Τεχνητή νοημοσύνη και σακχαρώδης διαβήτης
Αθανασία Κ. Παπαζαφειροπούλου
Α΄ Παθολογικό Τμήμα και Διαβητολογικό Κέντρο, Τζάνειο Γενικό Νοσοκομείο Πειραιά
Τι είναι η τεχνητή νοημοσύνη;
Η τεχνητή νοημοσύνση αναφέρεται στην ικανότητα μιας μηχανής να αναπαράγει τις γνωστικές λειτουργίες ενός ανθρώπου, όπως είναι η μάθηση, ο σχεδιασμός και η δημιουργικότητα. Η τεχνητή νοημοσύνη καθιστά τις μηχανές ικανές να 'κατανοούν' το περιβάλλον τους, να επιλύουν προβλήματα και να δρουν προς την επίτευξη ενός συγκεκριμένου στόχου. Ο υπολογιστής λαμβάνει δεδομένα (ήδη έτοιμα ή συλλεγμένα μέσω αισθητήρων, π.χ. κάμερας), τα επεξεργάζεται και ανταποκρίνεται βάσει αυτών. Τα συστήματα τεχνητής νοημοσύνης είναι ικανά να προσαρμόζουν τη συμπεριφορά τους, σε ένα ορισμένα βαθμό, αναλύοντας τις συνέπειες προηγούμενων δράσων και επιλύοντας προβλήματα με αυτονομία.
Είδη τεχνητής νοημοσύνης
• Λογισμικά: εικονικοί βοηθοί, λογισμικό ανάλυσης εικόνας, μηχανές αναζήτησης, συστήματα αναγνώρισης προσώπου και ομιλίας
• "Ενσωματωμένη τεχνητή νοημοσύνη": ρομπότ, αυτόνομα αυτοκίνητα, τηλεκατευθυνόμενα αεροσκάφη (drones), Διαδίκτυο των πραγμάτων (Internet of Things)
Η συμβατική τεχνητή νοημοσύνη εμπλέκει μεθόδους μηχανικής μάθησης (machine learning), που χαρακτηρίζονται από αυστηρούς μαθηματικούς αλγόριθμους και στατιστικές μεθόδους ανάλυσης. Διακρίνεται σε:
• Έμπειρα ή Εξειδικευμένα συστήματα (Expert systems), που εφαρμόζουν προγραμματισμένες ρουτίνες λογικής, σχεδιασμένες αποκλειστικά για μία συγκεκριμένη εργασία, προκειμένου να εξαχθεί κάποιο συμπέρασμα. Για το σκοπό αυτό, διεξάγεται επεξεργασία μεγάλων ποσοτήτων γνωστών πληροφοριών.
• Λογική κατά περίπτωση (Case based reasoning). Η επίλυση ενός προβλήματος βασίζεται στην προηγούμενη επίλυση παρόμοιων προβλημάτων.
• Μπαϋεσιανά δίκτυα (Bayesian networks). Βασίζονται στη στατιστική ανάλυση για τη λήψη αποφάσεων.
• Συμπεριφορική τεχνητή νοημοσύνη (Behavior based AI). Μέθοδος τεμαχισμού της λογικής διαδικασίας και στη συνέχεια χειροκίνητης οικοδόμησης του αποτελέσματος.
Η υπολογιστική τεχνητή νοημοσύνη βασίζεται στη μάθηση μέσω επαναληπτικών διαδικασιών (ρύθμιση παραμέτρων). Η μάθηση βασίζεται σε εμπειρικά δεδομένα και σε μη-συμβολικές μεθόδους. Διακρίνεται σε:
• Τεχνητά νευρωνικά δίκτυα (Artificial neural networks) με πολύ ισχυρές δυνατότητες αναγνώρισης προτύπων (pattern recognition). Προσομοιάζουν τη λειτουργία των νευρώνων των εμβίων όντων.
• Συστήματα Ασαφούς λογικής (Fuzzy logic systems). Αποτελούν τεχνικές λήψης απόφασης κάτω από αβεβαιότητα. Βασίζονται στην ύπαρξη μη-αυστηρά διαχωρισμένων καταστάσεων, των οποίων η βαρύτητα λαμβάνεται υπόψη κατά περίπτωση. Υπάρχουν ήδη πολλές εφαρμογές των τεχνικών αυτών.
