Η τεχνητή νοημοσύνη στον τομέα της ΩΡΛ

Η Τεχνητή Νοημοσύνη (ΤΝ) έχει εξελιχθεί σε έναν από τους πιο δυναμικούς τομείς καινοτομίας στην ιατρική. Βοηθά τους γιατρούς να αναγνωρίζουν μοτίβα σε τεράστιους όγκους δεδομένων, να εξειδικεύουν τις διαγνώσεις, να σχεδιάζουν πιο εξατομικευμένες θεραπείες και να καθιστούν τις χειρουργικές επεμβάσεις ασφαλέστερες. Από την ακτινολογία και την ογκολογία έως τη χειρουργική, η ΤΝ αλλάζει τον τρόπο με τον οποίο κατανοούνται και αντιμετωπίζονται οι ασθένειες – συχνά αθόρυβα στο παρασκήνιο, αλλά με αισθητά οφέλη για τους ασθενείς. Ιδιαίτερα συναρπαστικό είναι το πόσο έντονα έχουν πλέον εισχωρήσει αυτές οι τεχνολογίες και στην Ωτορινολαρυγγολογία, όπου ανυψώνουν τη διάγνωση, την πλοήγηση και τη χειρουργική ακρίβεια σε ένα νέο επίπεδο.

Σχετικά με αυτό, η συντακτική ομάδα του Leading Medicine Guide είχε την ευκαιρία να συνομιλήσει με τον ειδικό ΩΡΛ, καθηγητή Δρ. Marco Domenico Caversaccio.

Πνευματικά δικαιώματα «Gianni Pauciello, Κλινική ΩΡΛ Inselspital»

Η τεχνολογία τεχνητής νοημοσύνης χρησιμοποιείται κυρίως για έρευνα, επεξεργασία κειμένου και παρόμοιες εργασίες. Η τεχνητή νοημοσύνη έχει από καιρό μετατραπεί σε επιχείρηση, δεν αποτελεί πλέον πείραμα, και οι μεγάλοι πάροχοι αποκομίζουν πλέον σημαντικά κέρδη από αυτήν. Ταυτόχρονα, τα όρια μεταξύ τεχνητής νοημοσύνης, πραγματικότητας και εικονικού περιεχομένου γίνονται όλο και πιο ασαφή.

«Παρά τις πολλές δυνατότητες, η χρήση της τεχνητής νοημοσύνης παραμένει απαιτητική. Δεν πρέπει να βασιζόμαστε τυφλά σε αυτήν, καθώς λείπει η προσωπική πτυχή. Στην άμεση συνομιλία προκύπτουν διαφορετικές οπτικές, αποχρώσεις, διευκρινίσεις – κάτι που οι μηχανές δεν μπορούν να αντικαταστήσουν. Επιπλέον, στο Διαδίκτυο κυκλοφορούν πολλές ανοησίες, γεγονός που καθιστά την κριτική προσέγγιση ακόμη πιο σημαντική. Είναι ενδιαφέρον το πώς έχουν σχετικοποιηθεί οι παλαιότερες προβλέψεις. Πριν από περίπου είκοσι χρόνια, για παράδειγμα, υποστηριζόταν ότι η ακτινολογία θα αυτοματοποιηθεί σε μεγάλο βαθμό μέσω της τεχνητής νοημοσύνης. Στην πραγματικότητα, στις ΗΠΑ ο αριθμός των ακτινολόγων έχει αυξηθεί κατά 4%. Εκεί, η τεχνητή νοημοσύνη έχει δημιουργήσει μάλλον νέους επιχειρηματικούς τομείς, αντί να αντικαταστήσει θέσεις εργασίας. Ωστόσο, οι τεχνολογικές εξελίξεις παραμένουν συναρπαστικές, ειδικά στον ιατρικό τομέα. Και στην ΩΡΛ ιατρική τίθεται το ερώτημα πώς μπορεί να βοηθήσει η τεχνητή νοημοσύνη στο μέλλον – για παράδειγμα, στην έγκαιρη ή ακριβέστερη ανίχνευση όγκων στην περιοχή της κεφαλής και του λαιμού μέσω της αναγνώρισης προτύπων στην απεικόνιση ή την παθολογία. «Υπάρχουν ήδη οι πρώτες προσεγγίσεις και η έρευνα συνεχίζει να εργάζεται εντατικά πάνω σε αυτό», επισημαίνει ο καθηγητής Δρ. Caversaccio στην αρχή της συζήτησής μας.

Η τεχνητή νοημοσύνη μπορεί να καταστήσει τους όγκους στην περιοχή της κεφαλής και του τραχήλου πιο έγκαιρα και με μεγαλύτερη ακρίβεια ανιχνεύσιμους, επειδή διαθέτει, σε διάφορα στάδια της διαγνωστικής διαδικασίας, ικανότητες που υπερβαίνουν κατά πολύ αυτές του ανθρώπινου ματιού ή των κλασικών μεθόδων αξιολόγησης. Στην απεικόνιση, τα μοντέλα τεχνητής νοημοσύνης αναλύουν τις τομογραφίες CT, MRI ή PET όχι μόνο επιφανειακά, αλλά μαθηματικά, σημείο προς σημείο. 

