Συνέντευξη με τον Καθηγητή Δημήτρη Ζήκο

Συνέντευξη στη Μαριάννα Διομήδους*

To γνωστικό αντικείμενο του καθηγητή Δημήτρη Ζήκου εστιάζεται στην Πληροφορική της Υγείας και στην ανάλυση μεγάλων βάσεων δεδομένων για την υποστήριξη κλινικών και διοικητικών αποφάσεων. Επιπρόσθετα, ασχολείται με την υποστήριξη της ιατρικής εκπαίδευσης, με τη χρήση αλγορίθμων, όπου συστήματα δεδομένων καθοδηγούν το φοιτητή βήμα-βήμα σε ιατρικά και κλινικά σενάρια. Ένα από τα πιο σημαντικά προβλήματα στις υπηρεσίες υγείας είναι η αξιοποίηση των δεδομένων υγείας από τους ηλεκτρονικούς ιατρικούς φακέλους για την λήψη αποτελεσματικών ιατρικών αποφάσεων καθώς και για να προβλεφθεί και να βελτιωθεί η κλινική πορεία ενός ασθενούς στο νοσοκομείο, ειδικά όταν υπάρχουν συννοσηρότητες στον ασθενή. Με τη χρησιμοποίηση στατιστικών μοντέλων γίνεται χρήση μεταβλητών για να πραγματοποιηθούν προγνώσεις σε πραγματικό χρόνο, όπως η εκτίμηση κινδύνου για ανεπιθύμητες εκβάσεις, ή συμβουλές για συγκεκριμένες ιατρονοσηλευτικές παρεμβάσεις. .Αποτέλεσμα μακράς έρευνας υπήρξε και η ανάπτυξη ενός μοντέλου αναφοράς, το CDSS-RM (Clinical Decision Support System Reference Model), στο οποίο οι αλγόριθμοι που αποτελούν τη ραχοκοκαλιά των συστημάτων λήψης απόφασης είναι ενσωματωμένοι σωστά στη φυσική νοητική διαδικασία και ροή εργασίας του ιατρονοσηλευτικού προσωπικού. Το μοντέλο αυτό αναπτύχθηκε για να προσφέρει ένα πρότυπο που συστηματοποιεί θεωρητικές αρχές για το σωστό σχεδιασμό Συστημάτων Υποστήριξης Κλινικών Αποφάσεων. Η μεθοδολογία που χρησιμοποιήθηκε ήταν ένας συνδυασμός παραδοσιακής κλινικής στατιστικής και τεχνικών τεχνητής νοημοσύνης και εξόρυξης δεδομένων με τη μεγαλύτερη πρόκληση να είναι η διαχείριση και επεξεργασία μεγάλων όγκων δεδομένων υγείας, καθώς και η μετατροπή μη δομημένων, μη χρονικών δεδομένων σε λογικές, χρονικές και αιτιακές ακολουθίες. Το μεγαλύτερο τεχνικό πρόβλημα, είναι ότι στις μεγάλες βάσεις δεδομένων συχνά δεν υπάρχει χρονική αλληλουχία, ως επίσης και απουσία μη δομημένων ποιοτικών δεδομένων. Για να ξεπεραστεί αυτό το εμπόδιο, αναπτύχθηκαν τροποποιημένοι αλγόριθμοι βασισμένοι σε μοντέλα δεσμευμένων πιθανοτήτων και μέθοδοι αιτιακού και χρονικού μετασχηματισμού. Ουσιαστικά έγινε μια αναβάθμιση του λογισμικού να διαβάζει τα διοικητικά δεδομένα και να εξάγει χρονικές ακολουθίες χωρίς να είναι γνωστές οι ημερομηνίες των συμβάντων. Παράλληλα, για να γεφυρωθεί το κενό της κλινικής πληροφορίας, έγινε ενσωμάτωση μιας ανοιχτής κλινικής βάσης, όπως η (MIMIC IV), για να χτιστούν πλαίσια επεξηγηματικής τεχνητής νοημοσύνης. Το συμπέρασμα είναι ότι για να επιτευχθεί μια ενσωμάτωση των νέων τεχνολογιών στον τομέα της υγείας είναι απαραίτητο το πάντρεμα των αμιγώς μαθηματικών στατιστικών μοντέλων με οντολογικές δομές γνώσεις.. Τα μαθηματικά μοντέλα είναι ικανά να να αναγνωρίζουν μοτίβα και να υπολογίζουν πιθανότητες. Οι οντολογίες από την άλλη πλευρά, είναι δομές ή αλλιώς χάρτες που αναπαριστούν τη δομημένη ιατρική γνώση, συνδέοντας τις ασθένειες με τα συμπτώματα, τις ανατομικές δομές, ή ακόμα και τους εξωτερικούς παράγοντες όπως κάπνισμα, διατροφή κ.α, ως έμμεσους προσδιοριστές της υγείας. Ο εμπλουτισμός των αλγορίθμων με οντολογίες αποτελεί βασικά μια μορφή σημασιολογικής σήμανσης η οποία μπορεί να προτείνει κλινικές κατευθυντήριες γραμμές. Ο συνδυασμός αλγορίθμων με οντολογίες μπορεί να χρησιμοποιηθεί και σε “wearable” συσκευές όπου οι συνεχείς ροές δεδομένων που παράγουν οι συσκευές αυτές θα αποτελέσουν τη βάση για την έγκαιρη ανίχνευση προβλημάτων υγείας, ακόμη κι όταν ο ασθενής είναι ασυμπτωματικός. Οπότε με την αξιοποίηση τέτοιων σημασιολογικά εμπλουτισμένων αλγορίθμων, θα μπορεί να υποστηριχθεί και η απομακρυσμένη παρακολούθηση των ασθενών. Τα επόμενα δέκα χρόνια ανέφερε ο καθηγητής Δημήτρης Ζήκος θα δούμε την τεχνητή νοημοσύνη να αξιοποιείται για την αυτοματοποίηση γραμμικών και επαναλαμβανόμενων λειτουργιών στους οργανισμούς φροντίδας υγείας. Η τεχνητή Νοημοσύνη θα ξεφύγει από τα όρια της αυτοματοποίησης και θα περάσει στην ενεργή παροχή συμβουλών τη στιγμή της κλινικής λήψης απόφασης. Με την έρευνά του στην πληροφορική υγείας ο καθηγητής Δημήτρης Ζήκος θεωρείται ειδήμων στην ενσωμάτωση των νέων τεχνολογιών στον τομέα της υγείας.

• Παρακαλώ δώστε μας μια σύντομη παρουσίαση του επιστημονικού σας υπόβαθρου και των επιτευγμάτων σας.

Ονομάζομαι Δημήτριος Ζήκος και είμαι Αναπληρωτής Καθηγητής στο Τμήμα Διοίκησης Υπηρεσιών Υγείας στο Texas Tech University Health Sciences Center (TTUHSC). Προηγουμένως, υπήρξα Αναπληρωτής Καθηγητής και Διευθυντής του Τομέα Διοίκησης Υγείας στο Central Michigan University. Η ακαδημαϊκή μου πορεία ξεκίνησε στο Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών, από όπου απέκτησα Πτυχίο Νοσηλευτικής, καθώς και Μεταπτυχιακό και το Διδακτορικό στην Πληροφορική της Υγείας.