• Εξελικτική υπολογιστική (Evolutionary computation). Η ανάπτυξή τους προέκυψε από τη μελέτη των έμβιων οργανισμών και αφορούν σε έννοιες όπως του πληθυσμού, της μετάλλαξης και της φυσικής επιλογής (επιβίωση του πιο προσαρμοσμένου) για την ακριβέστερη επίλυση ενός προβλήματος. Οι μέθοδοι αυτοί μπορούν να διακριθούν περαιτέρω σε εξελικτικούς αλγόριθμους (evolutionary algorithms) και σε νοημοσύνης σμήνους (swarm intelligence), όπως π.χ. οι αλγόριθμοι που προσομοιάζουν τη συμπεριφορά μίας κοινωνίας μυρμηγκιών.
Η τεχνητή νοημοσύνη στην καθημερινότητά μας
• Διαδικτυακές αγορές και διαφήμιση
• Διαδικτυακή αναζήτηση
• Προσωπικοί ψηφιακοί βοηθοί
• Αυτόματες μεταφράσεις
• Έξυπνα σπίτια, πόλεις και υποδομές, Αυτοκίνητα
• Τα συστήματα πλοήγησης βασίζονται, σε μεγάλο βαθμό, στην τεχνητή νοημοσύνη.
• Κυβερνοασφάλεια / Καταπολέμηση της παραπληροφόρησης
• Τρόφιμα και γεωργία
• Δημόσια διοίκηση και υπηρεσίες
• Υγεία. Η ΤΝ μπορεί να χρησιμοποιηθεί για την ανάλυση δεδομένων υγείας και την ανίχνευση προτύπων που θα μπορούσαν να οδηγήσουν σε νέες επιστημονικές ανακαλύψεις και να βελτιώσουν τους μεμονωμένους διαγνωστικούς ελέγχους.
Τεχνητή Νοημοσύνη & Ιατρική Ακρίβειας
Τεχνικές Τεχνητής Νοημοσύνης που κυμαίνονται από τη μηχανική έως τη βαθιά μάθηση είναι διαδεδομένες στην υγειονομική περίθαλψη για τη διάγνωση νόσων, την ανακάλυψη φαρμάκων και τον εντοπισμό κινδύνου για νόσους. Η Τεχνητή Νοημοσύνη διαδραματίζει σημαντικό ρόλο στην έγκαιρη αναγνώριση της νόσου αναλύοντας τεράστια αρχεία ασθενών (γενετικά, απεικονιστικά, περιβαλλοντικά δεδομένα, βιοχημικές αναλύσεις κ.λπ.) και χρησιμοποιώντας αλγόριθμους μηχανικής μάθησης για να μαθαίνουν από διάφορα σύνολα δεδομένων. Τέλος, οι αλγόριθμοι Τεχνητής Νοημοσύνης μπορούν να επεξεργαστούν μεγάλο όγκο δεδομένων και επομένως μπορούν να προσφέρουν δυνατότητες για εύρεση νέων βιοδεικτών, μοντέλων ταξινόμησης ασθενών, σχεδιασμού φαρμάκων και δημιουργίας περιβαλλόντων υλοποίησης κλινικών δοκιμών.
Τεχνητή Νοημοσύνη & σακχαρώδης διαβήτης
Η Τεχνητή Νοημοσύνη έχει αρχίσει να εφαρμόζεται ευρέως στον τομέα της υγείας, συμπεριλαμβανομένης της διαχείρισης του διαβήτη. Υπάρχουν διάφοροι τρόποι με τους οποίους η Τεχνητή Νοημοσύνη μπορεί να χρησιμοποιηθεί για τη βελτίωση της παρακολούθησης, της διαχείρισης και της πρόληψης του διαβήτη.
• Παρακολούθηση Γλυκόζης: Συστήματα παρακολούθησης συνεχούς γλυκόζης (CGM) που χρησιμοποιούν αλγόριθμους τεχνητής νοημοσύνης για να προβλέπουν τις μελλοντικές τιμές γλυκόζης και να παρέχουν προειδοποιήσεις σε περίπτωση υψηλών ή χαμηλών επιπέδων.
• Υποστήριξη Αποφάσεων: Συστήματα που χρησιμοποιούν αλγόριθμους μηχανικής μάθησης για να προτείνουν εξατομικευμένες συμβουλές για διατροφή, άσκηση, και δόσεις φαρμάκων βάσει των ατομικών προφίλ των ασθενών.