«Αυτά τα δεδομένα κρύβουν τεράστιο δυναμικό για ψηφιακές βιοψίες και αναγνώριση προτύπων, που εξελίσσονται χρόνο με το χρόνο. Στόχος είναι η σύνδεση των ακτινολογικών πληροφοριών με τα παθολογικά δεδομένα, προκειμένου να εντοπίζονται οι όγκοι νωρίτερα και με μεγαλύτερη ακρίβεια. Εάν οι επιφανειακοί ή μικροί όγκοι μπορούσαν να αναγνωρίζονται αξιόπιστα μέσω της απεικόνισης, οι επεμβατικές διαδικασίες, όπως η πανενδοσκόπηση, θα μπορούσαν να γίνουν λιγότερο απαραίτητες στο μέλλον. Αυτό δεν είναι ακόμα πραγματικότητα, αλλά διάφορες ερευνητικές ομάδες – όπως στο Βύρτσμπουργκ ή στη Χαϊδελβέργη – εργάζονται εντατικά για να συνδυάσουν τη ραδιομική, την παθομική και τις αναλύσεις μεγάλων δεδομένων. Η ιδέα πίσω από αυτό είναι σαφής: Όσα περισσότερα δεδομένα βλέπει ένα σύστημα, τόσο καλύτερα μπορεί να αναγνωρίζει μοτίβα. Όπως και οι μεγάλες πλατφόρμες δεδομένων, τα μοντέλα τεχνητής νοημοσύνης μαθαίνουν από κάθε νέα εξέταση. Ωστόσο, η πρακτική εφαρμογή βρίσκεται ακόμη στα πρώτα της βήματα. Πολλές ιδέες είναι εντυπωσιακές από τεχνική άποψη, αλλά το βήμα προς την ευρεία κλινική εφαρμογή είναι περίπλοκο. Οι όγκοι διαφέρουν σημαντικά μεταξύ τους, γεγονός που δυσχεραίνει την ανάπτυξη καθολικών μοντέλων. Σε ορισμένους τομείς, όπως ο σχεδιασμός και η προσαρμογή των κοχλιακών εμφυτευμάτων, έχει ήδη σημειωθεί πρόοδος – εκεί, τα διαγνωστικά δεδομένα και οι ενδοεγχειρητικές στρατηγικές μπορούν ήδη σήμερα να συνδεθούν στενότερα», εξηγεί ο καθηγητής Δρ. Caversaccio.

---

Η ραδιομική, η παθομική και οι αναλύσεις μεγάλων δεδομένων (Big Data) αντιπροσωπεύουν μια νέα προσέγγιση στη σύγχρονη ιατρική: μετατρέπουν τα δεδομένα εικόνων και ιστών σε εξαιρετικά ακριβείς, αξιοποιήσιμες πληροφορίες. Η ραδιομική εξάγει χιλιάδες χαρακτηριστικά από εικόνες αξονικής τομογραφίας (CT), μαγνητικής τομογραφίας (MRI) ή τομογραφίας εκπομπής ποζιτρονίων (PET) και καθιστά ορατά μοτίβα που επιτρέπουν συμπεράσματα σχετικά με τη βιολογία του όγκου, την επιθετικότητά του ή την ανταπόκριση στη θεραπεία. Η παθομική λειτουργεί με την ίδια αρχή, αλλά με βάση ψηφιοποιημένα δείγματα ιστών, στα οποία η τεχνητή νοημοσύνη αναγνωρίζει τις πιο λεπτές κυτταρικές δομές και μεταβολές. Οι αναλύσεις μεγάλων δεδομένων (Big Data) συνδέουν αυτές τις πληροφορίες με γενετικά δεδομένα, εργαστηριακές τιμές και κλινικές εξελίξεις. Έτσι δημιουργείται μια ολοκληρωμένη εικόνα δεδομένων, η οποία καθιστά τις διαγνώσεις πιο ακριβείς, επιτρέπει τον εξατομικευμένο σχεδιασμό των θεραπειών και μπορεί μακροπρόθεσμα να συμβάλει στην αποφυγή περιττών επεμβάσεων.

---

Η τεχνητή νοημοσύνη αλλάζει ριζικά τον προεγχειρητικό σχεδιασμό στην ΩΡΛ-χειρουργική, καθώς μπορεί να εξάγει από πολύπλοκα δεδομένα εικόνων σημαντικά περισσότερες πληροφορίες από ό,τι θα ήταν δυνατό με την καθαρά ανθρώπινη ερμηνεία.

Πνευματικά δικαιώματα «Gianni Pauciello, Κλινική ΩΡΛ Inselspital»

Σε επεμβάσεις στη βάση του κρανίου ή στο μέσο αυτί, όπου τα χιλιοστά καθορίζουν την ασφάλεια και τη διατήρηση της λειτουργίας, η τεχνητή νοημοσύνη αναλύει τις ακτινολογικές εικόνες με τέτοια ακρίβεια, ώστε να γίνονται ορατές ακόμη και οι πιο λεπτές ανατομικές παραλλαγές, οι δομές κινδύνου ή οι πιθανές στενώσεις. Έτσι δημιουργούνται εικονικά μοντέλα που απεικονίζουν με ακρίβεια την ατομική πορεία των νεύρων, των αγγείων ή των αερογεμάτων χώρων και καθιστούν τον σχεδιασμό σημαντικά πιο αξιόπιστο. Ιδιαίτερα στο μέσο αυτί, όπου τα ακουστικά οστά, το νεύρο της όψης και το εσωτερικό αυτί βρίσκονται εξαιρετικά κοντά μεταξύ τους, αυτό αυξάνει σημαντικά την χειρουργική ασφάλεια.