Το επιστημονικό μου έργο γεφυρώνει την ιατρονοσηλευτική γνώση και κλινική διεργασία με την επιστήμη ανάλυσης δεδομένων. Το δημοσιευμένο έργο μου έχει πάνω από 5.400 αναφορές, και περιλαμβάνει δημοσιεύσεις επιστημονικών εργασιών σε επιστημονικά περιοδικά όπως το International Journal of Medical Informatics, BMC Medical Research Methodology, Computer Methods and Programs in Biomedicine, και το British Medical Journal. Παράλληλα, έχω συμμετάσχει σε ερευνητικά έργα μεγάλου βεληνεκούς, από το National Science Foundation των ΗΠΑ, αλλά και άλλα πιο τοπικά και πολιτειακά, από το Texas International Education Consortium και το TTUHSC.

Το 2022 μου απονεμήθηκε το Βραβείο Αριστείας Καθηγητικού Έργου από το Central Michigan University. Ένα ακόμη σημαντικό έργο είναι η συγγραφή του πανεπιστημιακού συγγράμματος ‘Health Informatics and Data Analytics for Healthcare Administrators’, το οποίο θα εκδοθεί εντός των προσεχών μηνών από το εκδοτικό οίκο Springer Nature. Το βιβλίο αυτό αποτελεί ένα από τα πρώτα βιβλία που επικεντρώνεται στην Πληροφορική της Υγείας από την οπτική της διοίκησης δομών υγείας. Επιπλέον της δικής μου συγγραφικής δουλειάς, είμαι συν-εκδότης σε δύο επιστημονικά βιβλία με θέμα την Τεχνητή Νοημοσύνη και τις φορετές συσκευές στην Υγεία.

Τέλος, στα διοικητικά και ηγετικά μου επιτεύγματα, ξεχωρίζει η θητεία μου ως Διευθυντής του μεταπτυχιακού προγράμματος διοίκησης υπηρεσιών υγείας στο Central Michigan University. Υπό την ηγεσία μου ως διευθυντή τομέα, το πρόγραμμα έλαβε την αρχική του διαπίστευση από τον οργανισμό πιστοποίησης CAHME, που πιστοποιεί προγράμματα σπουδών στη διοίκηση υπηρεσιών υγείας.

•  «Τι ήταν αυτό που πυροδότησε αρχικά το ενδιαφέρον σας για αυτόν τον κλάδο και τι σας οδήγησε να εστιάσετε ειδικά στην Νοσηλευτική Διοίκηση και Δημόσια Υγεία με τη χρήση της Τεχνολογίας της Πληροφορικής;» (αναφέρατε όλα τα γνωστικά αντικείμενα ενδιαφέροντος)

Όλα ξεκίνησαν από μια πηγαία περιέργεια που είχα όταν ήμουν έφηβος. Οι ηλεκτρονικοί υπολογιστές μου ασκούσαν πάντα γοητεία. Μεγαλώνοντας τη δεκαετία του ’80 και ’90, ήταν ένας κόσμος που ήθελα να κατανοήσω πώς λειτουργεί και να πειραματιστώ. Αυτό το νεανικό ενδιαφέρον βρήκε γόνιμο έδαφος λίγο αργότερα, στα φοιτητικά μου χρόνια. Ως προπτυχιακός φοιτητής μου στο Τμήμα Νοσηλευτικής του ΕΚΠΑ, η παρουσία του Εργαστηρίου Πληροφορικής της Υγείας νομίζω ότι έπαιξε σημαντικό ρόλο στην κατανόηση αυτής της διάστασης των επιστημών υγείας. Εκεί συνειδητοποίησα ότι η αγάπη μου για τους υπολογιστές μπορούσε να παντρευτεί με την επιστήμη της υγείας.

Λίγα χρόνια αργότερα, και βιώνοντας τις καθημερινές απαιτήσεις της νοσηλευτικής εργασίας ως κλινικός νοσηλευτής, αντιλήφθηκα ότι η ποιότητα φροντίδας υγείας και η αποτελεσματική διοίκηση περιορίζονται χωρίς λειτουργικά πληροφοριακά συστήματα.

Έτσι, αποφάσισα να αφοσιωθώ σε αυτόν τον τομέα. Στη μεταπτυχιακή μου διατριβή ανέπτυξα ένα Πληροφοριακό Σύστημα Υγείας και Ασφάλειας στην Εργασία για μια επιχείρηση μέσων μαζικής μεταφοράς, ενώ για το διδακτορικό μου εστίασα στη δημόσια υγεία, υλοποιώντας ένα πληροφοριακό σύστημα για την επιδημιολογική μελέτη του αγροτικού πληθυσμού. Μέσα από αυτή τη διαδρομή, δηλαδή από τους πρώτους οικιακούς υπολογιστές μέχρι την ανάλυση μεγάλων κλινικών δεδομένων σήμερα, διαμορφώθηκαν και τα γνωστικά μου αντικείμενα. Πιο συγκεκριμένα, ο τομέας μου είναι η Πληροφορική της Υγείας και η ανάλυση δεδομένων για την υποστήριξη κλινικών και διοικητικών αποφάσεων. Τα πεδία εφαρμογής  της Πληροφορικής Υγείας είναι πολλά, και περιλαμβάνουν όχι μόνο τη νοσοκομειακή φροντίδα, αλλά την επιδημιολογία, και άλλους βασικούς τομείς όπως η βιοστατιστική. Τέλος, τα τελευταία χρόνια ασχολούμαστε με τη υποστήριξη της ιατρικής εκπαίδευσης με τη χρήση αλγορίθμων, όπου συστήματα δεδομένων καθοδηγούν το φοιτητή βήμα προς βήμα σε ιατρικά και κλινικά σενάρια.

•  «Υπήρξε κάποια ιδιαίτερη στιγμή, ανακάλυψη ή μέντορας που καθόρισε την πορεία σας ως επιστήμονα;»

Η πιο καθοριστική περίοδος ήταν αναμφίβολα τα χρόνια της εκπόνησης της διδακτορικής μου διατριβής. Δεν ήταν απλώς η διαδικασία για την απόκτηση ενός τίτλου, αλλά τα χρόνια στα οποία έμαθα την ακαδημαϊκή λειτουργία και άρχισα να αποκτώ επαγγελματική ταυτότητα. Το διδακτορικό και τα μεταδιδακτορικά χρόνια η εμπλοκή σε ερευνητικά έργα στο εργαστήριο Πληροφορικής της Υγείας, ήταν σημαντικά όχι μόνο όσον αφορά την κατανόηση της μεθοδολογίας και του σχεδιασμού έρευνας και πρωτογενούς γνώσης, αλλά και γενικά όσον αφορά το πώς λειτουργεί η επιστημονική κοινότητα και γενικότερα οι συνεργασίες εντός αυτής.

