Cukrinis diabetas – viena dažniausių lėtinių ligų. Europoje šią diagnozę turi apie 66 mln. suaugusiųjų, o iki 2050 m. šis skaičius, prognozuojama, išaugs iki daugiau nei 72 mln. Sergant 1 tipo cukriniu diabetu gliukozės koncentraciją būtina nuolat stebėti, o insuliną – reguliariai dozuoti. Tačiau net ir viską darant teisingai organizmo reakciją ne visada galima tiksliai numatyti. Gliukozės koncentraciją veikia ne tik maistas ar insulinas, bet ir fizinis aktyvumas, stresas, hormoniniai pokyčiai, miego kokybė, paros ritmas bei individualūs medžiagų apykaitos skirtumai.
Net ir daug patirties sukaupę pacientai gali susidurti su netikėtais gliukozės svyravimais, galinčiais baigtis hipoglikemija arba hiperglikemija. Galimybė tokius pokyčius numatyti iš anksto galėtų padėti geriau įvertinti riziką ir suteikti daugiau informacijos priimant su ligos valdymu susijusius sprendimus.
Nuolatinio gliukozės stebėjimo sistemos šiandien leidžia jos pokyčius fiksuoti kas kelias minutes, tačiau kartu sugeneruoja didžiulius duomenų kiekius. Kauno technologijos universiteto (KTU) mokslininkai siūlo juose slypinčių dėsningumų ieškoti pasitelkiant dirbtinį intelektą (DI) – vienu metu vertinti ne tik gliukozės rodiklius, bet ir insulino pompos, suvartotų angliavandenių ar fizinio aktyvumo duomenis.
DI atsirenka tai, kas svarbiausia
Naujausiame tyrime KTU mokslininkai siekė žengti toliau nei vien numatyti būsimą gliukozės koncentraciją. Sukurtas modelis vienu metu prognozuoja jos pokyčius ir vertina hipoglikemijos riziką po 30 ir 60 minučių. Be to, tyrėjai nagrinėjo, kaip DI galėtų padėti retrospektyviai vertinti individualizuotus insulino koregavimus.
Tam viename sprendime mokslininkai sujungė kelis DI metodus. Iš pirmo žvilgsnio jų veikimas gali pasirodyti sudėtingas, tačiau, pasak KTU profesoriaus Ryčio Maskeliūno, pagrindinė idėja gerokai paprastesnė.
„Įprasti prognozavimo modeliai vertina duomenis kaip chronologinę seką, o naujasis metodas kiekvieną laiko momentą paverčia grafų tinklo mazgu, kuris susiejamas su ankstesniais panašiais laiko momentais. Tokiu būdu modelis mokosi ne tik iš tiesioginės įvykių sekos, bet ir iš sudėtingų ryšių tarp įvairių organizmo būsenų“, – aiškina profesorius.
Svarbi modelio dalis – vadinamasis dėmesio mechanizmas. Jis padeda algoritmui nustatyti, kurie ankstesni duomenys konkrečioje situacijoje yra reikšmingiausi prognozuojant būsimą gliukozės pokytį.
„Tai primena patyrusį gydytoją, kuris, vertindamas paciento būklę, ne vien mechaniškai peržiūri visus duomenis, bet atsirenka svarbiausius veiksnius konkrečioje situacijoje“, – paaiškina R. Maskeliūnas.
Šis principas svarbus ir dėl dar vienos medicinoje aktualios DI problemos – gebėjimo paaiškinti gautą rezultatą. Net ir didelio tikslumo algoritmas medicinoje turi ribotą vertę, jei gydytojas negali suprasti, kodėl jis pateikė vienokią ar kitokią prognozę. Todėl tyrėjų sukurtas sprendimas leidžia nustatyti, kurie požymiai ir ankstesni laiko momentai turėjo didžiausią įtaką konkrečiai prognozei.
Tyrėjų sukurtas modelis – pagalba gydytojų sprendimams
Modelis išbandytas naudojant tarptautinius pirmo tipo diabeto duomenis, o rezultatai parodė aukštą gliukozės prognozavimo ir hipoglikemijos rizikos vertinimo tikslumą. Dar viena svarbi tyrimo išvada – mokant algoritmą kartu prognozuoti gliukozę ir vertinti hipoglikemijos riziką, rezultatai buvo geresni nei šias užduotis atskyrus.
„Rezultatai parodė, kad naujieji modeliai pasiekia labai aukštą prognozavimo tikslumą ir gerai veikia net su pacientais, kurių duomenų algoritmas anksčiau nebuvo matęs“, – sako prie modelio kūrimo prisidėjęs KTU doktorantas Muhammad Abdullah Sarwar.
Tyrime vertinti individualizuoti insulino koregavimai nėra skirti pacientui savarankiškai keisti gydymą – jie nagrinėjami kaip galimas sprendimų palaikymo įrankis klinikinei analizei.
„Tai ypač svarbu kuriant universalius klinikinius sprendimų palaikymo įrankius, nes medicinos sistemos turi veikti patikimai skirtingose ligoninėse, skirtingose šalyse ir su įvairiomis pacientų grupėmis“, – pabrėžia M. Sarwar.
Vis dėlto aukštas tikslumas dar nereiškia, kad tokie algoritmai jau pasirengę persikelti į paciento kasdienybę. „Iki plataus klinikinio pritaikymo dar reikia papildomų klinikinių tyrimų. Modeliai buvo vertinti naudojant istorinius pacientų duomenis, todėl būtina įrodyti, kad jie išliks tokie pat tikslūs realiomis klinikinėmis sąlygomis – tuo pasirūpins mūsų partneriai medikai“, – sako R. Maskeliūnas.
Greta klinikinių bandymų išlieka duomenų saugumo, pacientų privatumo ir sklandaus algoritmų integravimo į kasdienį medikų darbą klausimai. Tyrėjai DI mato ne kaip gydytoją pakeičiančią technologiją, o kaip galimybę efektyviau panaudoti milžiniškus pacientų generuojamus duomenų kiekius ir ateityje suteikti labiau individualizuotą pagalbą.
„Paaiškinami ir pažangūs DI modeliai leis ne tik tiksliau prognozuoti gliukozės pokyčius, bet ir suteiks pagrindą kurti saugesnes, labiau personalizuotas bei efektyvesnes sprendimų palaikymo sistemas, palengvinančias itin intensyvų gydytojų darbą“, – teigia KTU profesorius.
Straipsnį „GAT-BiGRU: explainable multi-task temporal graph learning for glucose forecasting, hypoglycemia risk, and counterfactual insulin adjustment“ galite rasti čia.
About the Author