• Διαχείριση Θεραπειών: Εφαρμογές που χρησιμοποιούν τεχνητή νοημοσύνη για την προσαρμογή των θεραπειών διαβήτη, λαμβάνοντας υπόψη πολλούς παράγοντες όπως τις διατροφικές συνήθειες, τη φυσική δραστηριότητα και τα επίπεδα σακχάρου στο αίμα.
• Πρόβλεψη Επιπλοκών: Συστήματα που χρησιμοποιούν ανάλυση δεδομένων και μηχανική μάθηση για να προβλέπουν πιθανές επιπλοκές του διαβήτη, όπως υπογλυκαιμία ή υπεργλυκαιμία.
Τεχνητή Νοημοσύνη & Πρόληψη του Διαβήτη
Πολλά προγράμματα μηχανικής μάθησης έχουν αναπτυχθεί για τη διάγνωση του διαβήτη. Πρόσφατα ανακοινώθηκε πρόγραμμα κατάφερε να προβλέψει με ακρίβεια τον διαβήτη τύπου 2 από μόλις έξι έως 10 δευτερόλεπτα αναλύοντας απλά την φωνή του ασθενούς. Το πρόγραμμα εκπαιδεύθηκε για να εντοπίζει τις διαφορές στη φωνή ανάμεσα σε μη διαβητικά άτομα και σε άτομα με διαβήτη τύπου 2. Το σύστημα μπορεί να εντοπίζει περίπου 15 τέτοιες διαφορές που το ανθρώπινο αυτί δεν μπορεί να εντοπίσει όπως αλλαγές στην ένταση της φωνής, το ύψος (συχνότητες) της φωνής κ..α και στη συνέχεια συνδυάζει αυτά τα δεδομένα με βασικές πληροφορίες υγείας, όπως η ηλικία, το φύλο, το ύψος και το βάρος του ασθενούς. Το σύστημα κατάφερε μέσω της σχετικής εφαρμογής σε κινητό τηλέφωνο να εντοπίσει με επιτυχία 89% τις γυναίκες με διαβήτη τύπου 2 και με επιτυχία 86% τους άνδρες ασθενείς. Σύμφωνα με την επιστημονική ομάδα που ανέπτυξε το μοντέλο αυτό, είναι προφανές ότι θα χρειαστεί να γίνουν και νέες έρευνες μέχρι να μπορούμε να πούμε ότι το μοντέλο μπορεί πράγματι να διαγνώσει το διαβήτη τύπου 2, ωστόσο τα πρώτα αποτελέσματα είναι πολύ ενθαρρυντικά.
Τεχνητή Νοημοσύνη & Διαβήτης τύπου 1
Μία από τις μεγαλύτερες προκλήσεις στην καθημερινότητα των ατόμων με σακχαρώδη διαβήτη τύπου 1 είναι ο κατά το δυνατόν σωστότερος υπολογισμός της γευματικής ινσουλίνης, κι αυτό γιατί απαιτεί πολύπλοκους υπολογισμούς, με συνεκτίμηση πολλών παραμέτρων, όπως η ποσότητα των υδατανθράκων του γεύματος, η περιεκτικότητα αυτού σε λίπος, η προγευματική τιμή γλυκόζης, η ανοδική ή καθοδική τάση αυτής, η προηγηθείσα φυσική δραστηριότητα και πολλά άλλα. Με τις σύγχρονες αντλίες συνεχούς έκχυσης ινσουλίνης, οι οποίες συνοδεύονται από αισθητήρες συνεχούς καταγραφής γλυκόζης και εφαρμόζουν αλγόριθμους τεχνητής νοημοσύνης, οι ασθενείς με διαβήτη τύπου 1 μπορούν πια να έχουν μία σημαντικά βελτιωμένη ποιότητα ζωής. Ειδικότερα, οι σύγχρονες αντλίες συνεχούς χορήγησης ινσουλίνης έχουν την δυνατότητα μελετώντας τα δεδομένα γλυκόζης από τον αισθητήρα να "μαθαίνουν" της ανάγκες των ατόμων με διαβήτη σε ινσουλίνη, ρυθμίζοντας -χωρίς ανθρώπινη- παρέμβαση το βασικό ρυθμό έκχυσης.
