Ενίσχυση της διάγνωσης και της πρόγνωσης του αγγειακού εγκεφαλικού επεισοδίου μέσω εξηγήσιμης τεχνητής νοημοσύνης: Μια πολυτροπική προσέγγιση
Λέξεις-κλειδιά:
αποκατάσταση κινητικών διαταραχών, τεχνητή νοημοσύνη στην υγεία, προσωποιημένη ιατρική φροντίδα, καινοτομία στην υγειονομική περίθαλψηΠερίληψη
Το αγγειακό εγκεφαλικό επεισόδιο (ΑΕΕ) αποτελεί μία από τις κύριες αιτίες αναπηρίας και θανάτου παγκοσμίως. Η ακριβής πρόβλεψη της ανάρρωσης (πρόγνωση) και η έγκαιρη επιλογή των βέλτιστων παρεμβάσεων για την αποτελεσματικότερη κινητική αποκατάσταση αποτελούν κρίσιμα στοιχεία για τη βελτίωση της ποιότητας ζωής των ασθενών. Σε αυτό το άρθρο παρουσιάζονται νέες προσεγγίσεις που συνδυάζουν την Τεχνητή Νοημοσύνη (ΤΝ) με κλινικές και εργαστηριακές αξιολογήσεις, για την καλύτερη φροντίδα των ατόμων με ΑΕΕ. Εξηγούμε πώς τα συστήματα ΤΝ μπορούν να προβλέπουν την εμφάνιση του ΑΕΕ και να αξιολογούν την πιθανή πορεία ανάρρωσης με βάση βιοδείκτες, κλινικά δεδομένα και εμβιομηχανικές παραμέτρους της βάδισης, ως πρώιμους δείκτες κινητικών διαταραχών. Ιδιαίτερη έμφαση δίνεται στη σημασία της "εξηγήσιμης" τεχνητής νοημοσύνης (explainable AI), που κάνει τις αποφάσεις των υπολογιστικών συστημάτων κατανοητές για ειδικούς, ασθενείς και φροντιστές. Με την κατάλληλη χρήση αυτών των νέων εργαλείων, ανοίγεται μια ελπιδοφόρα προοπτική για περισσότερο εξατομικευμένη και αποτελεσματική φροντίδα μετά από αγγειακό εγκεφαλικό επεισόδιο. Το άρθρο βασίζεται σε μια σειρά δημοσιευμένων ερευνών που έλαβαν χώρα στον Τομέα Εμβιομηχανικής του Εργαστηρίου Φυσικής Αγωγής και Άθλησης του Τ.Ε.Φ.Α.Α. του Δ.Π.Θ. σε συνεργασία με το Εργαστήριο Κλινικής Νευροφυσιολογίας του Τμήματος Ιατρικής του Δ.Π.Θ.
Αναφορές
Ali, S.F., Smith, E.E., Bhatt, D.L., Fonarow, G.C., & Schwamm, L.H. (2013). Paradoxical Association of Smoking with In-Hospital Mortality Among Patients Admitted with Acute Ischemic Stroke. Journal of the American Heart Association, 2, e000171.
Apostolidis, K., Kokkotis, C., Karakasis, E., Karampina, E., Moustakidis, S., Menychtas, D., Giarmatzis, G., Tsiptsios, D., Vadikolias, K., & Aggelousis, N. (2023). Innovative Visualization Approach for Biomechanical Time Series in Stroke Diagnosis Using Explainable Machine Learning Methods: A Proof-of-Concept Study. Information, 14(10), 559.
Bacchi, S., Oakden-Rayner, L., Menon, D.K., Jannes, J., Kleinig, T., & Koblar, S. (2020). Stroke prognostication for discharge planning with machine learning: A derivation study. Journal of Clinical Neuroscience, 79, 100–103.
Balaban, B. & Tok, F. (2014). Gait Disturbances in Patients with Stroke. Physical Medicine and Rehabilitation, 6, 635–642.