Μέσα σε αυτή τη διαδρομή, ένα ακόμα κλικ συνέβη όταν εμβάθυνα στη στατιστική επιστήμη. Μπορώ να σας πω ότι δε θυμάμαι ακριβώς πώς και πότε, αλλά σε κάποιο σημείο η στατιστική για εμένα από είναι ένα απλό μεταπτυχιακό μάθημα έγινε σε ένα νέο εργαλείο, μία νέα γλώσσα υπό μία έννοια για την κατανόηση των συστημάτων υγείας. Σε εκείνη περίπου τη φάση συνειδητοποίησα κάτι που πιστεύω ακράδαντα σήμερα ακόμα: κάθε νέος επιστήμονας οφείλει να προσπαθήσει να αποκτήσει μία βασική αυτονομία στη στατιστική ανάλυση δεδομένων, διότι κατά τη γνώμη μου δεν νοείται ολοκληρωμένος ερευνητής χωρίς την ικανότητα να διαχειρίζεται, να αναλύει και να ερμηνεύει δεδομένα με αυτονομία. Αυτή η πεποίθηση για την αξία της αναλυτικής σκέψης και της μεθοδολογικής αυτονομίας καθόρισε την εξέλιξή μου και με οδήγησε να εστιάσω επιστημονικά στην Πληροφορική της Υγείας, και συγκεκριμένα, όπως θα προσπαθήσω να εξηγήσω παρακάτω, στην ανάλυση  πολυνοσηρότητας, την ανάλυση και ποσοτικοποίηση της ελλιπούς κωδικοποίησης ιατρικών διαγνώσεων και στην εκπαίδευση επαγγελματιών υγείας που βασίζεται σε δεδομένα.

•  «Μπορείτε να συνοψίσετε τα πιο σημαντικά ευρήματα της πρόσφατης δουλειάς σας;»

Το γενικό περιεχόμενο της δουλειάς μας είναι να ανακαλύψουμε έξυπνους τρόπους χρήσης των δεδομένων υγείας που προέρχονται από το φάκελο ασθενούς προκειμένου να προβλέψουμε και να βελτιώσουμε την πορεία ενός ασθενούς στο νοσοκομείο. Πιο συγκεκριμένα, αναπτύσσουμε αλγόριθμους που μελετούν τον αντίκτυπο των συννοσηροτήτων. Με απλά λόγια, εξετάζουμε τι συμβαίνει όταν ένας ασθενής αντιμετωπίζει ταυτόχρονα πολλαπλά προβλήματα υγείας. Για παράδειγμα, αν ένας ασθενής νοσηλεύεται για καρδιακή ανεπάρκεια, αλλά ταυτόχρονα πάσχει από διαβήτη ή έχει ιστορικό κατάθλιψης, ο συνδυασμός αυτών των παθήσεων επηρεάζει την έκβασή του (πχ., έκβαση, ημέρες νοσηλείας, κίνδυνος επαναεισαγωγής στο νοσοκομείο, ή και επιπλοκών) με τρόπο συνδυαστικό και όχι απλά αθροιστικά.

Σε γενικές γραμμές, στον κλάδο μου για να το πετύχουμε αυτό σχεδιάζουμε δυναμικά προγνωστικά μοντέλα. Τι σημαίνει η έννοια ενός δυναμικού μοντέλου στην πράξη; Συνήθως, στα συμβατικά μοντέλα, το ρίσκο πχ. για μία ανεπιθύμητη έκβαση υπολογίζεται μία φορά, κατά την εισαγωγή του ασθενή στο νοσοκομείο, και αποτελεί αναπαράσταση μία δεδομένης χρονικής στιγμής. Εμείς, αντίθετα, αναπτύσσουμε κανόνες και ροές δεδομένων, έτσι ώστε τα προγνωστικά μοντέλα να αναπροσαρμόζουν την πρόβλεψη σε πραγματικό χρόνο, και δυναμικά. Για παράδειγμα, αν τη δεύτερη μέρα της νοσηλείας προκύψει μια νέα διάγνωση στον φάκελο του ασθενούς, όπως μια νέα ενδονοσοκομειακή λοίμωξη, το μοντέλο μας υπολογίζει αμέσως το νέο επίπεδο κινδύνου. Στην πράξη αυτό μεταφράζεται με επικαιροποιημένες και ρεαλιστικές κλινικές αποφάσεις, εφόσον η υλοποίηση είναι κατάλληλη.

Σε αυτό το μήκος κύματος, σε πρόσφατη δουλειά μας καταφέραμε, για συγκεκριμένα πεδία ιατρικής πληροφορίας, να αναγνωρίσουμε και να εξάγουμε, με αυτοματοποιημένο τρόπο, κλινικά γεγονότα από δεδομένα υγείας. Αυτά τα κλινικά γεγονότα δεν αποτελούν απλά κλινικές ιστορίες παρελθόντος, αλλά όταν μελετηθούν βοηθάνε στην κατανόηση της αλληλουχία κλινικών παρεμβάσεων και περιστατικών. Συχνά, οι μεγάλες βάσεις δεδομένων υγείας, ενώ έχουν καταγεγραμμένες όλες τις ασθένειες και κλινικές παρεμβάσεις για κάθε ένα ασθενή, δεν περιλαμβάνουν πάντα λεπτομέρειες και για την ημερομηνία και ώρα της κάθε ιατρονοσηλευτικής παρέμβασης ή διάγνωσης. Δεν υπάρχει, δηλαδή, εγγενής χρονική σήμανση. Μέσα από τη δουλειά μας, αναπτύσσουμε μεθόδους που διαβάζουν την αλληλεπίδραση των μεταβλητών για να βάλουν αυτά τα γεγονότα σε μια λογική σειρά. Μαθαίνουμε, για παράδειγμα, στον αλγόριθμο να καταλαβαίνει, με βάση τα μοτίβα, αν η χορήγηση ενός συγκεκριμένου φαρμάκου προηγήθηκε μιας επιπλοκής ή αν δόθηκε ως θεραπεία μετά από αυτήν.

•  «Μπορείτε να μου περιγράψετε τη στιγμή που ίσως συνειδητοποιήσατε ότι ανακαλύψατε κάτι σημαντικό; Τι νοιώσατε;  Τι αντίκτυπο είχε»

Τα τελευταία δεκαπέντε χρόνια περίπου, τα στατιστικά μας μοντέλα άρχισαν να χρησιμοποιούνται λίγο διαφορετικά από ότι μαθαίναμε στο πανεπιστήμιο, στην κλασσική στατιστική. Ενώ πολλές από τις μεθόδους που χρησιμοποιούμε παραμένουν οι ίδιες, ο τρόπος με τον οποίο αξιοποιούνται έχει διευρυνθεί. Για παράδειγμα, η λογιστική παλινδρόμηση, που ήταν πάντοτε ιδιαίτερα δημοφιλής στην επιδημιολογία και ιατρική έρευνα, χρησιμοποιείται ακόμα και σήμερα, όχι όμως για να υπολογίσει λόγους πιθανοτήτων για κάθε μεταβλητή, αλλά για να χρησιμοποιήσει τις μεταβλητές για να πραγματοποιήσει προγνώσεις σε πραγματικό χρόνο (πχ., εκτίμηση κινδύνου για ανεπιθύμητες εκβάσεις, ή συμβουλές για συγκεκριμένες ιατρονοσηλευτικές παρεμβάσεις.).

