Nėštumo ir kūdikystės komplikacijų rizika šiandien vertinama pagal anamnezę, kraujo tyrimus, ultragarsą ir kitus klinikinius duomenis. „Nature Medicine“ paskelbtame tyrime pristatyta dirbtinio intelekto sistema „MoChiAgent“, kuri iš nuosekliai kaupiamų elektroninių sveikatos įrašų bandė prognozuoti motinos ir kūdikio būkles. Rezultatai įdomūs, tačiau sistema kol kas yra mokslinis prototipas, o ne savarankiškas gydytojo pakaitalas.
Kuo ši sistema skiriasi nuo įprasto rizikos skaičiuotuvo?
Daugelis esamų modelių orientuojasi į vieną komplikaciją arba reikalauja specialaus tyrimo. „MoChiAgent“ sujungia kelias priemones: pagrindinis prognozavimo modelis analizuoja pasikartojančius laboratorinius ir klinikinius duomenis, o atskiras paieškos modulis ieško rekomendacijų kruopščiai atrinktoje medicinos literatūroje ir gairėse.
Modelis mokytas naudojant 4 401 599 klinikinių apsilankymų informaciją. Išorinei patikrai pasitelktos nepriklausomos motinų ir kūdikių duomenų grupės, apėmusios atitinkamai 263 452 ir 23 192 apsilankymus. Tai svarbu, nes algoritmas, gerai veikiantis tik vienos ligoninės duomenyse, gali suklysti kitoje populiacijoje.
Kokius rezultatus pavyko prognozuoti?
Motinos sveikatos analizėje sistema gana tiksliai atpažino kelias svarbias nėštumo būkles. Placentos atšokos ir priešlaikinio vaisiaus vandenų nutekėjimo prognozės plotas po ROC kreive siekė po 0,89, o priešlaikinio gimdymo – 0,91. Šis rodiklis parodo modelio gebėjimą atskirti didesnės ir mažesnės rizikos atvejus, bet pats savaime nepasako, kiek klaidingų perspėjimų būtų realioje klinikoje.
Susiejus motinos ir kūdikio įrašus, išryškėjo rizikos grupės. Kai kurių motinų grupėms gimusių kūdikių naujagimių geltos rizika buvo beveik 2,8 karto, o kraujo ligų – apie 2,8 karto didesnė. Motinos nėštumo duomenų pridėjimas pagerino kai kurių kūdikio būklių, įskaitant chromosomų anomalijas ir kvėpavimo sutrikimus, prognozę.
Algoritmas bandė užpildyti trūkstamus duomenis
Elektroniniai sveikatos įrašai nėra tvarkinga tyrimų lentelė: skirtingoms pacientėms atliekami nevienodi tyrimai, matavimai kartojami skirtingu metu, o laboratorijų metodai gali skirtis. Tyrėjų sukurtas modelis mokėsi atkurti trūkstamas laboratorines reikšmes, mažinti duomenų serijų skirtumus ir atpažinti sveikatos trajektorijas.
Tačiau „atkurtas“ rezultatas nėra tikras laboratorinis matavimas. Klinikoje gydytojas turi aiškiai matyti, kurie duomenys išmatuoti, o kurie apskaičiuoti. Priešingu atveju tariamas tikslumas gali sukurti nepagrįstą pasitikėjimą.
Ką reiškia didelis prognozės tikslumas?
Net ir aukštas statistinis rodiklis negarantuoja naudos pacientui. Reikia parodyti, kad perspėjimas gaunamas pakankamai anksti, kad gydytojas gali imtis veiksmų ir kad tie veiksmai iš tiesų pagerina baigtis. Taip pat būtina įvertinti klaidingai teigiamų rezultatų žalą: papildomą nerimą, tyrimus ir intervencijas.