Buckley, C., Alcock, L., McArdle, R., Rehman, R.Z.U., Del Din, S., Mazzà, C., Yarnall, A.J., & Rochester, L. (2019). The Role of Movement Analysis in Diagnosing and Monitoring Neurodegenerative Conditions: Insights from Gait and Postural Control. Brain Sciences, 9, 34.
Chamorro, Á. (2004). Role of Inflammation in Stroke and Atherothrombosis. Cerebrovascular Diseases, 17, 1–5.
Cheng, B., Forkert, N.D., Zavaglia, M., Hilgetag, C.C., Golsari, A., Siemonsen, S., Fiehler, J., Pedraza, S., Puig, J., & Cho, T.-H. (2014). Influence of Stroke Infarct Location on Functional Outcome Measured by the Modified Rankin Scale. Stroke, 45, 1695–1702.
Elagizi, A., Kachur, S., Lavie, C.J., Carbone, S., Pandey, A., Ortega, F.B., & Milani, R.V. (2018). An Overview and Update on Obesity and the Obesity Paradox in Cardiovascular Diseases. Prog. Cardiovascular Diseases, 61, 142–150.
Farrell, S.W., Leonard, D., Li, Q., Barlow, C.E., Shuval, K., Berry, J.D., Pavlovic, A., & DeFina, L.F. (2024). Association between baseline levels of muscular strength and risk of stroke in later life: The Cooper Center Longitudinal Study. Journal of Sport Health Science, 13(5), 642-649.
Feigin, V.L., & GBD 2019 Stroke Collaborators. (2021). Global, regional, and national burden of stroke and its risk factors, 1990-2019: a systematic analysis for the Global Burden of Disease Study 2019. Lancet Neurology, 20(10), 795-820.
Ferrari, F., Moretti, A., & Villa, R.F. (2022). Hyperglycemia in acute ischemic stroke: physiopathological and therapeutic complexity. Neural Regeneration Research, 17(2), 292-299.
Gkantzios, A., Kokkotis, C., Tsiptsios, D., Moustakidis, S., Gkartzonika, E., Avramidis, T., Tripsianis, G., Iliopoulos, I., Aggelousis, N., & Vadikolias, K. (2023). From Admission to Discharge: Predicting National Institutes of Health Stroke Scale Progression in Stroke Patients Using Biomarkers and Explainable Machine Learning. Journal of Personalized Medicine, 13(9), 1375.
Hankey, G.J. (2017). Stroke. Lancet, 389(10069), 641-654.
Jamrozik, K. (2002). Age-specific relevance of usual blood pressure to vascular mortality: A meta-analysis of individual data for one million adults in 61 prospective studies. Lancet, 360, 1903–1913.
Knarr, B.A., Reisman, D.S., Binder-Macleod, S.A., & Higginson, J.S. (2013). Understanding Compensatory Strategies for Muscle Weakness during Gait by Simulating Activation Deficits Seen Post-Stroke. Gait & Posture, 38, 270–275.
Kokkotis, C., Giarmatzis, G., Giannakou, E., Moustakidis, S., Tsatalas, T., Tsiptsios, D., Vadikolias, K., & Aggelousis, N. (2022). An Explainable Machine Learning Pipeline for Stroke Prediction on Imbalanced Data. Diagnostics, 12(10), 2392.
Lundberg, S.M., Erion, G., Chen, H., DeGrave, A., Prutkin, J.M., Nair, B., Katz, R., Himmelfarb, J., Bansal, N., & Lee, S.I. (2020). From local explanations to global understanding with explainable AI for trees. Nature Machine. Intelligence, 2, 56–67.
Mohan, D.M., Khandoker, A.H., Wasti, S.A., Ismail Ibrahim Ismail Alali, S., Jelinek, H.F., & Khalaf, K. (2021). Assessment Methods of Post-Stroke Gait: A Scoping Review of Technology-Driven Approaches to Gait Characterization and Analysis. Frontiers in Neurology, 12, 650024.
