι υψίστης προτεραιότητας οι δημιουργοί τεχνητής νοημοσύνης να λαμβάνουν υπόψη τον κίνδυνο προκαταλήψεων όταν αποφασίζουν ποιες τεχνολογίες/διαδικασίες μηχανικής εκμάθησης θέλουν να χρησιμοποιήσουν για την εκπαίδευση των αλγορίθμων και ποια σύνολα δεδομένων (συμπεριλαμβανομένης της ποιότητας και της ποικιλία τους) θέλουν να χρησιμοποιήσουν για τον προγραμματισμό⁷. Ένα τεράστιο πρόβλημα έχει να κάνει με το μέρος που θα αναπτυχθεί η τεχνητή νοημοσύνη. Η ΤΝ που αναπτύχθηκε από κορυφαίους εμπειρογνώμονες σε περιβάλλοντα πλούσια σε πόρους δεν μπορεί να προτείνει θεραπείες ακριβείς, ασφαλείς και δίκαιες σε περιβάλλοντα με  χαμηλούς πόρους¹³. Αυτό σημαίνει ότι πρέπει να δοθεί περισσότερη προσοχή στις κανονιστικές υποχρεώσεις και την υποστήριξη πόρων για να διασφαλιστεί ότι αυτή η τεχνολογία βελτιώνει όχι μόνο τη ζωή των ανθρώπων που ζουν σε χώρες υψηλού εισοδήματος, αλλά και εκείνων των ανθρώπων που ζουν σε χώρες χαμηλού και μεσαίου εισοδήματος⁷.

Ιδιωτικότητα δεδομένων

Είναι σημαντικό να τονιστεί η πιθανότητα καταπάτησης των δικαιωμάτων απορρήτου κατά την ανάπτυξη τεχνολογικών λύσεων. Εάν οι ασθενείς και οι κλινικοί γιατροί δεν εμπιστεύονται την τεχνητή νοημοσύνη, η επιτυχής ενσωμάτωσή τους στην κλινική πράξη θα αποτύχει τελικά, πράγμα που σημαίνει ότι είναι θεμελιωδώς σημαντική η επαρκής ενημέρωση των ασθενών για την επεξεργασία των δεδομένων τους και η προώθηση ενός ανοιχτού διαλόγου για την προώθηση της εμπιστοσύνης⁷. Τι συμβαίνει, όμως, όσον αφορά την ιδιοκτησία των δεδομένων; Η αξία των δεδομένων υγείας μπορεί να φτάσει έως και δισεκατομμύρια δολάρια, και σύμφωνα με ορισμένα στοιχεία το κοινωνικό σύνολο αισθάνεται άβολα με τις εταιρείες ή την κυβέρνηση να «πουλά» δεδομένα ασθενών με σκοπό το κέρδος¹⁴. Στην πραγματικότητα, ενδέχεται να υπάρχουν τρόποι για να νιώθουν οι ασθενείς ότι έχουν αξία με την απεμπλοκή τους από την καθεαυτή ιδιοκτησία τους, όπως για παράδειγμα η αμοιβαιότητα δεν προϋποθέτει απαραίτητα ιδιοκτησία, αλλά όσοι επιδιώκουν να χρησιμοποιήσουν τα δεδομένα των ασθενών πρέπει να δείξουν ότι δίνουν αξία στην υγεία των ίδιων ασθενών των οποίων τα δεδομένα χρησιμοποιούνται¹⁵. Πέρα από το ερώτημα για το τι συλλέγεται, είναι επιτακτική η ανάγκη προστασίας των ασθενών από χρήσεις εκτός σχέσης γιατρού-ασθενούς που μπορεί να επηρεάσουν επιβλαβώς τους ασθενείς, όπως επιπτώσεις στην υγεία ή άλλα ασφάλιστρα, ευκαιρίες απασχόλησης ή ακόμη και προσωπικές σχέσεις, δεδομένου ότι εφαρμογές υγείας με τεχνητή νοημόσυνη μοιράζονται δεδομένα ασθενών όχι μόνο με τον γιατρό αλλά και με τα μέλη της οικογένειας και τους φίλους, δημιουργώντας νέα ζητήματα¹⁶. Ένα άλλο ευαίσθητο ζήτημα είναι εάν, και εάν ναι, υπό ποιες συνθήκες οι ασθενείς έχουν δικαίωμα να αποσύρουν τα δεδομένα τους, θέτοντας την ακόλουθη ερώτηση: Μπορούν οι ασθενείς να ζητήσουν τη διαγραφή δεδομένων που έχουν ήδη αναλυθεί σε συγκεντρωτική μορφή¹⁶;

