Orvosi jövőkutatóként régóta érdekelt, hogyan lenne érdemes a mesterséges intelligencia által nyújtott lehetőségeket felhasználni az endometriózissal élő nők támogatásában.
A nők betegségeit érintő kutatások aránytalanul alulfinanszírozottak, ez alól sajnos az endometriózis sem kivétel. Ennek a betegségnek az etiológiai háttere, tünetei, társbetegségei és lefolyása is kevéssé ismert, kevéssé kutatott, noha minden tizedik nőt érinti. A diagnosztikai késedelmek súlyosbítják a betegség fizikai és mentális terheit és növelik az egészségügyi költségeket, továbbá olyan következményeket okozhatnak, mint a meddőség, az életminőség romlása, párkapcsolati nehézségek, stb. Annak ellenére, hogy a betegség prevalenciája 10%, az endometriózis diagnosztizálása gyakran késik, ami jelentős károkat okoz a betegeknek és az egészségügyi rendszernek.
A tünetek változatos megjelenése, az endometriózis ismeretének hiánya és a női fájdalom elbagatellizálása mind hozzájárul a téves diagnózishoz. A mesterséges intelligencia (AI) ígéretes eszköz lehet a diagnosztikai képalkotásban, különösen a transzvaginális ultrahang (TVUS) és az MRI esetében, ami javíthatja a diagnosztikai hatékonyságot. Az AI alkalmazása lehetővé teszi a pontosabb diagnózist és a kezelési döntések megalapozottabb meghozatalát, ezáltal lerövidítve a diagnózishoz vezető időt.
Az elmúlt 10 évben az AI térnyerése nagy hatással volt az endometriózis kutatására is. Az AI már jelenleg is segíti a gyógyszerfejlesztést, a diagnosztikai képalkotás elemzést, és új genetikai variánsok felfedezését a precíziós orvoslás révén. Azonban az AI ereje korlátozott, a problémát jelenleg főleg az adatok nem megfelelő minősége és mennyisége, illetve az algoritmusok alkalmazásához szükséges szakértelmen hiánya jelenti.
A Kanadai Radiológiai Szövetség 2023-as jelentése javasolja a mesterséges intelligencia (AI) integrálását az orvosi képalkotás infrastruktúrájába, hogy enyhítsék az említett diagnosztikai lemaradásokat. Az úgynevezett „transfer learning” módszerével illetve neurális hálózatok alkalmazásával kutatók diagnosztikai képalkotó modelleket hoztak létre. Ezek a modellek már most nagyon hatékonyan dolgoznak. Egy kutatás során a modell 88,7%-os pontossággal diagnosztizálta a Douglas-tasak elzáródását.
A transfer learning egyik előnye, hogy lehetővé teszi a tudás átadását, egyfajta közös nyelvre fordítását a különböző képalkotó eljárások között. Mind a transzvaginális ultrahang (TVUS), mind a mágneses rezonancia (MRI) használható az endometriózis nem invazív diagnózisához. . Zhang és munkatársai nagy teljesítményű TVUS elemző modelljeiket használták egy MRI modell előzetes betanításához, jelentősen javítva az MRI diagnosztikai teljesítményét. Ezek a kutatások megerősítik az AI megbízhatóságát az endometriózis képalkotás alapú felismerésében.
Az AI alkalmazása az endometriózis diagnózisának nem invazív jeleinek és a műtéti sikeresség előrejelzőinek kutatására is kiterjedt. Goldstein és Cohen például egy önbevalláson alapuló szűrőeszközt fejlesztettek ki, amely kimutatta, hogy az erős menstruációs vérzés, rendszertelen ciklus és dysmenorrhoea lehetnek a legfontosabb diagnosztikai tényezők. Gépi tanulási algoritmusok, például döntési fák használatával a modellek kiváló eredményeket értek el az endometriózis felismerésében.
