Εφαρμογές Τεχνητής Νοημοσύνης στη Θεραπεία Ασθενών με Χρόνια Νεφρική Νόσο.

Η τεχνητή νοημοσύνη (ΤΝ), με κύριους άξονες τη μηχανική μάθηση (machine learning – ML) και την επεξεργασία φυσικής γλώσσας (natural language processing – NLP), εφαρμόζεται ευρέως στη βιοϊατρική επιστήμη. Στον τομέα της νεφρολογίας, η ΤΝ αξιοποιείται για την πρόβλεψη της εξέλιξης της ΧΝΝ, την αναγνώριση ασθενών υψηλού κινδύνου, την παρακολούθηση της αιμοκάθαρσης και την υποστήριξη της απόφασης για μεταμόσχευση νεφρού (Kovacevic et al., 2022).

Ηλιάνα Τσαμπούλα, RN, MSc, Phd.

Ειρήνη Ζορμπά, RN, MSc, Phd.

Ορχάν Ίμπις, , RN, MSc, Phd ©

Η έγκαιρη ανίχνευση της ΧΝΝ είναι κρίσιμη για την καθυστέρηση της εξέλιξής της. Αλγόριθμοι ML έχουν εκπαιδευτεί με βάση βιοχημικά δεδομένα, ιστορικό ασθενών και εικόνες υπερήχων για να προβλέψουν την πιθανότητα εμφάνισης ΧΝΝ σε προκλινικά στάδια (Kuo et al., 2019). Ένα σημαντικό παράδειγμα είναι η χρήση νευρωνικών δικτύων για την πρόβλεψη της ταχύτητας μείωσης του eGFR (εκτιμώμενου ρυθμού σπειραματικής διήθησης), το οποίο αποτελεί βασικό δείκτη εξέλιξης της νεφρικής λειτουργίας (He et al., 2021).

Εφαρμογές στην Αιμοκάθαρση και Περιτοναϊκή Κάθαρση

Στην αιμοκάθαρση, συστήματα ΤΝ χρησιμοποιούνται για την πρόβλεψη επεισοδίων υπότασης, υπερκαλιαιμίας και επιπλοκών σχετιζόμενων με το φίλτρο (Hueso et al., 2022). Μέσω της ανάλυσης σε πραγματικό χρόνο των δεδομένων του ασθενούς, οι έξυπνοι αλγόριθμοι βελτιώνουν τις παραμέτρους της κάθαρσης και συμβάλλουν στην αποφυγή επιπλοκών. Επιπλέον, στην περιτοναϊκή κάθαρση, τα συστήματα αυτά μπορούν να προβλέψουν αποτυχία της μεθόδου ή λοίμωξη περιτοναίου (peritonitis), προσφέροντας έγκαιρη προειδοποίηση (Lin et al., 2020).

ΤΝ και Μεταμόσχευση Νεφρού

Η διαδικασία της μεταμόσχευσης απαιτεί ακριβή πρόβλεψη επιβίωσης του μοσχεύματος. Αλγόριθμοι ΤΝ έχουν αναπτυχθεί για την εκτίμηση συμβατότητας δότη-λήπτη, την πρόβλεψη απόρριψης μοσχεύματος και τη βέλτιστη επιλογή ανοσοκατασταλτικής αγωγής (Gupta et al., 2021). Παράλληλα, εφαρμογές NLP βοηθούν στην εξόρυξη κρίσιμων πληροφοριών από ιατρικά αρχεία, ενισχύοντας τη λήψη αποφάσεων των ιατρών.

Εξατομικευμένη Θεραπεία και Αυτοδιαχείριση

Η τεχνητή νοημοσύνη μπορεί να προσφέρει εξατομικευμένα πρωτόκολλα θεραπείας με βάση τα δημογραφικά, βιοχημικά και γενετικά δεδομένα των ασθενών. Επιπλέον, μέσω mobile εφαρμογών και «έξυπνων» συσκευών, η ΤΝ υποστηρίζει την αυτοδιαχείριση της ΧΝΝ από τους ίδιους τους ασθενείς, επιτρέποντάς τους να καταγράφουν τιμές, να λαμβάνουν ειδοποιήσεις και να συμμετέχουν ενεργά στην πορεία της νόσου τους (Wang et al., 2022).

Παρόλο που οι εφαρμογές ΤΝ προσφέρουν σημαντικά οφέλη, υφίστανται προκλήσεις που σχετίζονται με την ποιότητα των δεδομένων, την ερμηνευσιμότητα των αλγορίθμων και την ιδιωτικότητα. Η αδιαφάνεια («black box models») ενδέχεται να περιορίσει την εμπιστοσύνη των κλινικών γιατρών, ενώ η διασφάλιση των προσωπικών δεδομένων είναι κρίσιμο ζήτημα ηθικής φύσης (Ghassemi et al., 2019). Η ΤΝ αποτελεί ένα ισχυρό εργαλείο στον τομέα της νεφρολογίας, με δυνατότητες που εκτείνονται από την πρόληψη έως και τη μεταμόσχευση νεφρού. Η ενσωμάτωσή της στην κλινική πράξη προϋποθέτει συνεργασία μεταξύ ερευνητών, κλινικών και ειδικών δεδομένων. Με υπεύθυνη χρήση και θεσμικό πλαίσιο, η ΤΝ δύναται να επαναπροσδιορίσει τη θεραπευτική φροντίδα των νεφροπαθών.

Βιβλιογραφία

1. Ghassemi, M., Oakden-Rayner, L. and Beam, A.L., 2019. The false hope of current approaches to explainable artificial intelligence in health care. The Lancet Digital Health, 1(8), pp.e425-e427.
2. Gupta, R.K., Snyder, A., Hanaway, M.J. and Axelrod, D.A., 2021. Machine learning applications in kidney transplantation: a systematic review. American Journal of Transplantation, 21(1), pp.27-40.
3. He, L., Fang, Z., Wu, W., Ma, X. and Wang, H., 2021. Artificial intelligence in chronic kidney disease: current status and future perspectives. Frontiers in Medicine, 8, p.654658.
4. Hueso, M., Navarro, E., Martinez-Milla, J., et al., 2022. Machine learning techniques for prediction of intradialytic hypotension in hemodialysis: A multicenter study. Computers in Biology and Medicine, 143, p.105272.
5. Kalantar-Zadeh, K., et al., 2013. The effects of nutrition and diet on kidney health and kidney disease management. Journal of Renal Nutrition, 23(4), pp.241–244.
6. Kovacevic, A., Kaur, R. and Gerlach, O.A., 2022. Artificial intelligence in nephrology: Towards better kidney care. Kidney360, 3(7), pp.1163–1171.
7. Kuo, C.C., Wang, J.J. and Yu, S.H., 2019. Early prediction of chronic kidney disease using machine learning techniques. International Journal of Environmental Research and Public Health, 16(17), p.3046.
8. Lin, Y.H., Chang, Y.C., Chou, C.Y., et al., 2020. Predicting peritonitis in peritoneal dialysis patients using machine learning models: a multicenter study. PLOS ONE, 15(10), p.e0239566.
9. Wang, L., Song, Y. and Wang, X., 2022. Mobile health applications in self-management of chronic kidney disease: a systematic review. BMC Nephrology, 23(1), pp.1–11.