Μπορεί η τεχνητή νοημοσύνη να εντοπίσει ένα καρδιαγγειακό συμβάν ή ακόμη και να το προβλέψει, διαβάζοντας προειδοποιητικά σημάδια που διαφεύγουν από το μάτι του καρδιολόγου; Πρόσφατα ερευνητικά δεδομένα δείχνουν ενθαρρυντικά αποτελέσματα για τη μείωση της θνησιμότητας και της διάρκειας νοσηλείας, όμως το βασικό ερώτημα παραμένει: πότε μπορούμε να την εμπιστευτούμε και πότε χρειάζεται να την αμφισβητήσουμε;
Το θέμα ανοίγει με αφορμή το 4ο Πανελλήνιο Συνέδριο «Διάλογοι στην Καρδιολογία – Cardiodialogues 2026», που διεξάγεται αυτές τις μέρες στο Ίδρυμα Ευγενίδου, από τον πρόεδρο της Οργανωτικής Επιτροπής, Λεωνίδα Πουλημένο. Σε συνέντευξή του στο Πρακτορείο Fm και στην εκπομπή της Τάνιας Μαντουβάλου «104,9 ΜΥΣΤΙΚΑ ΥΓΕΙΑΣ», ο επεμβατικός καρδιολόγος, συντονιστής διευθυντής της Καρδιολογικής Κλινικής του Ασκληπιείου Βούλας και πρόεδρος του Ελληνικού Ιδρύματος Καρδιαγγειακών Παθήσεων (ΕΛΙΚΑΠ), παρουσιάζει τα πιο πρόσφατα ευρήματα που συζητιούνται στο συνέδριο, εξηγεί τις αδυναμίες των αλγορίθμων και θέτει τα όρια της εμπιστοσύνης σε αυτούς.
Ο κ. Πουλημένος αναφέρεται στις δυνατότητες της τεχνητής νοημοσύνης στην αναγνώριση του εμφράγματος, επικαλούμενος μεταανάλυση μελετών σε περισσότερους από 166.000 ασθενείς, η οποία δημοσιεύθηκε την περασμένη εβδομάδα. Σύμφωνα με τα ευρήματά της, η τεχνητή νοημοσύνη αναγνώρισε σωστά το έμφραγμα στο 93% των ασθενών που το είχαν και το απέκλεισε σωστά στο 92% όσων δεν το είχαν, όμως οι ερευνητές ήταν σαφείς: η τεχνητή νοημοσύνη δεν αντικαθιστά την τροπονίνη, το καρδιογράφημα ή την κλινική κρίση, αλλά τα ενισχύει. Υπάρχει επίσης επιφύλαξη, καθώς πολλά εργαλεία έχουν δοκιμαστεί σε πολύ συγκεκριμένους πληθυσμούς, χωρίς να έχει ελεγχθεί η αξιοπιστία τους σε άλλες ομάδες, όπως σε άτομα αφρικανικής καταγωγής ή σε πληθυσμούς της Μεσογείου, ανάμεσά τους και στον ελληνικό. Ο ίδιος σημειώνει ότι η τεχνητή νοημοσύνη δεν είναι μια κρυστάλλινη σφαίρα, τουλάχιστον όχι σήμερα, αλλά ένα πολύ καλό ραντάρ για την κακοκαιρία που δεν βλέπουμε μπροστά μας.