Mozaffarian, D., Benjamin, E.J., Go, A.S., Arnett, D.K., Blaha, M.J., Cushman, M., de Ferranti, S., Després, J.P., Fullerton, H.J., Howard, V.J., Huffman, M.D., Judd, S.E., Kissela, B.M., Lackland, D.T., Lichtman, J.H., Lisabeth, L.D., Liu, S., Mackey, R.H., Matchar, D.B., McGuire, D.K., Mohler, E.R. 3rd, Moy, C.S., Muntner, P., Mussolino, M.E., Nasir, K., Neumar, R.W., Nichol, G., Palaniappan, L., Pandey, D.K., Reeves, M.J., Rodriguez, C.J., Sorlie, P.D., Stein, J., Towfighi, A., Turan, T.N., Virani, S.S., Willey, J.Z., Woo, D., Yeh, R.W., Turner, M.B., & American Heart Association Statistics Committee and Stroke Statistics Subcommittee. (2015). Heart disease and stroke statistics--2015 update: a report from the American Heart Association. Circulation, 27, 131(4), e29-322. Erratum (2015) in: Circulation, 16, 131(24), e535. Erratum (2016) in: Circulation, 23, 133(8), e417.
O'Donnell, M.J., Chin, S.L., Rangarajan, S., Xavier, D., Liu, L., Zhang, H., Rao-Melacini, P., Zhang, X., Pais, P., Agapay, S., Lopez-Jaramillo, P., Damasceno, A., Langhorne, P., McQueen, M.J., Rosengren, A., Dehghan, M., Hankey, G.J., Dans, A.L., Elsayed, A., Avezum, A., Mondo, C., Diener, H.C., Ryglewicz, D., Czlonkowska, A., Pogosova, N., Weimar, C., Iqbal, R., Diaz, R., Yusoff, K., Yusufali, A., Oguz, A., Wang, X., Penaherrera, E., Lanas, F., Ogah, O.S., Ogunniyi, A., Iversen, H.K., Malaga, G., Rumboldt, Z., Oveisgharan, S., Al Hussain, F., Magazi, D., Nilanont, Y., Ferguson, J., Pare, G., Yusuf, S., & INTERSTROKE investigators. (2016). Global and regional effects of potentially modifiable risk factors associated with acute stroke in 32 countries (INTERSTROKE): a case-control study. Lancet, 388(10046), 761-75.
Park, H., Lee, H.W., Yoo, J., Lee, H.S., Nam, H.S., Kim, Y.D., & Heo, J.H. (2019). Body Mass Index and Prognosis in Ischemic Stroke Patients with Type 2 Diabetes Mellitus. Frontiers in Neurology, 10, 563.
Pezzini, A., Grassi, M., Del Zotto, E., Volonghi, I., Giossi, A., Costa, P., Cappellari, M., Magoni, M., & Padovani, A. (2010). Influence of acute blood pressure on short- and mid-term outcome of ischemic and hemorrhagic stroke. Journal of Neurology, 258, 634–640.
Powers, W.J., Rabinstein, A.A., Ackerson, T., Adeoye, O.M., Bambakidis, N.C., Becker, K., Biller, J., Brown, M., Demaerschalk, B.M., Hoh, B., Jauch, E.C., Kidwell, C.S., Leslie-Mazwi, T.M., Ovbiagele, B., Scott, P.A., Sheth, K.N., Southerland, A.M., Summers, D.V., Tirschwell, D.L., & American Heart Association Stroke Council. (2018). Guidelines for the Early Management of Patients with Acute Ischemic Stroke: A Guideline for Healthcare Professionals from the American Heart Association/American Stroke Association. Stroke, 49(3), e46-e110.
Robba, C., Bonatti, G., Battaglini, D., Rocco, P.R.M., & Pelosi, P. (2019). Mechanical ventilation in patients with acute ischaemic stroke: From pathophysiology to clinical practice. Critical Care, 23, 388.
Saver, J.L. (2006). Time is brain quantified. Stroke, 37(1), 263-266.
Steyerberg, E.W., Vickers, A.J., Cook, N.R., Gerds, T., Gonen, M., Obuchowski, N., Pencina, M.J., & Kattan, M.W. (2010). Assessing the performance of prediction models: a framework for traditional and novel measures. Epidemiology, 21(1), 128-38.