Didelę reikšmę turi duomenų kilmė. Sveikatos priežiūros praktika, ligų paplitimas, laboratorijų normos ir pacientų charakteristikos skiriasi tarp valstybių. Todėl Lietuvoje sistemą reikėtų tikrinti su vietos duomenimis, laikantis privatumo, informuoto sutikimo ir medicinos prietaisų reikalavimų.
Gydytojo vaidmuo išlieka esminis
„MoChiAgent“ buvo kuriamas kaip klinikinių sprendimų palaikymo priemonė. Sistema gali padėti pastebėti sudėtingus, per daugelį vizitų susidarančius signalus, tačiau ji nežino viso paciento konteksto ir gali paveldėti istorinių duomenų šališkumą. Galutinį sprendimą turi priimti gydytojas, patikrinęs pirminius duomenis.
Tyrimas rodo perspektyvią kryptį: įprasti sveikatos įrašai galėtų būti naudojami anksčiau atpažinti riziką, nepridedant kiekvienai pacientei brangių tyrimų. Vis dėlto prieš diegiant tokią sistemą būtini prospektyvūs klinikiniai tyrimai, aiškus atsakomybės paskirstymas ir nuolatinė algoritmo veikimo kontrolė.
Kokie saugikliai būtų būtini praktikoje?
Klinikinėje sistemoje neužtenka pateikti vien rizikos procentą. Gydytojas turi matyti, kokie konkretūs duomenys nulėmė perspėjimą, kada jie buvo surinkti ir ar jų kokybė pakankama. Taip pat reikalinga aiški riba, nuo kurios siūlomas papildomas tyrimas, konsultacija ar dažnesnė stebėsena. Algoritmas neturėtų automatiškai nustatyti diagnozės ar paskirti gydymo.
Sistema privalėtų būti nuolat tikrinama po įdiegimo. Pasikeitus laboratoriniams metodams, pacientų populiacijai ar gydymo protokolams, modelio tikslumas gali mažėti. Reikėtų atskirai vertinti rezultatus pagal amžių, gretutines ligas ir kitus demografinius požymius, kad viena grupė negautų sistemingai daugiau klaidingų perspėjimų.
Kuo tai galėtų būti naudinga pacientei?
Didžiausia galima nauda – ankstesnis rizikos signalas tarp įprastų vizitų. Pavyzdžiui, sistema galėtų atkreipti gydytojo dėmesį į kelių nežymių laboratorinių pokyčių derinį, kuris atskirai neatrodo svarbus. Tada gydytojas galėtų patikrinti kraujospūdį, vaisiaus augimą ar kitus rodiklius ir nuspręsti, ar reikia papildomo stebėjimo.
Vis dėlto pacientei turėtų būti aiškiai paaiškinta, kad prognozė nėra diagnozė. Mažos rizikos rezultatas nepanaikina įprastų nėštumo patikrų, o didelės rizikos rezultatas nereiškia, kad komplikacija būtinai išsivystys. Sprendimų palaikymo įrankis vertingas tik tada, kai jo perspėjimai suprantamai aptariami su paciente ir derinami su klinikiniu vertinimu.
Tolesniuose tyrimuose reikės palyginti sistemą ne tik su kitais algoritmais, bet ir su realia įprasta gydytojų praktika. Svarbu išmatuoti, ar perspėjimai sutrumpina laiką iki diagnozės, sumažina komplikacijų skaičių ir nesukuria perteklinių intervencijų. Tik tokie prospektyvūs duomenys parodys, ar technologiškai pažangus modelis iš tiesų pagerina motinos ir kūdikio sveikatą.
Šiuo metu nėščiųjų patikros ir priežiūros tvarka dėl šio tyrimo nesikeičia.
Rengiant publikaciją naudotos dirbtinio intelekto priemonės. Turinį peržiūrėjo MedNews.lt redakcija.
Originalus tekstas: https://www.nature.com/articles/s41591-026-04694-y
Iliustracija sukurta naudojant dirbtinį intelektą.