Τεχνητή Νοημοσύνη & Διαβητική Αμφιβληστροειδοπάθεια
Η τεχνολογία της Τεχνητής Νοημοσύνης ήδη έχει δώσει ιδιαίτερα ενθαρρυντικά αποτελέσματα στην πρόληψης και έγκαιρη διάγνωση της διαβητικής αμφιβληστροειδοπάθειας. Πρόκειται για συστήματα τα οποία βασιζόμενα σε αλγόριθμο σαρώνουν το βυθό του οφθαλμού και μπορούν να ¨ξεχωρίσουν¨ την φυσιολογική ή την παθολογική εικόνα. Ο αλγόριθμος, χρησιμοποιώντας ένα νευρωνικό δίκτυο, μπορεί να πετύχει διάγνωση της νόσου με υψηλή ακρίβεια. Το σύστημα μπορεί να ανιχνεύσει είτε την ήπια είτε την σοβαρή διαβητική αμφιβληστροειδοπάθεια, έχει εγκριθεί από το FDA και ενδείκνυται για χρήση από τους παρόχους υγειονομικής περίθαλψης. Τα εργαλεία τεχνητής νοημοσύνης μπορούν να βοηθήσουν τους οφθαλμιάτρους να χειριστούν πολύ περισσότερα δεδομένα πολύ πιο γρήγορα και να δώσουν προτεραιότητα εκεί που πραγματικά απαιτείται. Έτσι εύκολα χωρίς την άμεση ανθρώπινη παρέμβαση μπορεί να γίνει διάγνωση της νόσου και να δοθεί από τον ιατρό η κατάλληλη θεραπεία.
Τεχνητή Νοημοσύνη & Διαβητικό Πόδι
Η τεχνολογία της Τεχνητής Νοημοσύνης έχει βοηθήσει τόσο στην πρόληψη όσο και στη θεραπευτική διαχείριση των διαβητικών ελκών των κάτω άκρων. Έχουν αναπτυχθεί συστήματα που ανιχνεύουν διαφορές στη θερμοκρασία καθώς και στη πίεση που ασκεί το κάτω άκρο και τοποθετούνται είτε στο εσωτερικό των υποδημάτων είτε σε ειδικές κάλτσες και με τον τρόπο αυτό συμβάλλουν στην έγκαιρη ανίχνευση του διαβητικού ποδιού. Επίσης, η φωτογραφική αποτύπωση των ελκών συμβάλλει μέσω ειδικών αλγορίθμων στην παρακολούθηση της εξέλιξης της επούλωσης του και να επιβραβεύουν τον ασθενή. Το τελευταίο είναι ιδιαίτερα σημαντικό καθώς παρέχει ένα επιπλέον κίνητρο για επιτυχή έκβαση του διαβητικού ποδιού το οποίο, ως γνωστό, επιβαρύνει την ποιότητα ζωής των ασθενών.
Τεχνητή Νοημοσύνη & Διαχείριση του Διαβήτη
Ένα από τα βασικά πλεονεκτήματα της χρήσης της Τεχνητής Νοημοσύνης είναι η ακρίβεια και η αξιοπιστία που μπορεί να παρέχει. Η τεχνολογία Τεχνητής Νοημοσύνης μπορεί να αναλύσει δεδομένα και να αναγνωρίσει τα μοτίβα και τις τάσεις, καθιστώντας τη διαχείριση του διαβήτη πιο αποτελεσματική και ακριβή. Αυτό μπορεί να βοηθήσει τα άτομα με διαβήτη να παρακολουθούν την πρόοδο τους, να ανιχνεύουν επιπλοκές και να προλαμβάνουν προβλήματα.
Με τη βοήθεια της τεχνητής νοημοσύνης, μπορεί να γίνει μια πιο ακριβής παρακολούθηση του επιπέδου σακχάρου στο αίμα, ώστε οι ασθενείς να μπορούν να παρακολουθούν την κατάστασή τους πιο εύκολα και αποτελεσματικά. Επιπλέον, οι ασθενείς μπορούν να λαμβάνουν συμβουλές και οδηγίες για τη διαχείριση του διαβήτη, βασισμένες στα δεδομένα που συλλέγονται από την παρακολούθηση του σακχάρου.