Συμπεράσματα και Συστάσεις Πολιτικής

Δεν υπάρχει αμφιβολία ότι η τεχνητή νοημοσύνη θα έχει εκτεταμένες συνέπειες που θα φέρουν επανάσταση στην ιατρική πρακτική, μεταμορφώνοντας την εμπειρία του ασθενούς και την καθημερινή ρουτίνα των γιατρών⁹. Συνολικά, είναι ζωτικής σημασίας να κατανοήσουμε ότι όλοι οι ενδιαφερόμενοι φορείς, συμπεριλαμβανομένων των δημιουργών τεχνητής νοημοσύνης, των ασθενών, των επαγγελματιών υγείας και των ρυθμιστικών αρχών, συνεργάζονται για την αντιμετώπιση των εντοπισμένων προκλήσεων για να διασφαλιστεί ότι η τεχνητή νοημοσύνη θα εφαρμοστεί επιτυχώς με ηθικό τρόπο. Επιπλέον, είναι υψίστης προτεραιότητας να οικοδομηθεί ένα σύστημα που θα βασίζεται στην εμπιστοσύνη του συνόλου, ώστε να επιτευχθεί περαιτέρω ο στόχος ότι η τεχνητή νοημοσύνη ωφελεί όλους σε κοινωνικό επίπεδο. Ενήμερη συναίνεση, υψηλά επίπεδα προστασίας δεδομένων και ιδιωτικότητας, ανθεκτικότητα στον κυβερνοχώρο και ασφάλεια στον κυβερνοχώρο, αλγοριθμική δικαιοσύνη, επαρκές επίπεδο διαφάνειας και κανονιστικής εποπτείας, υψηλά πρότυπα ασφάλειας και αποτελεσματικότητας και βέλτιστο καθεστώς ευθύνης για την τεχνητή νοημοσύνη είναι όλοι οι βασικοί παράγοντες που πρέπει να λαμβάνονται υπόψη για την επιτυχή δημιουργία ενός συστήματος υγειονομικής περίθαλψης με γνώμονα την τεχνητή νοημοσύνη που θα βασίζεται στο σύνθημα «Τεχνητή Νοημοσύνη στην Υγεία για όλους μας»⁷. Από αυτή την άποψη, είναι υποχρεωτικό όχι μόνο να επανεξεταστούν τα ισχύοντα κανονιστικά πλαίσια και να ενημερωθούν σύμφωνα με τις νέες τεχνολογικές εξελίξεις, αλλά και να αναπτυχθεί δημόσιος και πολιτικός διάλογος, δίνοντας έμφαση στην ηθική της υγειονομικής περίθαλψης που βασίζεται στην τεχνητή νοημοσύνη, καθώς και στις επιπτώσεις της στο ανθρώπινο δυναμικό και την κοινωνία συνολικά. Παρ ‘όλα αυτά, υπάρχει πολλή δουλειά για να τεθεί η κατάλληλη ηθική βάση για την ασφαλή και αποτελεσματική χρήση της τεχνολογίας Τεχνητής Νοημοσύνης στην υγειονομική περίθαλψη⁹. Αναμφίβολα, η τεχνητή νοημοσύνη έχει τεράστιες δυνατότητες για τη βελτίωση του συστήματος υγειονομικής περίθαλψης, αλλά δεν μπορούμε παρά να ξεκλειδώσουμε τις δυνατότητές της ξεκινώντας ήδη από τώρα με την αντιμετώπιση των ηθικών προκλήσεων που αντιμετωπίζουμε⁷.