Σχετικά με αυτό, ο καθηγητής Δρ. Caversaccio εξηγεί: «Στον χειρουργικό σχεδιασμό χρησιμοποιούνται σήμερα διάφορες ψηφιακές μέθοδοι, οι οποίες βασίζονται κυρίως στην ακριβή τμηματοποίηση. Δομές όπως το αιθουσαίο νεύρο, το προσώπου νεύρο ή το ακουστικό νεύρο μπορούν έτσι να απεικονιστούν λεπτομερώς – εν μέρει ημιαυτόματα, εν μέρει πλήρως αυτόματα, ανάλογα με το σύστημα. Αυτές οι πληροφορίες μπορούν είτε να ενσωματωθούν νοητικά στη χειρουργική στρατηγική είτε να εισαχθούν απευθείας σε ένα σύστημα πλοήγησης. Κατά τη διάρκεια της επέμβασης, μπορεί κανείς να διαπιστώσει με ακρίβεια χιλιοστού πόσο κοντά βρίσκεται σε ευαίσθητες δομές. Προϋπόθεση για αυτό είναι τα συστήματα πλοήγησης υψηλής ακρίβειας, καθώς μόλις βγει κανείς από το οστό και εισέλθει σε κινητές περιοχές όπως ο χώρος του εγκεφαλονωτιαίου υγρού, η ακρίβεια μειώνεται σε περίπου δύο χιλιοστά – ένας παράγοντας που πρέπει πάντα να λαμβάνεται υπόψη. Τέτοιες μέθοδοι πλοήγησης και τμηματοποίησης χρησιμοποιούνται τακτικά στην καθημερινή κλινική πρακτική, συχνά σε στενή συνεργασία με τη νευροχειρουργική. Επιπλέον, υπάρχουν και άλλα βοηθήματα, όπως μοντέλα ταχείας πρωτοτυποποίησης (Rapid Prototyping), τα οποία απεικονίζουν τρισδιάστατα πολύπλοκες καταστάσεις στη βάση του κρανίου και βοηθούν στην επιλογή της βέλτιστης οδού πρόσβασης. Ακόμη και αν αυτά τα μοντέλα δεν θεωρούνται τεχνητή νοημοσύνη, διευκολύνουν σημαντικά τον χωρικό προσανατολισμό. Παράλληλα, συνεχίζουν να εξελίσσονται ψηφιακές έννοιες όπως οι προσομοιώσεις, τα εικονικά συστήματα εκπαίδευσης ή τα λεγόμενα «Digital Twins». Αυτά επιτρέπουν τον εκ των προτέρων σχεδιασμό χειρουργικών διαδρομών, την επισήμανση κινδύνων ή τον ακριβέστερο έλεγχο ρομποτικών συστημάτων. Στο μέλλον, οι τεχνολογίες επαυξημένης πραγματικότητας (AR) θα μπορούσαν να προβάλλουν πρόσθετες πληροφορίες απευθείας στο οπτικό πεδίο του χειρουργού – όπως συμβαίνει στα σύγχρονα πιλοτήρια. Η αυξανόμενη ψηφιοποίηση του χειρουργικού περιβάλλοντος οδηγεί σε ολοένα και περισσότερα διαθέσιμα δεδομένα, τα οποία πρέπει να ενσωματωθούν με λογικό τρόπο: απεικόνιση, πλοήγηση, φυσιολογικές μετρήσεις ή επικαλύψεις AR. Παρά όλες αυτές τις εξελίξεις, ένα πράγμα παραμένει σαφές: η ευθύνη βαρύνει πάντα τον χειρουργό. Τα ψηφιακά συστήματα μπορούν να υποστηρίζουν, να απεικονίζουν και να προειδοποιούν – αλλά δεν αντικαθιστούν τη χειρουργική εμπειρία, την κατανόηση της ανατομίας και τη λήψη αποφάσεων ανάλογα με την κατάσταση στο χειρουργείο».

Για πολλούς χειρουργούς, η αυξανόμενη τεχνολογικοποίηση στο χειρουργείο μπορεί πράγματι να αποτελεί υπερβολική επιβάρυνση. Ιδιαίτερα η παλαιότερη γενιά έχει επηρεαστεί έντονα από την αρχή του «Learning by doing» – μέσω ανατομικών παραδειγμάτων, πρακτικής εμπειρίας και μιας διαισθητικής χωρικής αντίληψης. Τα ψηφιακά συστήματα, οι προσομοιώσεις και τα εργαλεία που βασίζονται στην τεχνητή νοημοσύνη (AI) αλλάζουν ριζικά αυτόν τον κόσμο. Ωστόσο, παραμένει σαφές: η καλή χειρουργική εξακολουθεί να βασίζεται στην ανατομική γνώση, στη χωρική αντίληψη και στη λεπτή κινητική ακρίβεια. Ορισμένοι άνθρωποι διαθέτουν έντονη τρισδιάστατη αντίληψη και υψηλή απτική ευαισθησία – ικανότητες που δεν μπορεί να αντικαταστήσει ούτε η πιο σύγχρονη τεχνολογία.