Teasell, R., Salbach, N.M., Foley, N., Mountain, A., Cameron, J.I., Jong, A., Acerra, N.E., Bastasi, D., Carter, S.L., Fung, J., Halabi, M.L., Iruthayarajah, J., Harris, J., Kim, E., Noland, A., Pooyania, S., Rochette, A., Stack, B.D., Symcox, E., Timpson, D., Varghese, S., Verrilli, S., Gubitz, G., Casaubon, L.K., Dowlatshahi, D., & Lindsay, M.P. (2019). Canadian Stroke Best Practice Recommendations: Rehabilitation, Recovery, and Community Participation following Stroke. Part One: Rehabilitation and Recovery Following Stroke; 6th Edition Update 2019. International Journal of Stroke, 15(7), 763-788.
Topol, E.J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25, 44–56 (2019).
Vermeij, F.H., Reimer, W.J.S.O., de Man, P., van Oostenbrugge, R.J., Franke, C.L., de Jong, G., de Kort, P.L., & Dippel, D.W. (2009). Stroke-Associated Infection Is an Independent Risk Factor for Poor Outcome after Acute Ischemic Stroke: Data from the Netherlands Stroke Survey. Cerebrovascular Diseases, 27, 465–471.
Wajngarten, M., & Silva, G.S. (2019). Hypertension and Stroke: Update on Treatment. European Cardiology Reviews, 14, 111–115.
Yaghi, S. & Elkind, M.S. (2015). Lipids and Cerebrovascular Disease. Stroke, 46, 3322–3328. Yousufuddin, M. & Young, N. (2019). Aging and ischemic stroke. Aging, 11, 2542–2544.
Zheng, L., Wen, L., Lei, W., & Ning, Z. (2021). Added value of systemic inflammation markers in predicting pulmonary infection in stroke patients: A retrospective study by machine learning analysis. Medicine, 100, e28439.
Λήψεις
Δημοσιευμένα
Πώς να δημιουργήσετε Αναφορές
Τεύχος
Ενότητα
Άδεια
Οι Συγγραφείς που δημοσιεύουν εργασίες τους σε αυτό το περιοδικό συμφωνούν στους παρακάτω όρους:
α. Οι Συγγραφείς διατηρούν τα Πνευματικά Δικαιώματα και χορηγούν στο περιοδικό το δικαίωμα της πρώτης δημοσίευσης ενώ ταυτόχρονα τα πνευματικά δικαιώματα της εργασίας προστατεύονται σύμφωνα με την Creative Commons Attribution License που επιτρέπει σε τρίτους - αποδέκτες της άδειας να χρησιμοποιούν την εργασία όπως θέλουν με την προϋπόθεση της διατήρησης των διατυπώσεων που προβλέπονται στην άδεια σχετικά με την αναφορά στον αρχικό δημιουργό και την αρχική δημοσίευση σε αυτό το περιοδικό.
β. Οι Συγγραφείς μπορούν να συνάπτουν ξεχωριστές, και πρόσθετες συμβάσεις και συμφωνίες για την μη αποκλειστική διανομή της εργασίας όπως δημοσιεύτηκε στο περιοδικό αυτό (π.χ. κατάθεση σε ένα ακαδημαϊκό καταθετήριο ή δημοσίευση σε ένα βιβλίο), με την προϋπόθεση της αναγνώρισης και την αναφοράς της πρώτης δημοσίευσης σε αυτό το περιοδικό.
γ. Το περιοδικό επιτρέπει και ενθαρρύνει τους Συγγραφείς να καταθέτουν τις εργασίες τους μέσω διαδικτύου (π.χ. σε ένα ακαδημαϊκό καταθετήριο ή στους προσωπικές τους ιστοσελίδες) πριν και μετά από τις διαδικασίες της δημοσίευσης, καθώς αυτό μπορεί να οδηγήσει σε παραγωγική ανταλλαγή ιδεών και σκέψεων καθώς επίσης και σε γρηγορότερη και μεγαλύτερη χρήση και ευρετηρίαση της δημοσιευμένης εργασίας