                                                                      REFERENCES

1. Brall C, Schröder-Bäck P, Maeckelberghe E. Ethical aspects of digital health from a justice point of view. Eur J Public Health. 2019;29(Supplement_3):18-22. doi:10.1093/eurpub/ckz167

2. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7

3. Ramesh AN, Kambhampati C, Monson JRT, Drew PJ. Artificial intelligence in medicine. Ann R Coll Surg Engl. 2004;86(5):334-338. doi:10.1308/147870804290 

4. Amato F, López A, Peña-Méndez EM, Vaňhara P, Hampl A, Havel J. Artificial neural networks in medical diagnosis. J Appl Biomed. 2013;11(2):47-58. doi:10.2478/v10136-012-0031-x

5. Bennett CC, Hauser K. Artificial intelligence framework for simulating clinical decision-making: A Markov decision process approach. Artif Intell Med. 2013;57(1):9-19. doi:10.1016/j.artmed.2012.12.003 

6. Dilsizian SE, Siegel EL. Artificial intelligence in medicine and cardiac imaging: Harnessing big data and advanced computing to provide personalized medical diagnosis and treatment. Curr Cardiol Rep. 2014;16(1). doi:10.1007/s11886-013-0441-8 

7. Gerke S, Minssen T, Cohen G. Ethical and legal challenges of artificial intelligence-driven healthcare. In: Artificial Intelligence in Healthcare. Elsevier; 2020:295-336. doi:10.1016/b978-0-12-818438-7.00012-5 

8. Accenture LLP US. Artificial Intelligence (AI) in Healthcare | Accenture.; 2017. Accessed September 26, 2021. https://www.accenture.com/us-en/insight-artificial-intelligence-healthcare 

9. Rigby MJ. Ethical dimensions of using artificial intelligence in health care. AMA J Ethics. 2019;21(2):121-124. doi:10.1001/amajethics.2019.121 

10. Klugman CM, Dunn LB, Schwartz J, Cohen IG. The Ethics of Smart Pills and Self-Acting Devices: Autonomy, Truth-Telling, and Trust at the Dawn of Digital Medicine. Am J Bioeth. 2018;18(9):38-47. doi:10.1080/15265161.2018.1498933 

11. Appen. Training Data: What Is It? All About Machine Learning Training Data. Appen. Published 2020. Accessed September 26, 2021. https://appen.com/blog/training-data/ 

12. Cossy-Gantner A, Germann S, Schwalbe NR, Wahl B. Artificial intelligence (AI) and global health: How can AI contribute to health in resource-poor settings? BMJ Glob Heal. 2018;3(4). doi:10.1136/bmjgh-2018-000798 

13. Medical AI and Contextual Bias by W. Nicholson Price II :: SSRN. Accessed September 26, 2021. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3347890 

14. Search – UK Parliament. Accessed September 26, 2021. https://websearch.parliament.uk/?count=10&q=pdf&start_index=541&page=35

15. Cohen IG, Lynch HF, Vayena E, Gasser U. Big Data, Health Law, and Bioethics. CambridgeUniversity Press; 2018. doi:10.1017/9781108147972

16. Gerke S, Minssen T, Yu H, Cohen IG. Ethical and legal issues of ingestible electronic           sensors. Nat Electron. 2019;2(8):329-334. doi:10.1038/s41928-019-0290-6

‍Εφτασαν στο email μου….

MD, MBA in HSM, PhDc, Επιστημονικός συνεργάτης ΕΛΚΕ-ΠΘ

Xρήση Συστημάτων μη Επανδρωμένων Αεροσκαφών – ΣμηΕΑ (Drones) στον τομέα της Υγείας

