AI సాధనాలు, ఇప్పుడు మార్పిడి బృందాలు తిరస్కరించే దాత హృదయాలను రక్షించడానికి పరీక్షించబడుతున్నాయి

హృదయ మార్పిడి బృందాలు దాత నిర్ణయాలను వేగంగా, మెరుగ్గా తీసుకోవాల్సిన ఒత్తిడిలో ఉన్నాయి

వైద్యంలో అత్యంత సమయసున్నితమైన నిర్ణయాలలో ఒకటైన దాత హృదయాన్ని స్వీకరించాలా అనే ప్రశ్నకు, కృత్రిమ మేధస్సు ఒక ప్రాయోగిక సాధనంగా నిలుస్తోంది. International Society for Heart and Lung Transplantation 46వ వార్షిక సమావేశంలో సమర్పించిన పరిశోధన ప్రకారం, AI వ్యవస్థలు ప్రస్తుతం తిరస్కరించబడుతున్న దాత హృదయాలను మార్పిడి కార్యక్రమాలు మరింత సమర్థంగా ఉపయోగించడానికి సహాయపడవచ్చు, తద్వారా మార్పిడి కోసం నెలల తరబడి వేచి ఉండే రోగులకు చేరువ పెరుగుతుంది.

సమస్య కేవలం కొరత మాత్రమే కాదు. అది తీవ్రమైన సమయ ఒత్తిడిలో సరిపోలిక మరియు నిర్ణయ సమస్య కూడా. మూల పాఠ్య సారాంశం ప్రకారం, యునైటెడ్ స్టేట్స్‌లో అందుబాటులోకి వచ్చే హృదయాలలో సుమారు 30% నుంచి 40% మాత్రమే నిజంగా మార్పిడికి ఉపయోగించబడుతున్నాయి. అదే సమయంలో, డిమాండ్ అంత ఎక్కువగా ఉంది కాబట్టి రోగులు నెలల తరబడి వేచి ఉండాల్సి వస్తుంది, కొన్నిసార్లు intensive careలో జీవన-ఆధారంపై ఉండగానే.

ఆ అసమతుల్యతే decision-support సాధనాలకు అవకాశం ఇస్తుంది. వదిలివేయబడుతున్న హృదయాలలో గణనీయమైన భాగం తప్పనిసరి వైద్య కారణాలకంటే అతిగా జాగ్రత్తగా తిరస్కరించబడుతోంటే, మెరుగైన triage ప్రాణాలు కాపాడగలదు; దాతల సమూహాన్ని మార్చకుండానే.

దాత హృదయ నిర్ణయాలు ఎందుకు అంత కఠినం

ఒక హృదయం అందుబాటులోకి వచ్చినప్పుడు, మార్పిడి బృందాలకు దీర్ఘ సమీక్ష చేసే అవకాశం ఉండదు. మూల పాఠ్యం ప్రకారం, ఒక cardiologist లేదా surgeon సాధారణంగా 15 నుంచి 30 నిమిషాల మాత్రమే కలిగి ఉంటారు; ఆ సమయంలో దాత యొక్క వైద్య చరిత్ర, imaging, laboratory ఫలితాలు వంటి పలు అంశాలను పరిగణలోకి తీసుకుని, ఆ అవయవం నిర్దిష్ట రోగికి సరిపోతుందా అని నిర్ణయించాలి.

ఈ కుదించిన నిర్ణయ సమయమే AI కోసం ప్రధాన వాదన. ఇది వైద్య తీర్పును భర్తీ చేయడం కాదు; బదులుగా, మనుషుల బృందం అర్ధరాత్రి లేదా ICU-స్థాయి అత్యవసర పరిస్థితిలో ఒంటరిగా చేయలేని విధంగా, అనేక ఇన్‌పుట్‌లను మరింత స్థిరంగా సమీకరించే మార్గంగా చెప్పబడుతోంది. NYU Grossman School of Medicine‌కు చెందిన Brian Wayda, ఈ పనిని తీవ్రమైన సమయ పరిమితుల్లో తీసుకునే జీవితం-మరణ నిర్ణయాలుగా వివరించారు.