«Τα συστήματα πλοήγησης υποστηρίζουν σήμερα πολλές χειρουργικές επεμβάσεις, αλλά παραμένουν παθητικά εργαλεία. Δείχνουν θέσεις, όπως ένα σύστημα πλοήγησης στο αυτοκίνητο, χωρίς όμως να αναλαμβάνουν ενεργό έλεγχο. Το επόμενο βήμα θα ήταν συστήματα με αισθητήρες-ενεργοποιητές, τα οποία αναγνωρίζουν ιστούς, μετρούν δυνάμεις και παρέχουν ανατροφοδότηση – όμως αυτή η τεχνολογία βρίσκεται ακόμα στα σπάργανα. Παράλληλα, αναπτύσσονται λύσεις επαυξημένης πραγματικότητας, ενδοεγχειρητική απεικόνιση και ψηφιακές δομές πιλοτηρίου, οι οποίες φέρνουν όλο και περισσότερες πληροφορίες στο χειρουργείο. Η πρόκληση συνίσταται στην ορθολογική ενσωμάτωση αυτών των δεδομένων, χωρίς να επιβαρύνεται υπερβολικά ο χειρουργός. Ταυτόχρονα, η εξάρτηση από την τεχνολογία ενέχει κινδύνους. Όπως και στην οδήγηση, όπου πολλοί άνθρωποι χωρίς σύστημα πλοήγησης δυσκολεύονται να προσανατολιστούν, έτσι και στην ιατρική οι δικές μας ικανότητες μπορεί να ατονήσουν αν βασιζόμαστε υπερβολικά στις συσκευές. Γι’ αυτό η βασική χειρουργική εκπαίδευση παραμένει εξίσου σημαντική: οι γνώσεις ανατομίας, οι πρακτικές ασκήσεις σε μοντέλα ή παρασκευάσματα και η εκμάθηση χειρωνακτικών δεξιοτήτων εξακολουθούν να αποτελούν το θεμέλιο. Η νέα γενιά μεγαλώνει βεβαίως μέσα σε ψηφιακούς κόσμους, αλλά αυτό δεν αντικαθιστά την ανάγκη να γυμνάζει κανείς το μυαλό του και να είναι σε θέση να λαμβάνει ανεξάρτητες αποφάσεις. Τα συστήματα τεχνητής νοημοσύνης μπορούν να αναγνωρίζουν μοτίβα, να συγκρίνουν δεδομένα και να παρέχουν υποστήριξη – αλλά σπάνια δημιουργούν κάτι καινούργιο. Η συναισθηματική νοημοσύνη, η διαίσθηση και η δημιουργική επίλυση προβλημάτων παραμένουν ανθρώπινα πλεονεκτήματα. Αυτό γίνεται εμφανές και σε τομείς όπως η έρευνα για τις εμβοές, όπου τα μοντέλα μηχανικής μάθησης, παρά την πολυετή εργασία, δεν μπορούν να εξαγάγουν αξιόπιστα μοτίβα από δεδομένα ΗΕΓ, επειδή η ατομική αντίληψη διαφέρει τόσο πολύ. Ταυτόχρονα, υπάρχουν τομείς στους οποίους η ψηφιακή υποστήριξη επιτρέπει ήδη σήμερα μεγάλες προόδους: για παράδειγμα, στα κοχλιακά εμφυτεύματα, όπου η διάγνωση, οι ενδοεγχειρητικές μετρήσεις και οι μετεγχειρητικές στρατηγικές προσαρμογής μπορούν να συντονίζονται μεταξύ τους με όλο και μεγαλύτερη ακρίβεια. Εδώ δημιουργείται πραγματική εξατομικευμένη ιατρική. Συνολικά, τα ψηφιακά συστήματα, η τεχνητή νοημοσύνη και η ρομποτική λειτουργούν ως πολύτιμα συμπληρωματικά εργαλεία – ως υποστήριξη, όχι ως υποκατάστατο. Η ευθύνη παραμένει στον χειρουργό, ο οποίος αποφασίζει, ερμηνεύει και ενεργεί», αναφέρει ο καθηγητής Δρ. Caversaccio και προσθέτει:

«Μέσω σύγχρονων μεθόδων μέτρησης, όπως οι αναλύσεις σύνθετης αντίστασης (μέθοδοι μέτρησης με τις οποίες καταγράφεται η ηλεκτρική αντίσταση ιστών ή ηλεκτροδίων) και οι μετρήσεις νευρικής απόκρισης (μέθοδοι με τις οποίες ελέγχεται αν ο ακουστικός νεύρος αντιδρά σε ηλεκτρικά ερεθίσματα) επιτρέπεται, κατά τη διάρκεια των επεμβάσεων κοχλιακών εμφυτευμάτων, να εκτιμηθεί ήδη κατά τη διάρκεια της επέμβασης ποια ακουστική ικανότητα θα μπορούσε να επιτευχθεί αργότερα. Η κοχλία έχει τονωτοπική δομή, γεγονός που διευκολύνει την αντιστοίχιση των συχνοτήτων – από τα χαμηλά 125 Hertz έως τα 8 Kilohertz. Αυτή η δομή καθιστά δυνατή την απόκτηση πρώιμων ενδείξεων για τη μελλοντική λειτουργία με βάση τα ενδοεγχειρητικά δεδομένα. Το αν η τεχνητή νοημοσύνη (AI) οδηγεί συνολικά σε λιγότερες επιπλοκές εξαρτάται σε μεγάλο βαθμό από το εκάστοτε πεδίο εφαρμογής. Σε ορισμένους τομείς υπάρχουν ήδη μελέτες που δείχνουν ότι η αναγνώριση προτύπων με τη βοήθεια της τεχνητής νοημοσύνης μπορεί να συμβάλει στην ακρίβεια των διαγνώσεων ή στην αποφυγή περιττών επεμβάσεων. Στην περίπτωση της χρόνιας ρινοκολπίτιδας, για παράδειγμα, τα ακτινολογικά πρότυπα θα μπορούσαν στο μέλλον να παρέχουν ενδείξεις για συγκεκριμένες αιτίες, όπως η κυστική ίνωση, συντομεύοντας έτσι τη διαγνωστική διαδικασία. Η τεχνητή νοημοσύνη θα μπορούσε τότε να βοηθήσει στο να αποφασιστεί αν είναι απαραίτητη η βιοψία, ποια θεραπεία φαίνεται σκόπιμη ή αν μπορεί να αποφευχθεί η χειρουργική επέμβαση. Τέτοια συστήματα είναι σε θέση να εξάγουν προτάσεις από μεγάλους όγκους δεδομένων – για παράδειγμα, ποια φάρμακα θα ήταν κατάλληλα ή ποια θεραπευτική στρατηγική υπόσχεται το μεγαλύτερο όφελος. Έτσι δημιουργείται ένα επιπλέον πλαίσιο λήψης αποφάσεων, το οποίο μπορεί να υποστηρίξει την καθημερινή κλινική πρακτική, χωρίς να αντικαθιστά την ιατρική ευθύνη».

Τα συστήματα πλοήγησης που βασίζονται στην τεχνητή νοημοσύνη προσφέρουν σημαντική προστιθέμενη αξία κατά τη διάρκεια ενδοσκοπικών επεμβάσεων στους παραρρίνιους κόλπους, καθώς δεν εμφανίζουν απλώς στατικά δεδομένα εικόνων, αλλά τα ερμηνεύουν ενεργά και τα συγκρίνουν σε πραγματικό χρόνο με την ατομική ανατομία του ασθενούς. 

«Η πρακτική εκπαίδευση στη χρήση σύγχρονης χειρουργικής τεχνολογίας ξεκινά παραδοσιακά με ανατομικά παραδείγματα και μοντέλα. Για επεμβάσεις όπως αυτές στα παραρρινικά κόλπα διατίθενται ειδικά συστήματα εκπαίδευσης, όπως το μοντέλο FACON ή ανατομικά παρασκευάσματα, όπως αυτά που προδιαγράφονται από την FMH (Foederatio Medicorum Helveticorum, Επαγγελματικός Σύλλογος Ελβετών Ιατρών). Μόνο όταν αυτές οι βασικές γνώσεις έχουν κατακτηθεί με σιγουριά, ακολουθεί η σταδιακή είσοδος στον χειρουργικό χώρο. Τα συστήματα πλοήγησης αποτελούν εκεί πρότυπο εδώ και πάνω από είκοσι χρόνια, αλλά απαιτούν τεχνική κατανόηση: η ακρίβεια πρέπει να ελέγχεται τακτικά και πρέπει να μπορεί κανείς να εκτιμήσει αν το σύστημα λειτουργεί αξιόπιστα. Με την αύξηση της εμπειρίας προστίθενται και άλλα ψηφιακά εργαλεία – όπως τρισδιάστατες απεικονίσεις, η χάραξη όγκων ή κρίσιμων δομών όπως ο οπτικός νεύρος, ή λειτουργίες όπως το «Navigator-Control», που προστατεύουν συγκεκριμένες περιοχές. Αυτό το επίπεδο επιτυγχάνεται συνήθως μόνο μετά από τρία έως τέσσερα χρόνια. Σε περίπλοκους όγκους, ιδίως στη βάση του κρανίου, συνεργάζονται διάφορες ειδικότητες, όπως η νευροχειρουργική ή η γναθοχειρουργική. Και εδώ ο ψηφιακός σχεδιασμός διαδραματίζει σημαντικό ρόλο: στις ανακατασκευές της κάτω γνάθου, η απαιτούμενη οστική δομή – συχνά η περόνη – μετράται ψηφιακά εκ των προτέρων, σχεδιάζεται και στη συνέχεια προσαρμόζεται με ακρίβεια ενδοεγχειρητικά. Τέτοια βοηθήματα σχεδιασμού και πλοήγησης διευκολύνουν τον προσανατολισμό και αυξάνουν την ακρίβεια, αλλά δεν χρησιμοποιούνται σε κάθε ασθενή. Ορισμένες διαδικασίες, όπως ο ψηφιακός σχεδιασμός για μοσχεύματα περόνης, καλύπτονται από τα ταμεία υγείας και, ως εκ τούτου, έχουν καθιερωθεί. Άλλες τεχνολογίες χρησιμοποιούνται μόνο σε περίπλοκες περιπτώσεις. Συνολικά, όμως, είναι σαφές ότι η απεικόνιση, οι προσομοιώσεις και τα ψηφιακά βοηθήματα σχεδιασμού αποκτούν ολοένα και μεγαλύτερη σημασία και συμπληρώνουν αποτελεσματικά το χειρουργικό έργο», διευκρινίζει ο καθηγητής Δρ. Caversaccio.