Με τους αλγορίθμους μας να αναπροσαρμόζουν τον εκτιμώμενο κίνδυνο σε πραγματικό χρόνο, κάθε φορά που μια νέα πάθηση ή συν νοσηρότητα προστίθετο στο προφίλ του ασθενούς κατά τη διάρκεια της νοσηλείας του, όλοι οι συνεργάτες μου ενθουσιάστηκαν με την πρακτική  χρησιμότητα των δυναμικών συστημάτων, αλλά και τη μελλοντική προοπτική αυτής της δουλειάς. Η έρευνα μας αποτέλεσε καταλύτη για να αναπτύξουμε το, πλέον αρκετά γνωστό, μοντέλο αναφοράς CDSS-RM (Clinical Decision Support System Reference Model). Έχει σημασία, οι αλγόριθμοι που αποτελούν τη ραχοκοκαλιά των συστημάτων λήψης αποφάσεων, να είναι ενσωματωμένοι σωστά στη φυσική νοητική διαδικασία και ροή εργασίας του ιατρονοσηλευτικού προσωπικού. Το CDSS-RM αναπτύχθηκε για να προσφέρει ένα πρότυπο που συστηματοποιεί θεωρητικές αρχές για τον σωστό σχεδιασμό Συστημάτων Υποστήριξης Κλινικών Αποφάσεων.

Ο αντίκτυπος αυτής της δουλειάς είναι διπλός. Από τη μία, βελτιώνει άμεσα την κλινική λήψη αποφάσεων και από την άλλη, βρίσκει εφαρμογή στην εκπαίδευση επαγγελματιών υγείας. Για παράδειγμα, έχουμε δείξει σε πρόσφατη δουλειά ότι είναι δυνατό αυτοί οι δυναμικοί αλγόριθμοι, τύπου ‘lego’, να αποτελέσουν τη βάση για λογισμικό εκπαίδευσης φοιτητών επαγγελμάτων υγείας και ειδικευόμενων ιατρών. Τέτοιες εφαρμογές δίνουν τη δυνατότητα στους φοιτητές να ‘χτίζουν’ βήμα προς βήμα σενάρια συν-νοσηροτήτων για να αναγνωρίζουν τους κινδύνους των συννοσηροτήτων και να μαθαίνουν να σκέφτονται υπό το πρίσμα της πρακτικής βασιζόμενης σε ενδείξεις και σε δεδομένα.

 «Ήταν οι μέθοδοί σας συμβατικές ή χρειάστηκε να δημιουργήσετε ένα νέο τρόπο διερεύνησης αυτού του προβλήματος;»

Η μεθοδολογία μας απαιτεί έναν συνδυασμό παραδοσιακής κλινικής στατιστικής και τεχνικών τεχνητής νοημοσύνης και εξόρυξης δεδομένων. Η μεγαλύτερη πρόκληση που αντιμετωπίζουμε είναι συχνά η διαχείριση και η προ-επεξεργασία τεράστιων όγκων δεδομένων υγείας καθώς και η μετατροπή μη δομημένων, μη χρονικών δεδομένων σε λογικές χρονικές και αιτιακές ακολουθίες. Χαρακτηριστικά, τα δεδομένα που χρησιμοποιήσαμε σε αρκετές μελέτες την τελευταία πενταετία προέρχονται από τον ασφαλιστικό φορέα Medicare και περιλαμβάνουν περισσότερες από 10 εκατομμύρια εγγραφές ασθενών.

Για να ξεπεράσουμε τα εμπόδια, χρειάστηκε να δημιουργήσουμε εντελώς νέους τρόπους διερεύνησης και αναλυτικά εργαλεία. Ένα εξαιρετικό παράδειγμα είναι η συνεργασία μου με το University of Texas at Arlington, όπου αναπτύξαμε με φοιτητές  καινοτόμα μοντέλα, όπως οι προσεγγίσεις κατά Bayes, προκειμένου να πετύχουμε την αυτόματη εξαγωγή σημαντικών κλινικών αλληλουχιών μέσα από τεράστιες, αδόμητες κλινικές βάσεις δεδομένων. Δεν μείναμε όμως μόνο εκεί. Αναπτύξαμε μια νέα μέθοδο εξόρυξης συσχετίσεων καθώς και μια χρονική τροποποίηση ενός γνωστού αλγορίθμου που χρησιμοποιείται για ανίχνευση συσχετίσεων (όπως πχ. βήχας+πυρετόςàαναπνευστική λοίμωξη). Αυτές οι νέες μέθοδοι μας επέτρεψαν να εξάγουμε, να οπτικοποιήσουμε και να αναλύσουμε εποχιακές διακυμάνσεις μεταξύ αρχικών συμπτωμάτων και τελικών διαγνώσεων.

•  «Ποιο ήταν το μεγαλύτερο εμπόδιο ή η μεγαλύτερη πρόκληση που αντιμετωπίσατε κατά τη διάρκεια αυτού του έργου και πώς το ξεπεράσατε;»

Ένα από τα μεγαλύτερα εμπόδια που αντιμετωπίζουμε στην Πληροφορική της Υγείας είναι η ίδια η φύση και η διαθεσιμότητα των ιατρικών δεδομένων. Ιδανικά, ως ερευνητής θα ήθελα να είχα άμεση πρόσβαση σε πρωτογενή κλινικά δεδομένα που προέρχονται απευθείας από τον Ηλεκτρονικό Φάκελο Υγείας του ασθενούς και που περιέχουν όλες τις λεπτομέρειες φροντίδας ασθενούς. Δεδομένα που περιέχουν τον ακριβή χρόνο χορήγησης ενός φαρμάκου, τις εργαστηριακές τιμές λεπτό προς λεπτό και τις αναλυτικές σημειώσεις του ιατρονοσηλευτικού προσωπικού. Ωστόσο, λόγω των κανόνων προστασίας της προσωπικών δεδομένων  και των κλειστών συστημάτων των νοσοκομείων, η πρόσβαση είναι δύσκολη. Αναγκαστικά, λοιπόν, όταν δουλεύεις με τεράστιες, εθνικής εμβέλειας βάσεις, καταφεύγεις σε δεδομένα από ασφαλιστικούς φορείς (πχ. Medicare) ή σε άλλες, λιγότερο λεπτομερείς βάσεις δεδομένων. Εκεί, συνειδητοποιείς, ότι αυτά τα δεδομένα συλλέγονται κυρίως για διοικητικούς λόγους και για κοστολόγηση και όχι πρωτογενώς για κλινική έρευνα. Το μεγαλύτερο τεχνικό πρόβλημα σε αυτές τις βάσεις είναι η απουσία χρονικής αλληλουχίας, και η απουσία μη δομημένων ποιοτικών δεδομένων (πχ νοσηλευτικές σημειώσεις).

Για να την ξεπεράσουμε αυτά τα εμπόδια, έπρεπε να αναπτύξουμε τροποποιημένους αλγορίθμους, βασισμένους σε μοντέλα δεσμευμένων πιθανοτήτων, και μεθόδους αιτιακού και χρονικού μετασχηματισμού. Ουσιαστικά, εκπαιδεύσαμε το λογισμικό να διαβάζει τα διοικητικά δεδομένα και να εξάγει χρονικές ακολουθίες χωρίς να γνωρίζουμε ημερομηνίες. Παράλληλα, για να γεφυρώσουμε το κενό της κλινικής πληροφορίας, ενσωματώσαμε πρόσφατα στην έρευνά μας ανοιχτές κλινικές βάσεις (όπως η MIMIC IV) για να χτίσουμε πλαίσια επεξηγηματικής τεχνητής νοημοσύνης. Τα εμπόδια και τις προκλήσεις αυτές, συνεπώς προσωπικά τις βλέπω ως δυνατότητες για δημιουργική έρευνα.