Η τεχνητή νοημοσύνη συγκεντρώνει δεδομένα από δισεκατομμύρια καρδιογραφήματα και εντοπίζει μικροσκοπικά μοτίβα που εμείς ούτε γνωρίζουμε ότι υπάρχουν ούτε έχουμε φτάσει να αναλύουμε, αναφέρει ο γνωστός καρδιολόγος. Ένα καρδιογράφημα δέκα δευτερολέπτων μπορεί να υποψιαστεί καρδιακή ανεπάρκεια, αρρυθμία πριν εμφανιστούν συμπτώματα, στένωση αορτής, σπάνιες μυοκαρδιοπάθειες ή ακόμη και μια μαρμαρυγή που θα εμφανιστεί τα επόμενα χρόνια και σήμερα κρύβεται. Σε μελέτη με 22.600 ασθενείς που παρακολουθούνταν από οικογενειακούς γιατρούς, η ανάλυση ενός απλού καρδιογραφήματος με τη βοήθεια της τεχνητής νοημοσύνης οδήγησε στον εντοπισμό περίπου ενός τρίτου περισσότερων περιστατικών καρδιακής ανεπάρκειας, χωρίς να γίνουν συνολικά περισσότερα τρίπλεξ καρδιάς ή υπερηχοκαρδιογραφήματα. Στο Holter, ο αλγόριθμος έχασε τρεις επικίνδυνες αρρυθμίες στους χίλιους ασθενείς, ενώ οι καρδιολόγοι έχασαν 44 στους χίλιους. Το ίδιο ισχύει και στους υπερήχους: σήμερα υπάρχουν υπερηχογράφοι τσέπης για την καρδιά, όπου η τεχνητή νοημοσύνη καθοδηγεί το χέρι του γιατρού στα επείγοντα ή σε απομακρυσμένο μέρος και μετρά αυτόματα πόσο καλά δουλεύει η καρδιά. Επιπλέον, μπορεί να ξαναδιαβάσει ένα υπερηχοκαρδιογράφημα ρουτίνας και να εντοπίσει νόσους που σήμερα δεν μπορούμε να δούμε και περνούν απαρατήρητες, όπως η αμυλοείδωση ή η στένωση αορτής. Οι πιο απλές εξετάσεις αποκτούν πιο έξυπνα μάτια, όμως το εύρημα παραμένει στον γιατρό να το επιβεβαιώσει.
Τα δεδομένα για την ακρίβεια και την ταχύτητα της τεχνητής νοημοσύνης στη διάγνωση είναι ισχυρά, ενώ τα στοιχεία για τη βελτίωση της επιβίωσης παραμένουν πρώιμα, αλλά ενθαρρυντικά, σύμφωνα με τον κ. Πουλημένο. Μια ανάλυση 32 τυχαιοποιημένων μελετών που κυκλοφόρησε φέτος έδειξε ότι, όταν η τεχνητή νοημοσύνη καθοδηγούσε τις αποφάσεις, η θνησιμότητα μειώθηκε κατά 16%, με μία ζωή να σώζεται για κάθε 32 ασθενείς. Παράλληλα, οι ασθενείς παρέμεναν έως και τέσσερις ημέρες λιγότερο στο νοσοκομείο και έπαιρναν πιο σωστά τη φαρμακευτική αγωγή τους. Ο ειδικός υπενθυμίζει ότι ένα φάρμακο δεν δίνεται επειδή υπόσχεται, αλλά επειδή αποδείχθηκε ότι σώζει ζωές, και το ίδιο ζητεί και από τους αλγόριθμους της AI: να αποδείξουν ότι σώζουν ζωές. «Ξέρουμε ότι βλέπει καλύτερα, αρχίζουμε να βλέπουμε ότι σώζει, αλλά χρειαζόμαστε περισσότερες μεγάλες μελέτες».