---

Η τεχνητή νοημοσύνη (AI) μπορεί να δημιουργήσει ακριβή τρισδιάστατα μοντέλα από δεδομένα αξονικής τομογραφίας (CT) και μαγνητικής τομογραφίας (MRI), να επισημάνει ανατομικές παραλλαγές και να αναδείξει αυτόματα τις περιοχές κινδύνου. Αυτό οδηγεί σε έναν σαφώς πιο διαισθητικό και ασφαλέστερο προσανατολισμό στο χειρουργείο. Κατά τη διάρκεια της επέμβασης, το σύστημα αναγνωρίζει τις ελάχιστες αποκλίσεις από την προγραμματισμένη διαδρομή των εργαλείων και προειδοποιεί έγκαιρα για κρίσιμες περιοχές, γεγονός που μειώνει τις επιπλοκές. Ταυτόχρονα, η τεχνητή νοημοσύνη μαθαίνει από μεγάλους όγκους δεδομένων να προβλέπει τυπικές ζώνες κινδύνου και προσαρμόζει δυναμικά το μοντέλο πλοήγησης σε αλλαγές όπως αιμορραγίες ή οιδήματα των βλεννογόνων – ένα πλεονέκτημα που δεν προσφέρουν τα κλασικά στατικά σύνολα δεδομένων εικόνων.

---

Η τεχνητή νοημοσύνη μπορεί να αναδείξει τους ενδοεγχειρητικούς κινδύνους στην ΩΡΛ χειρουργική πολύ νωρίτερα και με μεγαλύτερη ακρίβεια, καθώς αναλύει συνεχώς κατά τη διάρκεια της επέμβασης μια πληθώρα πηγών δεδομένων και εξάγει από αυτές ενδείξεις για πιθανούς κινδύνους, οι οποίοι συχνά θα ήταν αναγνωρίσιμοι στο ανθρώπινο οπτικό πεδίο μόνο αργότερα.

Πνευματικά δικαιώματα «Gianni Pauciello, Κλινική ΩΡΛ Inselspital»

Σε επεμβάσεις στη βάση του κρανίου ή σε άμεση γειτνίαση με ευαίσθητες δομές όπως το νεύρο της προσώπου, του κοχλιακού νεύρου ή της εσωτερικής καρωτίδας, η τεχνητή νοημοσύνη συγκρίνει σε πραγματικό χρόνο την τρέχουσα θέση των εργαλείων με το τρισδιάστατο μοντέλο που έχει δημιουργηθεί πριν από την επέμβαση και αναγνωρίζει ακόμη και τις ελάχιστες αποκλίσεις από την προγραμματισμένη διαδρομή. Μόλις ένα εργαλείο πλησιάσει μια κρίσιμη δομή, το σύστημα μπορεί να προειδοποιήσει πριν αυτή εμφανιστεί καν στην ενδοσκοπική εικόνα. Ταυτόχρονα, η τεχνητή νοημοσύνη είναι σε θέση να αναγνωρίζει αυτόματα ενδοεγχειρητικά ανατομικά σημεία αναφοράς – ακόμη και όταν αιμορραγία, οίδημα του βλεννογόνου ή μετατοπίσεις ιστών δυσχεραίνουν τον προσανατολισμό.