Στις 21/9/2021 έγινε η πρώτη από τις πιλοτικές πτήσεις ΣμηΕΑ (Drones) για μεταφορά φαρμάκων από κεντρικό σε περιφερειακό φαρμακείο του Δήμου Τρικκαίων, στα πλαίσια του ευρ. προγράμματος HARMONY https://www.youtube.com/watch?v=y—MrGlYL1o. Το πρόγραμμα αυτό https://harmony-h2020.eu/, που συντονίζεται από το University CollegeLondon (UCL), έχει εταίρους στην Ελλάδα το Παν. Αιγαίου και την Αναπτυξιακή ΟΤΑ e–trikala AE του Δήμου Τρικκαίων, και θα υλοποιήσει μια σειρά δοκιμαστικών πτήσεων, σε συνεργασία με το Συνεταιρισμό Φαρμακοποιών Τρικάλων, την Υπηρεσία  Πολιτικής Αεροπορίας και Ελληνικές εταιρείες παρόχους ΣμηΕΑ, συστημάτων ελέγχου θερμοκρασίας, υγρασίας φορτίου,  με σενάρια τη μεταφορά φαρμάκων σε επείγουσες καταστάσεις προς περιοχές περιορισμένης πρόσβασης κτλ. https://trikalacity.gr/sta-trikala-i-proti-paneyropaiki-ptisi-gia-paradosi-farmakon-me-drones/.

Η κατηγορία αυτή υπηρεσιών μέσω ΣμηΕΑ στον τομέα της Υγείας (Ηealth Drones) αποτελεί άλλη μια καινοτομία της 4^ης Βιομηχανικής Επανάστασης στην Υγεία (Health 4.0- Υγεία 4.0). Η εξέλιξη του εξοπλισμού, η δυνατότητα δικτύωσης και απομακρυσμένης καθοδήγησης και οι εφαρμογές μηχανικής μάθησης, έχουν δώσει νέες δυνατότητες στα ΣμηΕΑ. Στη βιβλιογραφία (1, 2), έχουν καταγραφεί μια σειρά σχετικών χρήσεων, που μπορούν να ομαδοποιηθούν σε Α. μεταφορά υλικών, φαρμάκων, παραγώγων αίματος κτλ Β. Παροχή τηλεϊατρικού εξοπλισμού και ιατροτεχνολογικών προϊόντων Γ. Παρέμβαση σε επείγουσες καταστάσεις και καταστροφές, ακόμη και μεταφοράς Αυτόματου Εξωτερικού Απινιδωτή (ΑΕD) (3).

Tέτοιες υπηρεσίες ωστόσο, δημιουργούν προκλήσεις σε ότι αφορά το νομικό και ρυθμιστικό πλαίσιο. Ήδη η απλή χρήση ΣμηΕΑ, υπάγεται σε σχετικό νομικό πλαίσιο της ΕΕ καθώς και Εθνικό https://uas.hcaa.gr/Account/Login?ReturnUrl=%2F ενώ για τις υπηρεσίες HealthDrones, το σχετικό πλαίσιο δεν είναι ακόμη αποσαφηνισμένο.

Όπως και με άλλες τεχνολογίες της νέας εποχής Υγεία 4.0, προσφέρονται καινοτόμες και χρήσιμες λύσεις με προοπτικές αλλά και προκλήσεις σε ότι αφορά τον ψηφιακό μετασχηματισμό των υπηρεσιών υγείας, που θα πρέπει να αξιολογήσουν και εντάξουν αυτές τις υπηρεσίες, με αντίστοιχο πλαίσιο που θα διέπει τη λειτουργία τους. 

                                                     BIBΛΙΟΓΡΑΦΙΑ

1. Rosser, J. C.,et al. (2018). Surgical and Medical Applications of Drones: A Comprehensive Review. JSLS : Journal of the Society of Laparoendoscopic Surgeons, 22(3).

        2. Drones | Special Issue : Drones for Medicine Delivery and Healthcare Logistics. (n.d.). Retrieved         October 11, 2021, from https://www.mdpi.com/journal/drones/special_issues/medicine

        3. Rosamond, W. D., Johnson, A. M., Bogle, B. M., Arnold, E., Cunningham, C. J., Picinich, M., … Zègre-Hemsey, J. K. (2020). Drone Delivery of an Automated External Defibrillator.New England Journal of Medicine,383(12), 1186–1188.