•  «Πέραν της έρευνας ασχολείστε με διδασκαλία; Ποια μαθήματα διδάσκετε; Μπορείτε να κάνετε μια σύγκριση του τρόπου διδασκαλίας και της εξέτασης με αυτά που είχατε βιώσει στην Ελλάδα;»

Στο TTUHSC διδάσκω Πληροφορική της Υγείας και Ανάλυση Δεδομένων, Μεθοδολογία Έρευνας και Στατιστική, καθώς και Επιστήμη Λήψης Αποφάσεων. Έχοντας διδάξει τόσο στην Ελλάδα (ΕΚΠΑ) και την Κύπρο (ΤΕΠΑΚ), όσο και στις ΗΠΑ (Central Michigan University, UT Arlington, TTUHSC), παρατηρώ ότι το αμερικανικό σύστημα σε μεταπτυχιακό επίπεδο έχει μετακινηθεί σε μεγάλο βαθμό στην ασύγχρονη, διαδικτυακή εκπαίδευση και ενσωματώνει την ανάλυση δεδομένων σχεδόν σε όλα τα προγράμματα σπουδών.

Πέρα όμως από τη μορφή (διαδικτυακή αντί για δια ζώσης), η πιο ουσιαστική διαφορά βρίσκεται στη φιλοσοφία της διδασκαλίας και του τρόπου που αξιολογούμε την επίδοση των φοιτητών. Το αμερικανικό εκπαιδευτικό σύστημα είναι αρκετά πιο πρακτικό και στοχεύει στην ανάπτυξη μετρήσιμων δεξιοτήτων. Στην Ελλάδα, η εκπαίδευση, τουλάχιστον την περίοδο που σπούδαζα και δίδασκα εκεί, είχε πιο ακαδημαϊκό και θεωρητικό προσανατολισμό, πολλές φορές απλώς με μία τελική, εφ’ όλης της ύλης γραπτή εξέταση. Στις ΗΠΑ η προσέγγιση είναι διαφορετική και στηρίζεται στην επίλυση προβλημάτων, τη χρήση εργαλείων λογισμικού και στην ανάπτυξη πρακτικών project που εξομοιώνουν καταστάσεις που θα συναντήσει ένας νέος επαγγελματίας σε έναν οργανισμό υγείας μετά την ολοκλήρωση των σπουδών.

Αυτή η πρακτική κατεύθυνση σε μεγάλο βαθμό καθορίζεται από το γεγονός ότι η εκπαίδευση στις ΗΠΑ είναι δεμένη με την αγορά εργασίας και την έννοια της ανταποδοτικότητας των σπουδών. Οι φοιτητές μας, πολλοί εκ των οποίων είναι ήδη εργαζόμενοι επαγγελματίες, επενδύουν σημαντικούς πόρους και έχουν δημιουργήσει την προσδοκία ότι η γνώση που θα λάβουν και ο τίτλος σπουδών τους μεταφράζεται σε επαγγελματική προοπτική. Γι’ αυτόν ακριβώς τον λόγο, τα προγράμματα σπουδών στις Ηνωμένες Πολιτείες προσαρμόζονται στις απαιτήσεις των συστημάτων υγείας. Τα περισσότερα συστήματα υγείας προσφέρουν πρακτική άσκηση (με ή χωρίς αμοιβή, κατά περίπτωση), και σε αρκετές περιπτώσεις προσλαμβάνουν τους φοιτητές αμέσως μετά την αποφοίτηση.

«Έχετε τιμηθεί με κάποια βραβεία ή διακρίσεις; Παρακαλώ περιγράψτε.»

Όπως ανέφερα και παραπάνω, το 2022 μου απονεμήθηκε το Βραβείο Αριστείας Καθηγητικού Έργου από το Central Michigan University. Επιπλέον, πέρα από τα αμιγώς ερευνητικά βραβεία, θεωρώ ως ένα από τα επιτεύγματα στην πορεία μου το γεγονός ότι, υπό την ηγεσία μου ως Διευθυντής του μεταπτυχιακού προγράμματος διοίκησης υπηρεσιών υγείας στο Central Michigan University, το πρόγραμμα πέτυχε να λάβει διαπίστευση από τον οργανισμό πιστοποίησης CAHME.

«Μπορείτε να μας παρουσιάσετε την Ευρύτερη Εικόνα των ερευνητικών ενδιαφερόντων σας»:

Θα ξεχώριζα τέσσερα συγκεκριμένα παραδείγματα που αποτυπώνουν την εργασία μου:

Το Μοντέλο Αναφοράς CDSS-RM (Clinical Decision Support System Reference Model) επικεντρώθηκε στην ανάπτυξη ενός εννοιολογικού μοντέλου αναφοράς για τον σχεδιασμό Συστημάτων Υποστήριξης Κλινικών Αποφάσεων. Πολλά κλινικά συστήματα αποτυγχάνουν στην πράξη, επειδή δεν ενσωματώνονται σωστά στη ροή εργασίας των επαγγελματιών. Το CDSS-RM επικυρώνει θεωρητικές αρχές για να μοντελοποιήσει τη διαδικασία κλινικής λήψης αποφάσεων. Η σημασία του αποδεικνύεται και από την ευρεία απήχηση της σχετικής δημοσίευσης στο BMC Medical Research Methodology. Επηρεάζει τους προγραμματιστές συστημάτων υγείας και, τελικά, τους ίδιους τους επαγγελματίες υγείας. που χρησιμοποιούν τα συστήματα αυτά.

Δεύτερον, έχουμε αναπτύξει αλγόριθμους και πλατφόρμες που επιτρέπουν τη δυναμική, βασισμένη σε δεδομένα, εκμάθηση και αξιολόγηση κινδύνου που σχετίζεται με συγκεκριμένους συνδυασμούς συννοσηροτήτων. Τα μοντέλα μας είναι δυναμικά και παρέχουν προβλέψεις κλινικών εκβάσεων (όπως θνησιμότητα ή διάρκεια νοσηλείας) κάθε φορά που μια νέα διάγνωση ή κλινική πληροφορία προστίθεται στο προφίλ του ασθενούς. Αυτή η προσέγγιση αμφισβητεί τη στατικότητα της υποστήριξης λήψης αποφάσεων. Το εργαλείο αυτό θεωρούμε ότι μπορεί να γίνει ιδιαίτερα χρήσιμο στην ιατρική εκπαίδευση, δεδομένου ότι μπορεί να παρέχει σε φοιτητές και ειδικευόμενους απεριόριστα κλινικά σενάρια, και να πυροδοτήσει ενδιαφέρουσες συζητήσεις στο αμφιθέατρο.