«Το αν η τεχνητή νοημοσύνη μπορεί πράγματι να αποτρέψει επιπλοκές, παραμένει προς το παρόν ανοιχτό ζήτημα. Σε ορισμένους τομείς, οι ψηφιακές μέθοδοι βοηθούν ήδη στην καλύτερη εκτίμηση των κινδύνων – για παράδειγμα, μέσω αυτόματων ή ημιαυτόματων τμηματοποιήσεων που καθιστούν ορατά νεύρα, αγγεία ή άλλες ευαίσθητες δομές. Αυτές οι απεικονίσεις υποστηρίζουν τον σχεδιασμό και βελτιώνουν τον προσανατολισμό στο χειρουργείο, αλλά δεν αντικαθιστούν τη χειρουργική εμπειρία. Όπως και στην πλαστική χειρουργική, όπου χρησιμοποιούνται προεγχειρητικές φωτογραφίες για την οπτικοποίηση πιθανών αποτελεσμάτων, έτσι και τα μοντέλα που βασίζονται στην τεχνητή νοημοσύνη μπορούν να παρέχουν προβλέψεις. Ωστόσο, όπως και στην περίπτωση μιας ρινοπλαστικής, η πραγματικότητα παραμένει πολύπλοκη: τα μαλακά ιστά, οι μιμικές εκφράσεις και οι ατομικές διαδικασίες επούλωσης δεν μπορούν να προβλεφθούν πλήρως. Ο σχεδιασμός μπορεί να είναι σωστός κατά 70 ή 80 τοις εκατό – η απόλυτη ακρίβεια είναι σχεδόν αδύνατη. Η τεχνητή νοημοσύνη μπορεί επίσης να υποστηρίξει τη περιεγχειρητική διαχείριση, για παράδειγμα στην επιλογή κατάλληλων φαρμάκων ή στην εκτίμηση των κινδύνων. Τέτοια συστήματα θα μπορούσαν στο μέλλον να παρέχουν συστάσεις, με βάση συγκρίσιμες περιπτώσεις και μεγάλους όγκους δεδομένων. Ωστόσο, πολλές από αυτές τις προσεγγίσεις βρίσκονται ακόμη στο στάδιο της «απόδειξης της ιδέας» (Proof of Concept). Το κρίσιμο εμπόδιο είναι η μετατροπή τους σε εγκεκριμένα ιατρικά προϊόντα. Από ρυθμιστική άποψη, οι απαιτήσεις είναι υψηλές: τα συστήματα πρέπει να αποδείξουν πολύ υψηλή ευαισθησία και ειδικότητα πριν εγκριθούν. Η κατάσταση γίνεται ιδιαίτερα περίπλοκη όταν η τεχνητή νοημοσύνη συνδυάζεται με τη ρομποτική – εδώ ισχύουν οι αυστηροί κανονισμοί του κανονισμού MDR για την κατηγορία III. Για τέτοιες εφαρμογές συχνά λείπουν τα μεγάλα σύνολα δεδομένων που θα ήταν απαραίτητα για την έγκριση. Γι’ αυτό, πολλά πρωτότυπα τεχνητής νοημοσύνης παραμένουν στο στάδιο της έρευνας, ενώ μόνο λίγα καταφέρνουν να ενταχθούν στην κλινική ρουτίνα. Αντίθετα, τα ψηφιακά εργαλεία εύκολης πρόσβασης, οι προσομοιώσεις ή οι εφαρμογές εκπαίδευσης είναι ευρέως διαδεδομένα, καθώς δεν αντιμετωπίζουν υψηλά ρυθμιστικά εμπόδια. Ωστόσο, τα πραγματικά συστήματα που βασίζονται στην τεχνητή νοημοσύνη και επηρεάζουν τις χειρουργικές αποφάσεις ή καθοδηγούν τα χειρουργικά βήματα εξακολουθούν να είναι σπάνια. Η τεχνολογία εξελίσσεται ραγδαία, αλλά η μετάβαση στην πράξη είναι απαιτητική – ειδικά σε εξαιρετικά ευαίσθητους τομείς όπως η χειρουργική της βάσης του κρανίου, όπου η μέγιστη ακρίβεια είναι απαραίτητη», επισημαίνει ο καθηγητής Δρ. Caversaccio.

---

Προκειμένου τα συστήματα που βασίζονται στην τεχνητή νοημοσύνη στην ΩΡΛ ιατρική να μην οδηγήσουν σε υπερβολική εξάρτηση, πρέπει να οριστεί ξεκάθαρα από την αρχή ο ρόλος που διαδραματίζουν στην καθημερινή κλινική πρακτική: υποστήριξη ναι, κυριαρχία στη λήψη αποφάσεων όχι. Κεντρικό σημείο αποτελεί η διαφάνεια τόσο σε τεχνικό επίπεδο όσο και ως προς το περιεχόμενο.

---

Η τεχνητή νοημοσύνη διαδραματίζει έναν ολοένα και πιο κεντρικό ρόλο στις εμφυτεύσεις κοχλία, καθώς βελτιώνει τόσο την τεχνική ακρίβεια της επέμβασης όσο και την ατομική ακουστική πρόγνωση.

Πνευματικά δικαιώματα «Gianni Pauciello, Κλινική ΩΡΛ Inselspital»