Στο ερώτημα αν τα έξυπνα ρολόγια που ήδη χρησιμοποιούνται και καταγράφουν δεδομένα, για παράδειγμα σε άτομα με κολπική μαρμαρυγή, είναι πάντα σωστά ή αν δημιουργούν ψευδείς συναγερμούς και περιττές εξετάσεις, ο συντονιστής διευθυντής της Καρδιολογικής Κλινικής του Ασκληπιείου απαντά: «Το ρολόι είναι ένας “φύλακας άγγελος” αν θέλετε, ίσως, αλλά όχι γιατρός». Δύο μεγάλες μελέτες σε 200.000 ανθρώπους για δύο συσκευές δύο μεγάλων εταιρειών έδειξαν ότι μόνο ένας στους 100 έως 200 πήρε ειδοποίηση. Όταν όμως ειδοποιούσε, είχε δίκιο οκτώ στις δέκα φορές στη μία μελέτη και σχεδόν δέκα στις δέκα στην άλλη. Αυτό έχει αξία, επειδή η μαρμαρυγή συχνά δεν δίνει συμπτώματα και μπορεί να οδηγήσει σε εγκεφαλικό. Στην καθημερινή χρήση, όμως, μία στις τέσσερις-πέντε καταγραφές απαντά «δεν ξέρω», ενώ ο γιατρός βλέποντας την καταγραφή βγάζει σχεδόν πάντα άμεσα συμπέρασμα. Η συμβουλή του είναι σαφής: αν το ρολόι ειδοποιήσει, ο χρήστης δεν πρέπει να πανικοβληθεί ούτε να το αγνοήσει, αλλά να δείξει την καταγραφή στον γιατρό του. Ο συναγερμός είναι σήμα να τον δει ο γιατρός, όχι διάγνωση.
Αν η τεχνητή νοημοσύνη δώσει μια καθησυχαστική απάντηση, αλλά ο καρδιολόγος υποψιάζεται ότι κάτι δεν πάει καλά, «την τελευταία λέξη την έχει ο άνθρωπος», απαντά ο Λεωνίδας Πουλημένος, επισημαίνοντας ότι ο αλγόριθμος είναι εξαιρετικός δεύτερος αναγνώστης, αλλά όχι τελικός κριτής. Σε μελέτη υπερηχογραφήματος κόπωσης, το stress echo, μηχάνημα και καρδιολόγοι συμφώνησαν μόνο έξι στις δέκα φορές και ακόμη λιγότερο σε ασθενείς με διαβήτη ή υπέρταση. Σε μία στις τέσσερις εξετάσεις ο αλγόριθμος αρνήθηκε να απαντήσει, επειδή δεν έβλεπε την εικόνα αρκετά καλά. Ο λόγος, όπως λέει, είναι απλός: το μηχάνημα δεν ξέρει ποιοι είναι οι ασθενείς ούτε ποιο είναι το ιστορικό τους. Όταν όμως δουλεύουν μαζί, βρίσκουν περισσότερους ασθενείς απ’ ό,τι ο καθένας μόνος του.
Ο διακεκριμένος επεμβατικός καρδιολόγος περιγράφει τέσσερις δικλείδες ασφαλείας για τη χρήση της τεχνητής νοημοσύνης στην κλινική πράξη. Πρώτον, κάθε αλγόριθμος πρέπει να συνοδεύεται από σαφή στοιχεία για τους ασθενείς στους οποίους δοκιμάστηκε και για την απόδοσή του, όπως μια ετικέτα στα τρόφιμα: σε ποιους δοκιμάστηκε και πόσο καλά δουλεύει, εξηγεί, διευκρινίζοντας ότι τα γενικά γλωσσικά μοντέλα που χρησιμοποιούμε στους υπολογιστές μας δεν είναι κατάλληλα για αυτή τη δουλειά. Δεύτερον, απαιτείται συνεχής έλεγχος της απόδοσής του στους ασθενείς στους οποίους εφαρμόζεται, δηλαδή πιστοποίηση και επιβεβαίωση. Τρίτον, οι γιατροί πρέπει να είναι εκπαιδευμένοι ώστε να γνωρίζουν τα όρια του αλγόριθμου και να μην θεωρούν ότι η παρουσία του αρκεί για μια σωστή διάγνωση, τουλάχιστον σήμερα. Και τέταρτον, χρειάζονται συστήματα που εξηγούν πώς καταλήγουν σε ένα διαγνωστικό συμπέρασμα. Όχι «έκανα λάθος, συγγνώμη», γιατί αυτό αφορά ανθρώπινες ζωές. Αν η εικόνα των ασθενών δεν ταιριάζει με τον αλγόριθμο, δεν σταματάμε, ψάχνουμε περισσότερο.