Τρίτον, μέσω χρηματοδότησης  από το TTUHSC, αναπτύσσουμε αλγόριθμους για να ξεκλειδώσουμε πληροφορίες από ιατρικά δεδομένα που δεν έχουν καταγραφεί με χρονική σειρά. Η έρευνα αυτή έχει σημαντική αξία για τη δευτερογενή χρήση ιατρικών αρχείων στην επιστημονική έρευνα.

Τέλος, είμαστε στη διαδικασία σχεδιασμού και ανάπτυξης υπολογιστικών μεθόδων για την κατανόηση της ελλιπούς κωδικοποίησης ιατρικών διαγνώσεων. Πότε συμβαίνουν, σε ποιες νόσους παρατηρείται υπο-κωδικοποίηση (και ενδεχομένως υποδιάγνωση) και τι σημαίνει αυτό όσον αφορά τις εκβάσεις υγείας του ασθενούς.

• «Ποιες είναι οι πρακτικές εφαρμογές αυτών των ευρημάτων στα επόμενα 5–10 χρόνια;»

Μέσα στην επόμενη δεκαετία, εννοιολογικά πλαίσια όπως το ‘Clinical Decision Support System Reference Model’ που αναπτύξαμε, θα αποτελούν το de facto πρότυπα με το οποίο θα σχεδιάζονται και θα λειτουργούν οι Ηλεκτρονικοί Φάκελοι Υγείας. Στην πράξη, αυτό σημαίνει ότι το ιατρονοσηλευτικό προσωπικό δεν θα αναλώνει χρόνο για να βρει εργαστηριακές τιμές, το ιστορικό του ασθενούς ή ιατρικές σημειώσεις από διαφορετικές πηγές και υπηρεσίες. Το σύστημα θα του παρέχει μια άμεση, συνολική εικόνα της κλινικής κατάστασης του ασθενούς, αυτό που ονομάζουμε στα αγγλικά ‘clinical sensemaking’.

Για να επιτευχθεί όμως αυτό το επίπεδο ενσωμάτωσης των νέων τεχνολογιών στα συστήματα υγείας, η μεγάλη πρακτική εφαρμογή (στην οποία ήδη επενδύουμε ερευνητικά) είναι το πάντρεμα των αμιγώς μαθηματικών/στατιστικών μοντέλων με οντολογικές δομές γνώσης. Τα μαθηματικά μοντέλα είναι ικανά όσον αφορά στο να αναγνωρίζουν μοτίβα και να υπολογίζουν πιθανότητες. Οι οντολογίες, από την άλλη πλευρά, είναι δομές, ή αλλιώς χάρτες που αναπαριστούν τη δομημένη ιατρική γνώση, συνδέοντας τις ασθένειες με τα συμπτώματα, τις ανατομικές δομές ή ακόμα και τους εξωτερικούς παράγοντες, όπως κάπνισμα, διατροφή, άσκηση, σπουδές, εισόδημα κλπ., ως έμμεσους προσδιοριστές της υγείας. Ο εμπλουτισμός των αλγορίθμων με οντολογίες αποτελεί βασικά μία μορφή σημασιολογικής σήμανσης. Να σας δώσω ένα παράδειγμα: Έστω ότι ένας αλγόριθμος εντοπίζει μια ξαφνική μεταβολή σε κάποιες βιολογικές λειτουργίες κάποιου ασθενούς. Ένα απλό μαθηματικό μοντέλο θα εντοπίσει τη μεταβολή και θα ενημερώσει τον επαγγελματία υγείας για τη μεταβολή αυτή. Όμως, ένα μοντέλο που ενσωματώνει ιατρικές οντολογίες, θα «καταλάβει» ότι ο ασθενής έχει ιστορικό μιας επικίνδυνης συννοσηρότητας, θα συνδέσει τη μεταβολή των τιμών με μια πιθανή ανεπιθύμητη ενέργεια του φαρμάκου που μόλις του χορηγήθηκε και θα εξηγήσει στον ιατρό τη λογική πίσω από τον κίνδυνο, προτείνοντας ταυτόχρονα κλινικές κατευθυντήριες γραμμές.

Θα ήθελα όμως να αναφέρω επιπλέον, ότι συνδυάζοντας μαθηματικά μοντέλα με οντολογίες έχει πλεονεκτήματα και εκτός νοσοκομείου. Όπως εξηγούμε στο πρόσφατό μας βιβλίο σχετικά με τα πλεονεκτήματα και τα χαρακτηριστικά των φορετών συσκευών, στα επόμενα χρόνια θα δούμε τις συνεχείς ροές δεδομένων που παράγουν αυτές οι συσκευές να αποτελούν τη βάση για την έγκαιρη ανίχνευση προβλημάτων υγείας, πολλές φορές όταν ακόμα ο ασθενής είναι ασυμπτωματικός. Οπότε με την αξιοποίηση τέτοιων σημασιολογικά εμπλουτισμένων αλγορίθμων, θα μπορούμε να υποστηρίξουμε την απομακρυσμένη παρακολούθηση των ασθενών.

•  «Τι είναι αυτό που συχνά παρανοούν οι άνθρωποι σχετικά με το συγκεκριμένα θέματα;»

Μία συχνή παρεξήγηση είναι ότι η Τεχνητή Νοημοσύνη έρχεται για να αντικαταστήσει την ανθρώπινη κρίση και τον ιατρό. Δε συμφωνώ με μία τέτοια θέση, καταρχάς διότι παραβλέπει τον ντε φάκτο μη ντετερμινιστικό χαρακτήρα των κλινικών αποφάσεων. Η κλινική πράξη δεν μπορεί να μαθηματικοποιηθεί μα αυστηρό τρόπο διότι στην κλινική πράξη το ίδιο αίτιο δεν φέρνει σε όλες τις περιπτώσεις το ίδιο κλινικό αποτέλεσμα. Η ανθρώπινη βιολογία είναι πολύπλοκη, η εξέλιξη των νόσων συχνά απρόβλεπτη και κάθε ασθενής έχει τις δικές του ιδιαιτερότητες και προτιμήσεις. Ένας αλγόριθμος, όσο προηγμένος κι αν είναι, λειτουργεί με πιθανότητες και επομένως δεν μπορεί να προβλέψει κάθε μεταβλητή με ντετερμινιστική βεβαιότητα.

Γι’ αυτόν ακριβώς τον λόγο, καλό θα είναι να αντιμετωπίζουμε αυτά τα συστήματα  ως εργαλεία καθοδήγησης, και σε καμία περίπτωση ως συστήματα που δίνουν κλινικές εντολές. Όπως προδίδει και ο τίτλος ενός από τα βιβλία που πρόσφατα εκδώσαμε, «AIinHealthcare: ATransparentApproachtoInformatics», η τεχνολογία λήψης αποφάσεων δεν πρέπει ποτέ να έχει τα χαρακτηριστικά ενός μαύρου κουτιού. Τα Συστήματα Υποστήριξης Κλινικών Αποφάσεων είναι αδιαμφισβήτητα σημαντικά όσον αφορά στην υποστήριξη της κλινικής τεκμηρίωσης και το σταθμισμένο υπολογισμό ρίσκου. Προσοχή όμως: η σύνθεση της εικόνας, η τελική απόφαση και φυσικά η ευθύνη, παραμένουν στον επαγγελματία υγείας.