మార్పిడి వైద్యంలో అసమానతకు నిజమైన పరిణామాలు ఉన్నాయి. వేర్వేరు బృందాలు ఒకే దాత ప్రొఫైల్‌ను వేర్వేరు రీతుల్లో అంచనా వేయవచ్చు, మరియు false negative ధర అసాధారణంగా ఎక్కువ: ఉపయోగించదగిన హృదయం ఒక రోగికి మాత్రమే కాదు, తరచుగా మొత్తం మార్పిడి వ్యవస్థకే కూడా పోవచ్చు.

కొత్త సాధనాలు ప్రమాదాన్ని ప్రమాణీకరించాలనుకుంటున్నాయి, వైద్యులను తొలగించాలనుకోవడం కాదు

సమావేశంలో చూపిన పని ఈ నిర్ణయ ప్రక్రియకు మద్దతుగా రూపొందించిన అనేక AI మోడళ్లను వివరించింది. వాటిలో ముఖ్యమైనది TOPHAT, అంటే Tool Predicting Heart Acceptance for Transplant. Wayda, Stanford Health Careకి చెందిన ISHLT President-Elect Kiran Khushతో కలిసి దీనిని అభివృద్ధి చేశారు. వెబ్-ఆధారిత ఈ మోడల్ 20 దాత లక్షణాలను ఉపయోగించి చారిత్రక డేటా ఆధారంగా ఒక మార్పిడి కేంద్రం ఆ దాత హృదయాన్ని స్వీకరిస్తుందా లేదా అంచనా వేస్తుంది.

ఈ నిర్మాణం గమనార్హం. ఈ సాధనం నేరుగా ఒక హృదయం సురక్షితమా లేదా అసురక్షితమా అని చెప్పేదిగా వివరించబడలేదు. బదులుగా, ఇది గత నిర్ణయ నమూనాల ఆధారంగా స్వీకరణ అవకాశాన్ని అంచనా వేస్తుంది. ఆచరణలో, ఇది ఒక predictor గానూ, ఒక mirror గానూ ఉపయోగపడవచ్చు; బృందపు అంతర్దృష్టి విస్తృత చారిత్రక ప్రవర్తనతో ఎంత దూరంగా ఉందో చూపిస్తుంది.

ఈ వ్యవస్థలు ప్రమాదాన్ని సమీకరించడానికి ఉద్దేశించినవే, వైద్యులను భర్తీ చేయడానికి కాదని మూల పాఠ్యం స్పష్టం చేస్తోంది. ఈ తేడా అమలులో ముఖ్యమవుతుంది. హృదయ మార్పిడి వంటి అత్యధిక దావాలున్న రంగంలో పూర్తిగా ఆటోమేటెడ్ స్వీకరణ నిర్ణయాలు గణనీయమైన వైద్య, నైతిక ప్రతిఘటనను ఎదుర్కొంటాయి. నిర్ణయ-ఆధారిత సాధనాలు, దీనికి భిన్నంగా, బాధ్యత మార్పిడి బృందం వద్దనే ఉండటం వల్ల, సులభంగా కలిసివచ్చే అవకాశం ఉంది.

వాస్తవానికి ఎక్కువ ప్రాణాలు కోల్పోవచ్చు అనిపించే హృదయాలే అవకాశాలు

ఈ సందర్భంలో AIకి ఉన్న అత్యంత బలమైన వాదన సరఫరా మరియు వినియోగం మధ్య ఉన్న ఖాళీ నుంచే వస్తుంది. అందుబాటులో ఉన్న హృదయాలలో కేవలం 30% నుంచి 40% మాత్రమే మార్పిడికి ఉపయోగించబడుతున్నాయంటే, నిర్లక్ష్యానికి అవకాశం లేదు. మూల పాఠ్యం స్పష్టంగా చెబుతోంది: అన్ని దాత హృదయాలు న్యాయసమ్మత కారణాలతోనే తిరస్కరించబడతాయనే కాదు. అంటే ప్రతి తిరస్కరించిన హృదయం ఉపయోగించాల్సిందే అని కాదు, కానీ ప్రస్తుత తిరస్కరణ నమూనాలోని ఒక భాగం తప్పించుకోదగినదని సూచిస్తుంది.