«Στον τομέα των ακουστικών βοηθημάτων, η τεχνητή νοημοσύνη διαδραματίζει ήδη σήμερα αισθητό ρόλο. Τα σύγχρονα συστήματα μπορούν να φιλτράρουν στοχευμένα τους θορύβους του περιβάλλοντος, να αναδεικνύουν τα φωνητικά σήματα και να δημιουργούν εξατομικευμένα ηχητικά προφίλ με τη βοήθεια νευρωνικών δικτύων. Οι συσκευές προσαρμόζονται σε ηχητικές συχνότητες, περιβάλλοντα και προσωπικές ακουστικές προτιμήσεις – από την ενίσχυση συγκεκριμένων συχνοτήτων έως τη βελτιστοποίηση της αντίληψης της μουσικής ή της ομιλίας. Η ανάπτυξη προχωρά με ταχείς ρυθμούς και η βιομηχανία εργάζεται εντατικά για την όλο και μεγαλύτερη εξατομίκευση των ακουστικών βοηθημάτων και των επεξεργαστών ομιλίας. Δεδομένου ότι αυτή η τεχνολογία είναι μη επεμβατική, εισέρχεται σχετικά γρήγορα στην αγορά και προσφέρει σε πολλούς ανθρώπους σημαντική βελτίωση της ποιότητας ζωής. Ταυτόχρονα, εξακολουθούν να υπάρχουν προκλήσεις, όπως στην περίπτωση της μονόπλευρης κώφωσης ή στην έρευνα για τις εμβοές. Οι εμβοές είναι εξαιρετικά ατομικές, γεγονός που δυσχεραίνει την ανάπτυξη αξιόπιστων λύσεων που βασίζονται στην τεχνητή νοημοσύνη. Στην περίπτωση της μονόπλευρης κώφωσης, σήμερα χρησιμοποιούνται συχνά συστήματα crossover ή κοχλιακά εμφυτεύματα, εφόσον πληρούνται οι προϋποθέσεις. Ωστόσο, και εδώ γίνεται φανερό: υπάρχουν πολλές ιδέες, διεξάγονται πολλές μελέτες – αλλά η εφαρμογή τους είναι πολύπλοκη. Ένα ιδιαίτερα ενεργό ερευνητικό πεδίο αφορά τη φωνή. Οι φωνητικές χορδές και η φωνητική παρέχουν πολύτιμες ενδείξεις, για παράδειγμα, για τον διαβήτη, τις νευροεκφυλιστικές ασθένειες ή τις πρώιμες νεοπλασματικές αλλοιώσεις. Με τη στροβοσκόπηση, τις αναλύσεις βίντεο και την αναγνώριση προτύπων με τη βοήθεια της τεχνητής νοημοσύνης δημιουργούνται νέες διαγνωστικές δυνατότητες, οι οποίες επί του παρόντος διερευνώνται εντατικά. Ο συνδυασμός απεικόνισης, ακουστικών δεδομένων και ανάλυσης με τεχνητή νοημοσύνη ανοίγει συναρπαστικές προοπτικές. Παράλληλα, αναπτύσσονται και άλλες τεχνολογίες, όπως η συγχώνευση δεδομένων αξονικής τομογραφίας (CT) και μαγνητικής τομογραφίας (MRI), η γονιδιωματική και η παθομική. Επίσης, η ρομποτική παραμένει ένα σημαντικό θέμα – ωστόσο, το αποφασιστικό βήμα δεν έχει ακόμη επιτευχθεί: μια τεχνητή νοημοσύνη που προτείνει αυτόνομα τη βέλτιστη χειρουργική προσέγγιση, αξιολογεί τους κινδύνους και αποτρέπει αξιόπιστα τις επιπλοκές. Στην ιατρική, αυτό είναι πολύ πιο δύσκολο από ό,τι στις βιομηχανικές εφαρμογές, επειδή κάθε επέμβαση στον άνθρωπο συνεπάγεται ατομικές μεταβλητές», επισημαίνει ο καθηγητής Δρ. Caversaccio και τονίζει στο τέλος της συζήτησής μας:

«Τα ρομποτικά συστήματα συνεχίζουν επομένως να λειτουργούν ως βοηθητικά μέσα, όχι ως αυτόνομοι παράγοντες. Υποστηρίζουν, περιορίζουν τους κινδύνους και αυξάνουν την ακρίβεια, αλλά δεν αναλαμβάνουν ολόκληρες χειρουργικές επεμβάσεις. Η ευθύνη παραμένει στον άνθρωπο. Ταυτόχρονα, η αυξανόμενη ψηφιοποίηση μεταβάλλει την καθημερινότητα της εργασίας: Τα συστήματα πληροφοριών, οι τυποποιημένες διαδικασίες και οι λύσεις λογισμικού καθορίζουν όλο και περισσότερο τον τρόπο λειτουργίας των διαδικασιών. Αυτό διευκολύνει πολλά πράγματα, αλλά έχει επίσης ως αποτέλεσμα οι άνθρωποι να πρέπει να προσαρμοστούν στη λογική των συστημάτων. Σε έναν κόσμο που τυποποιείται όλο και περισσότερο, αυξάνεται ο κίνδυνος να γίνουμε και εμείς, σε κάποιο βαθμό, πιο «ρομποτικοί». Παρ’ όλα αυτά, ένα είναι σαφές: στην ιατρική, ο άνθρωπος βρίσκεται στο επίκεντρο – ως ασθενής και ως υπεύθυνος λήψης αποφάσεων στο χειρουργείο. Η τεχνολογία μπορεί να υποστηρίζει, να δομεί και να προσδίδει ακρίβεια, αλλά δεν αντικαθιστά την εμπειρία, τη διαίσθηση και την ευθύνη του χειρουργού».

Σας ευχαριστούμε θερμά, καθηγητά Δρ. Caversaccio, για αυτές τις ενημερωτικές πληροφορίες σχετικά με την τεχνητή νοημοσύνη στον τομέα της ΩΡΛ!