• «Υπάρχει κάποια διαφωνία στον χώρο για τα συμπεράσματά σας; Ποιες είναι οι αντίθετες απόψεις; Υπάρχουν θέματα που σας προβλημάτισαν λόγω ίσως παραπληροφόρησης, όπως για παράδειγμα ο εμβολιασμός. Πώς τα αντιμετωπίσατε;»

Στον τομέα της Πληροφορικής της Υγείας, και ειδικά στη διαχείριση μεγάλων σε όγκο δεδομένων υγείας, η συζήτηση περιστρέφεται κυρίως γύρω από τρεις μεγάλους άξονες: την ποιότητα των δεδομένων, την ιδιοκτησία των δεδομένων, και το βαθμό επεξηγηματικότητας που απαιτείται ώστε οι αλγόριθμοι να θεωρηθούν κατάλληλοι για χρήση στην καθημερινή κλινική πρακτική.

Όσον αφορά την ποιότητα και την ερμηνεία, πολλοί ιατροί διατηρούν δικαιολογημένα επιφυλάξεις για το αν μπορούμε να εμπιστευτούμε αλγόριθμους που έχουν εκπαιδευτεί σε δεδομένα διοικητικού κυρίως χαρακτήρα, που συχνά περιέχουν σφάλματα ή υποκαταγραφή διαγνώσεων καθώς δεν συλλέχθηκαν εξ αρχής για ερευνητικούς σκοπούς. Ο αντίλογος, λοιπόν, βασίζεται γύρω από την εκ δεκαετιών λογική, στο ότι ένας αλγόριθμος είναι τόσο καλός και αξιόπιστος όσο και τα δεδομένα που τον τροφοδοτούν (garbage in-garbage out).

Μια δεύτερη συζήτηση που αποτελεί σημείο αντιπαράθεσης, διεθνώς θα έλεγα, είναι το ζήτημα του εκδημοκρατισμού των δεδομένων εννοώντας ποιος εν τέλει κατέχει ή δικαιούται να κατέχει αυτά τα δεδομένα; Ανήκει ο ιατρικός φάκελος αποκλειστικά στον ασθενή; Στο κράτος; Ή μήπως στο νοσοκομείο που επένδυσε για να τον συλλέξει; Η ισορροπία μεταξύ της προστασίας της ιδιωτικότητας και της ανάγκης πρόσβασης στα δεδομένα για ανάπτυξη λογισμικού και έρευνας, είναι σημαντικό πεδίο συζητήσεων στις Ηνωμένες Πολιτείες.

Επιπλέον, όλη αυτή η πολυπλοκότητα συχνά τροφοδοτεί παραπληροφόρηση, η οποία έχει αρνητικό αντίκτυπο στον τομέα της υγείας. Το ζήσαμε σε παγκόσμιο επίπεδο με τους εμβολιασμούς και τη χρήση μάσκας κατά την πανδημία, και καθημερινά με την έλλειψη εμπιστοσύνης των ασθενών, αλλά και ορισμένων επαγγελματιών υγείας στις νέες τεχνολογίες.

Η βασική στρατηγική να αντιμετωπιστεί αυτή η καχυποψία είναι η ανάπτυξη συστημάτων λήψης αποφάσεων με ισχυρή επεξηγηματικότητα (explainability στην αγγλική γλώσσα). Στην ερευνητική μας ομάδα, δουλεύουμε πάνω σε αυτό το αντικείμενο έχοντας δημιουργήσει πλαίσια τα οποία εξηγούν μέσω φυσικής γλώσσας και αφηγημάτων τον τρόπο (τα βήματα) με τον οποίο  κατέληξαν στη απόφαση εν τω προκειμένω. Πιστεύουμε ακράδαντα ότι, όταν ένα σύστημα μπορεί να αιτιολογήσει τη λογική του με διαφάνεια, τότε χτίζεται η απαραίτητη εμπιστοσύνη μεταξύ τεχνολογίας και ανθρώπου (ιατρονοσηλευτικού προσωπικού και ασθενούς).

•  «Ποιο είναι το επόμενο μεγάλο ερώτημα που καλείται να απαντήσει η ερευνητική ομάδα σας;»

Θα έλεγα ότι τα επόμενα ερωτήματα που καλούμαστε να απαντήσουμε, υπάγονται υπό μία ενιαία ομπρέλα: την ανάπτυξη συστημάτων λήψης κλινικών και διοικητικών αποφάσεων με τρόπο ο οποίος δύναται να πλαισιώνει την πραγματική διαδικασία και τη ροή φροντίδας υγείας. Έχουμε κατανοήσει ότι καμία απόφαση στην υγεία, είτε αφορά τη θεραπεία ενός ασθενούς είτε τη διαχείριση των πόρων ενός νοσοκομείου, δεν μπορεί να είναι σωστή αν το ψηφιακό σύστημα δεν καταλαβαίνει το πλήρες πλαίσιο αναφοράς.

Για να πετύχουμε αυτή την πλαισιωμένη γνώση, μαζί με τους συνεργάτες μου εστιάζουμε σε δύο αλληλένδετους άξονες:

Ο πρώτος άξονας, όπως ανέφερα νωρίτερα, είναι η αυτόματη εξαγωγή αιτιακών συνεχειών από ιατρικά δεδομένα. Σήμερα, μεγάλος όγκος δεδομένων υγείας είναι αδόμητος (πχ. ιατρικές σημειώσεις) ή στατικός (καταγράφοντας απλά τι συνέβη σε μία συγκεκριμένη χρονική στιγμή στο παρελθόν). Ξέρουμε τι συνέβη, αλλά όχι πότε ή με ποια σειρά. Για παράδειγμα, σε μία στατική βάση βλέπουμε τις διαγνώσεις {λοίμωξη, διαβήτης}, τη φαρμακευτική χορήγηση {αντιβίωση} και την πληροφορία μετακίνησης ασθενούς {εισαγωγή στη ΜΕΘ}. Όμως αν δεν ξέρουμε τη χρονική αλληλουχία, δεν μπορούμε να ξέρουμε αν η αντιβίωση δόθηκε εγκαίρως και απέτυχε, ή αν καθυστέρησε και οδήγησε στη ΜΕΘ. Μέσω πρόσφατης χρηματοδότησης, αναπτύσσουμε μοντέλα χρονικού μετασχηματισμού για να μετατρέψουμε τα στατικά δεδομένα σε δυναμικές αλληλουχίες, προσφέροντας στον ιατρό το απαραίτητο κλινικό πλαίσιο για να κατανοήσει την πορεία της νόσου.