మార్పిడి కోసం ఎదురుచూస్తున్న రోగులకి ఆ భేదం అకాడమిక్ విషయం కాదు. తప్పించుకోదగిన ప్రతి discard జీవించడానికి లేదా కోలుకోవడానికి కోల్పోయిన ఒక అవకాశం కావచ్చు. అందువల్ల ఇక్కడ AI విలువ futuristic automation కంటే తక్కువ, ముఖ్యంగా బృందాలు పెద్ద, విభిన్న దాత ప్రొఫైల్‌లపై త్వరగా పని చేయాల్సినప్పుడు, సవ్యమైన స్థాయిని పెంచడంలో ఎక్కువగా ఉంది.

ఇది సంస్థల మధ్య వ్యత్యాసాన్ని కూడా తగ్గించవచ్చు. కొన్ని కేంద్రాలు సరిహద్దు లేదా క్లిష్టమైన దాతలను స్వీకరించడంలో మరింత దూకుడుగా ఉంటాయి. ఒక బలమైన prediction model ప్రమాదంపై చర్చకు సాధారణ ఫ్రేమ్‌వర్క్‌ను అందించి, ప్రస్తుతం స్థానిక అలవాటు, అనుభవం, సంస్థాగత సంస్కృతిపై ఆధారపడే కేంద్రాల్లో నిర్ణయాలను మరింత data-driven చేయగలదు.

విజయం ఎలా కనిపిస్తుంది?

విజయానికి అతి స్పష్టమైన ప్రమాణం సింపుల్: మరిన్ని దాత హృదయాలు సురక్షితంగా ఉపయోగించబడాలి. మూల పదార్థం AI ఇప్పటికే సమస్యను పరిష్కరించిందని చెప్పడం లేదు, అలాగే వ్యవస్థవ్యాప్త అమలును నిరూపించే ఖచ్చితమైన ఫలితాల డేటాను కూడా ఇవ్వడం లేదు. కానీ ఇది వైద్యులు, పరిశోధకులు, మార్పిడి అందుబాటుపై పెద్ద ప్రభావం చూపే ఒక bottleneck చుట్టూ ప్రత్యేకంగా సాధనాలను నిర్మిస్తున్నారని చూపిస్తుంది.

ఈ సాధనాలు, ఇప్పటివరకు కనిపించకుండా పోయే కానీ ఆమోదయోగ్యమైన హృదయాలను గుర్తించడంలో బృందాలకు సహాయపడితే, కొత్త అవయవ సృష్టి, పరిరక్షణ, లేదా శస్త్రచికిత్సలో ఏ breakthrough అవసరం లేకుండానే పెద్ద ప్రభావం చూపవచ్చు. ఆ అర్థంలో, వైద్యంలోని కొన్ని అతిపెద్ద లాభాలు కొత్త చికిత్సల నుంచే కాకుండా, అందుబాటులో ఉన్న వనరులపై మెరుగైన నిర్ణయాల నుంచీ వస్తాయని ఈ పని గుర్తుచేస్తుంది.

మార్పిడి సమావేశం నుంచి వచ్చే విస్తృత సందేశం ఏమిటంటే, ఆరోగ్య సంరక్షణలో AI అత్యంత విశ్వసనీయమైన పాత్ర కచ్చితమైన, ఆపరేషనల్ పాత్రగా ఉండొచ్చు. దాత హృదయ సందర్భంలో, దాని అర్థం మనుషులు కఠినమైన నిర్ణయాన్ని వేగంగా, స్థిరంగా, మరియు చారిత్రక డేటాలో దాగి ఉన్న నమూనాలను మెరుగుగా అర్థం చేసుకుని తీసుకోవడంలో సహాయపడటం. దాత కొరత పరిమాణం, కుదించిన నిర్ణయ సమయం దృష్టిలో ఉంచుకుంటే, ఇది అత్యంత ప్రాయోగిక ఆశయం.

ఈ వ్యాసం Medical Xpress నివేదికపై ఆధారపడింది. మూల వ్యాసాన్ని చదవండి.