Επιπλέον, μπορεί να προσφέρει ατομικοποιημένη προσέγγιση στην διαχείριση του διαβήτη. Αναλύοντας τα δεδομένα του χρήστη, η Τεχνητή Νοημοσύνη μπορεί να παρέχει προσαρμοσμένες συμβουλές και συστάσεις, λαμβάνοντας υπόψη το ιστορικό του διαβήτη και τα συνοδά συμπτώματα και να συμβάλλει στην παροχή σαφών και αντιληπτών συμβουλών για τη βελτίωση του τρόπου ζωής και τη διαχείριση του διαβήτη.
Τεχνητή Νοημοσύνη & Συμβουλευτική
Η Τεχνητή Νοημοσύνη μπορεί να βοηθήσει τα άτομα με διαβήτη να αναπτύξουν υγιείς συνήθειες διατροφής και ασκήσεων, καθώς και να τους παρέχει συμβουλές για τη διαχείριση του στρες. Η δυνατότητα εξατομικευμένης παροχής συμβουλών και οδηγιών μπορεί να βοηθήσει τους ασθενείς να διαχειριστούν καλύτερα το διαβήτη και να επιτύχουν καλύτερα αποτελέσματα. Επιπλέον, η συλλογή και ανάλυση δεδομένων από τους αισθητήρες και τις συσκευές παρακολούθησης της γλυκόζης μπορεί να παρέχει σημαντική πληροφορία στα άτομα με διαβήτη και τους ιατρούς τους σχετικά με τη διαχείριση της ασθένειας και την πρόληψη επιπλοκών. Τα άτομα με διαβήτη πρέπει να είναι ενημερωμένοι και εκπαιδευμένοι σχετικά με τις δυνατότητες που παρέχονται από αυτήν την τεχνολογία και να επιλέγουν τις καλύτερες λύσεις για τις ανάγκες τους.
Ο ιατρός θα είναι περιττός στο μέλλον;
Η Τεχνητή Νοημοσύνη δεν μπορεί να αντικαταστήσει τους ιατρούς, επειδή στερείται ενσυναίσθησης, δημιουργικότητας και ηθικής κρίσης. Αυτές είναι βασικές δεξιότητες για τους επαγγελματίες υγείας που πρέπει να κατανοούν τα συναισθήματα των ασθενών τους, να βρίσκουν καινοτόμες λύσεις σε πολύπλοκα προβλήματα και να λαμβάνουν αποφάσεις που σέβονται την ανθρώπινη αξιοπρέπεια και τις αξίες. H Τεχνητή Νοημοσύνη προορίζεται να ενισχύσει τις δεξιότητες λήψης αποφάσεων και εκτέλεσης των γιατρών και γενικά των επαγγελματιών υγείας και όχι να τους αντικαταστήσει. Τα πλούσια σε δεδομένα μοντέλα Τεχνητής Νοημοσύνης θα οπλίσουν τους ιατρούς με ένα σύστημα διαγνωστικής και εκτελεστικής υποστήριξης που μπορεί να ελαχιστοποιήσει τα ιατρικά λάθη και να μεγιστοποιήσει την ασφάλεια των ασθενών.
Βιβλιογραφία
1. Τεχνητή Νοημοσύνη, μια σύγχρονη προσέγγιση, Stuart Russel και Peter Norvig
2. Τεχνητή Νοημοσύνη - Δ' Έκδοση, 2020, Εκδόσεις Πανεπιστημίου Μακεδονίας, Βλαχάβας, Κεφαλάς, Βασιλειάδης, Κόκκορας, Σακελλαρίου, ISBN 978-618-5196-44-8
3. https://www.europarl.europa.eu/news/el/headlines/society/20200827STO85804/ti-einai-i-techniti-noimosuni-kai-pos-chrisimopoieitai
4. https://el.wikipedia.org/wiki/Τεχνητή_νοημοσύνη
5. Andreas Kaplan, 2022, Artificial Intelligence, Business and Civilization - Our Fate Made in Machines, Routledge, ISBN 9781032155319
6. Mnih, Volodymyr; Kavukcuoglu, Koray; Silver, David; Graves, Alex; Antonoglou, Ioannis; Wierstra, Daan; Riedmiller, Martin (2013-12-19). «Playing Atari with Deep Reinforcement Learning». arXiv:1312.5602 [cs.LG].
7. Vaswani, Ashish; Shazeer, Noam; Parmar, Niki; Uszkoreit, Jakob; Jones, Llion; Gomez, Aidan N.; Kaiser, Lukasz; Polosukhin, Illia (2017-12-05). «Attention Is All You Need». arXiv:1706.03762 [cs].