Az endometriózis kimenetelének és a műtéti sikerességnek az előrejelzése számos kihívással jár, elsősorban a betegség összetettsége, soktényezős természete miatt, amely megnehezíti az általános érvényű előrejelzések és következtetések levonását. Habár ez a kutatási terület még fejlődőben van, az AI használata reménykeltő lehetőségeket kínál megbízható előrejelzők azonosítására. A kutatások során arra törekedtek, hogy azonosítsák az endometriózis műtét utáni fájdalomhoz kapcsolódó életminőségre ható tényezőket, mint a központi érzékenység szindróma kialakulását.
Az elemzés figyelembe vette az endometriózissal kapcsolatos különböző tényezőket, beleértve az American Society for Reproductive Medicine (rASRM) által módosított stádiumbeosztást, valamint a műtét után visszamaradt endometriózist is. Vesale és munkatársai többváltozós regressziót alkalmaztak annak előrejelzésére, hogy a mély endometriózis elváltozások műtéti eltávolítása után fellép-e vizelési rendellenesség. A modell klinikai jellemzőket és képalkotó adatokat használt a kockázati előrejelzések kidolgozására.
Az AI segítségével végzett kutatások jelentős mértékben hozzájárultak a sikeres kezelések előrejelzőinek jobb megértéséhez, és ezek a törekvések arra irányulnak, hogy megváltoztassák az ellátási normákat, nagyobb autonómiát biztosítva a betegeknek a kezelési döntések során.
Ahogy az AI erejét egyre inkább kihasználják a nagy adatbázisok elemzésére, a genetikai vizsgálatok, például a nyálban található mikroRNS-ek (miRNA), új lehetőségekként merülnek fel a diagnosztikai folyamatok javítására. Jelenleg nincs vérvizsgálat az endometriózis diagnosztizálására, de a biomarkerek felfedezése az endometriózis kutatásának egyik prioritása, amely AI segítségével halad előre. Az endometriózisra specifikus biomarkerek diagnosztikai és mechanisztikus információkat nyújthatnak, valamint potenciális kezelési célpontokat jelölhetnek ki. Ezeket a biomarkereket megtalálták az endometriális szövetekben, a szérumban és a nyálban is- emlékezzetek csak a nemrég megosztott cikkemre az EndoTestről.
Jiang és munkatársai öt gént azonosítottak, és ezeket a géneket potenciális immunmediált gyógyszercélpontokként elemezték. Su és társai egy kilenc gént azonosítottak, amelyek előrejelzik az endometriózis diagnózisát, beleértve az AGTR1 gént is, amit Jiang is felfedezett.
Wang egy 22 vérmintából álló vizsgálatban szérumfehérje lenyomatokat használt az endometriózis perifériás markereinek vizsgálatára, amelyek 91,7%-os érzékenységgel és 90%-os specifitással rendelkeztek. Bendifallah egy 200 beteg bevonásával végzett tanulmányban nyál miRNA diagnosztikai aláírást talált, amely hatékonyan előrejelezte az endometriózist, ez lett az EndoTest alapja. Ezek a módszerek, ha további validációt kapnak, hozzáférhetőbbé és időhatékonyabbá tehetik az endometriózis szűrését és diagnózisát.
Összességében azonban elmondható, hogy bár az AI gyorsan kulcsfontosságú elemmé vált az orvosi kutatásnak, de a módszerek és eszközök hatékony alkalmazásához szükséges követelmények elmaradtak a megvalósíthatóságtól és a valódi klinikai praxisba való ültethetőségtől. A kis adatállományokon és nem reprezentatív mintákon alapuló modellekből levont következtetések miatt ovábbi alapos, nagyobb elemszámú kutatások szükségesek a jövőben.
Most csak szemezgettem a már elérhető, mesterséges intelligenciát használó endometriózis kutatások közül, azonban Dungate és munkatársai csináltak egy narratív review-t, amit érdemes elolvasnod, ha még alaposabban utánamennél a témának. Ha pedig szeretnéd az általam feldolgozott teljes anyagot, akkor gyere és csatlakozz az EndoStop Sisterhoodhoz, hazánk legnagyobb és legkomplexebb endometriózis tudástárához és közösségéhez ITT.
Leave a Reply