Το άρθρο που σχολιάστηκε με την είσοδο του 2020 ήταν μια δημοσίευση στο πολύ έγκριτο Nature1. Θέμα, το εάν η τεχνητή νοημοσύνη (ΑΙ) μπορεί να αντικαταστήσει την ακτινολογική εκτίμηση και ερμηνεία της μαστογραφίας. Ερευνητές της Google Health ανέπτυξαν έναν αλγόριθμο για να γνωματεύουν μαστογραφίες. Πήραν δεδομένα από πάνω από 76,000 γυναίκες στο Ηνωμένο Βασίλειο, και πάνω από 15,000 στις ΗΠΑ, και ισχυρίζονται ότι κατάφεραν να μειώσουνε τα ψευδώς θετικά αποτελέσματα κατά σχεδόν 6% στις ΗΠΑ, όπου οι γυναίκες ελέγχονται ανά 1-2 έτη, και κατά 1.2% στο ΗΒ, όπου οι γυναίκες υποβάλλονται σε μαστογραφία ανά 3 έτη.
Ωστόσο, κοιτώντας την προσεκτικά, η δημοσίευση έχει σημαντικά κενά και ατέλειες. Βάση σύγκρισης αποτέλεσε η έκβαση περιπτώσεων καρκίνου, ιστολογικά επιβεβαιωμένων. Κι εδώ ξεκινά το πρόβλημα. Σκοπός των προληπτικών εξετάσεων δεν πρέπει σε καμία περίπτωση να είναι η ανίχνευση όσων καρκίνων βρίσκονται με βιοψία. Θα εξηγήσω το γιατί.
Προβαίνοντας σε προληπτικές εξετάσεις για τυχόν καρκίνο θα αντιμετωπίσουμε 4 πιθανά σενάρια: 1. κάτι που δεν είναι καρκίνος, 2. καρκίνος που δεν θα απασχολήσει τον ασθενή στο υπόλοιπο της ζωής του ακόμα κι αν παραμείνει αδιάγνωστος, 3. καρκίνος που θα εξελισσόταν επικίνδυνα, και αφού τον διαγνώσαμε έγκαιρα περιορίζουμε σημαντικά τον σχετιζόμενο με αυτόν κίνδυνο, και 4. καρκίνος που διαγιγνώσκεται σε τέτοιο στάδιο, που ακόμα και η τυχαία εύρεση του είναι ήδη μάταιη στο να αλλάξει/βελτιώσει την έκβαση. Είναι φανερό, ότι από τα παραπάνω σενάρια, η έγκαιρη διάγνωση είναι επωφελής και αποτελεί ουσιαστική πρόληψη μόνο για το 3.
Αυτό που πρέπει λοιπόν ένα εξελιγμένο τεστ να κάνει, αυτό που είναι επιθυμητό, είναι ένα τεστ που θα ανιχνεύει καρκίνους που θεραπεύονται ή μπορούμε να κάνουμε κάτι για να βελτιώσουμε την έκβαση που θα είχαν αν τους βρίσκαμε σε πιο προχωρημένο στάδιο. Τίποτα περισσότερο, τίποτα λιγότερο. Ξέρουμε για παράδειγμα, ότι 25% των καρκίνων που σήμερα διαγιγνώσκονται δεν θα δημιουργήσουν ποτέ πρόβλημα, άρα αυτό που επιτυγχάνουμε, ακόμα κι αν δεν υπολογίσουμε τις συνέπειες, δεν είναι τίποτα παραπάνω από μια περιττή διάγνωση. Μπορούμε να ξέρουμε ποιός καρκίνος θα εξαπλωθεί και ποιός όχι; Η απάντηση δυστυχώς είναι όχι, ούτε εμείς, ούτε οι παθολογοανατόμοι στους οποίους στηριζόμαστε, έχουν αυτή την δυνατότητα σήμερα.
Η μελέτη αυτή στήθηκε λοιπόν πάνω σε δεδομένα που δεν βοηθάνε. Η έγκαιρη διάγνωση κατά τη γνώμη μου είναι το τελευταίο που θα έπρεπε να ζητούσαμε από την ΑΙ να μας προσφέρει. Ιδίως σε ένα πεδίο και με μια εξέταση -μαστογραφία – η θέση της οποίας είναι ήδη από μόνη της αμφιλεγόμενη.
Από την άλλη, το σύστημα υγείας και απόκτησης ειδικότητας σπαταλά χιλιάδες ώρες σε εκπαίδευση ακτινολόγων, στο πως να ερμηνεύουν και να γνωματεύουν τεστ που αποδεδειγμένα πρόκειται στο 99.9% των περιπτώσεων να είναι φυσιολογικά ή ψευδώς θετικά. Μπορούμε να μειώσουμε εργατοώρες, και με τι αντίκτυπο στον ασθενή; Αυτή η ισορροπία δεν έχει βρεθεί ακόμα. Κατά τη γνώμη μου οι ερευνητές δοκίμασαν την ΑΙ, σε ένα πεδίο και με έναν τρόπο που την αδίκησαν. Ακόμα ένα άρθρο που περισσότερο δημιουργεί υπερβολή με τον τίτλο παρά ουσία με το περιεχόμενο.
Και έτσι ανακύπτει ένα γενικότερο θέμα που υπάρχει, αλλά θα το αγγίξουμε αργότερα. Είναι το πρόβλημα που προκύπτει από την έλλειψη εκπαίδευσης σε θέματα σχεδιασμού μελετών και χρήσης στατιστικών μεθόδων από τις ιατρικές σχολές. Παγκοσμίως, και ακόμα περισσότερο στη χώρα μας, οι περισσότεροι γιατροί δυστυχώς, ενημερώνονται μεν για νέες μελέτες, ωστόσο αδυνατούν να ερμηνεύσουν τα αποτελέσματα κάποιας δημοσίευσης, και γίνονται πολύ επιρρεπείς στην παραπληροφόρηση ή στην ψευδή/παραποιημένη είδηση.
ΥΓ. Σε κάτι πολύ πιο ενδιαφέρον, Γερμανοί από το πανεπιστήμιο της Βόννης, χρησιμοποίησαν πάλι τεχνητή νοημοσύνη, αυτή τη φορά για να διαγνώσουν Οξεία Μυελογενή Λευχαιμία. Ανέλυσαν το πόσο ενεργοποιημένα είναι χιλιάδες γονίδια, σε 12.000 δείγματα, στην ουσιαστικά μεγαλύτερη μέχρι στιγμής μελέτη τέτοιου είδους στον κόσμο. Αυτό επιτυγχάνεται μέσω ανάλυσης του μεταγραφώματος (transcriptome), αυτού δηλαδή που θεωρείται το δαχτυλικό αποτύπωμα της δραστηριότητας κάθε γονιδίου. Είναι βέβαιο ότι θέματα γύρω από εφαρμογές τεχνητής νοημοσύνης σε επεξεργασία τεράστιου όγκου δεδομένων μέσω εκπαιδεύσιμων αλγόριθμων, θα μας απασχολούν όλο και περισσότερο και στην ιατρική το επόμενο διάστημα.