Ο δεύτερος άξονας αφορά την ποσοτικοποίηση της ελλιπούς ιατρικής κωδικοποίησης. Για να είναι μια απόφαση ‘contextually relevant’, πρέπει η εικόνα του ασθενούς να είναι πλήρης. Έχουμε διαπιστώσει ότι πολλές συννοσηρότητες (π.χ. μια κατάθλιψη ή χρόνιο άσθμα) δεν καταγράφονται σωστά στον ηλεκτρονικό φάκελο όταν ο ασθενής εισάγεται για ένα σημαντικό πρόβλημα (πχ. έμφραγμα μυοκαρδίου). Αυτή η παράλειψη παραμορφώνει την εικόνα του πραγματικού κινδύνου. Στην έρευνά μας, εξετάζουμε αναλυτικά πώς ακριβώς και για ποιες συγκεκριμένες διαγνώσεις παρατηρείται υποκαταγραφή στα νοσοκομεία των ΗΠΑ. Κάθε οργανισμός φροντίδας υγείας οφείλει να γνωρίζει το πλήρες προφίλ των ασθενών του. Όχι μόνο για ολοκληρωμένη φροντίδα, αλλά επίσης για σωστή αξιοποίηση των ίδιων των δεδομένων. Με ελλιπή κλινικά δεδομένα τα συστήματα λήψης αποφάσεων δυσκολεύονται να προβλέψουν με ακρίβεια κλινικές εκβάσεις ή και το κόστος νοσηλείας. Αυτό αφορά άμεσα το διοικητικό πλαίσιο. Με τους δύο αυτούς άξονες, θεωρώ ότι συνεισφέρουμε σε εργαλεία τεχνητής νοημοσύνης που θα υποστηρίζουν εφαρμόσιμες, στο πραγματικό σύστημα υγείας, αποφάσεις.

•  «Πού βλέπετε να κατευθύνεται ο κλάδος τα επόμενα δέκα χρόνια;»

Τα επόμενα δέκα χρόνια, ο κλάδος της Πληροφορικής της Υγείας πρόκειται να περάσει, θα έλεγα, από τον ρόλο του απλού ‘οργανωτή’ και ΄διαμοιραστή’ της πληροφορίας, στον ρόλο ενός περισσότερο ενεργού συνεργάτη. Αρχικά, όπως εκτιμάται την επόμενη δεκαετία θα δούμε την Τεχνητή Νοημοσύνη να αξιοποιείται για την αυτοματοποίηση γραμμικών και επαναλαμβανόμενων λειτουργιών στους οργανισμούς φροντίδας υγείας. Διαδικασίες όπως το triage των ασθενών, η οργάνωση του ιστορικού ασθενούς, η κωδικοποίηση, και πολλές ακόμα, θα γίνονται αυτόματα, απελευθερώνοντας πολύτιμο χρόνο ώστε το ιατρονοσηλευτικό προσωπικό να μπορεί να αφιερώνει πιο πολύ χρόνο στην ουσιαστική φροντίδα του ασθενούς.

Σε δεύτερο επίπεδο, η Τεχνητή Νοημοσύνη θα ξεφύγει από τα όρια της αυτοματοποίησης και θα περάσει στην ενεργή παροχή συμβουλών ακριβώς τη στιγμή της κλινικής λήψης αποφάσεων. Τα Συστήματα Υποστήριξης Κλινικών Αποφάσεων θα αναλύουν τα δεδομένα για τον κάθε ασθενή σε πραγματικό χρόνο και θα δείχνουν στον ιατρό συμβουλές, πιθανότητες και προτεινόμενες προτεραιότητες. Για να πετύχει όμως αυτό, η προτεραιότητα του κλάδου θα είναι, όπως και ανέφερα παραπάνω, η λεγόμενη επεξηγηματική τεχνητή νοημοσύνη. Καθώς τα συστήματα θα δίνουν συμβουλές με ελάχιστο περιθώριο λάθους, πρέπει να γίνουν απολύτως διαφανή σχετικά με κάθε συμβουλή που δίνουν, αιτιολογώντας τη λογική που ακολούθησε το σύστημα εσωτερικά.

Παράλληλα, στα επόμενα χρόνια θα δούμε φορετές συσκευές να στέλνουν συνεχείς ροές δεδομένων. Τα δεδομένα θα μετατρέπονται σε κλινικά αξιοποιήσιμη γνώση αυτόματα, για την παρακολούθηση ασθενών εξ αποστάσεως και κατ’ οίκο. Τέλος, λόγω όλων αυτών των εξελίξεων, η ανάλυση δεδομένων θα πάψει να θεωρείται μια ειδική τεχνική εξειδίκευση για τους επιστήμονες πληροφορικής. Θα ενσωματωθεί πλήρως στα προγράμματα σπουδών. Η ενσωμάτωση αυτή στις ΗΠΑ έχει είδη ξεκινήσει και έχει ήδη γίνει σημαντικός πυλώνας στην εκπαίδευση των νέων επαγγελματιών υγείας.

«Ποιά συμβουλή θα δίνατε σε έναν νέο ερευνητή που ξεκινά τώρα στον κλάδο;» Τι θα λέγατε σε έναν νέο Έλληνα επιστήμονα; Να προσπαθήσει να κάνει καριέρα στο εξωτερικό ή να παραμείνει στην Ελλάδα και να προσπαθήσει; Ήταν εύκολη η πορεία στο εξωτερικό; Εσείς σκέφτεστε να επιστρέψετε στην Ελλάδα και να συνεχίσετε την καριέρα σας.

Σε έναν νέο ερευνητή θα έλεγα το εξής: Μην απομονώνεστε στον κώδικα ή στα στατιστικά πακέτα. Προσπαθήστε να κατανοήσετε την κλινική πραγματικότητα, τις ανάγκες των νοσηλευτών, των ιατρών και των ασθενών. Η τεχνολογία έχει αξία μόνο όταν βελτιώνει τη φροντίδα ασθενούς και τη λήψη διοικητικών αποφάσεων.

Σε έναν νέο Έλληνα επιστήμονα, εφόσον υπάρξει ευκαιρία και δυνατότητα φυσικά, να μην πει όχι σε μια πορεία στο εξωτερικό, έστω και ως έναν ενδιάμεσο σταθμό. Πέρα από την εμπειρία όσον αφορά την επιστήμη και την έρευνα, η κατανόηση του διαφορετικού τρόπου λειτουργίας των πανεπιστημίων, των συνεργασιών, και των χρηματοδοτήσεων, θα διευρύνει τον ορίζοντα του νέου.

Αν θέλουμε να είμαστε ρεαλιστές, θα έλεγα ότι οι γνωστές δυσκολίες της ελληνικής οικονομίας έχουν αναπόφευκτα δημιουργήσει έναν πιο περιορισμένο τομέα έρευνας όσον αφορά τους διαθέσιμους πόρους. Φυσικά, αυτό δεν σημαίνει ότι δεν υπάρχουν καθόλου δυνατότητες, και δυνατά μυαλά στην Ελλάδα. Υπάρχουν, αλλά συχνά, αυτές οι δυνατότητες εξέλιξης καλούνται να περάσουν μέσα από γραφειοκρατικές δυσκολίες και αγκυλώσεις που επιβραδύνουν αλλαγές για ένα πιο ανθρωποκεντρικό, πραγματικά ενοποιημένο σύστημα υγείας.

Η προσαρμογή σε διαφορετικά ακαδημαϊκά περιβάλλοντα, όπως η μετάβασή μου στις ΗΠΑ, συνδυάστηκε και με την προσαρμογή όχι μόνο σε ανταγωνιστικά ακροατήρια αλλά και σε διαφορετικές απαιτήσεις στην τριτοβάθμια εκπαίδευση σε σχέση με την Ελλάδα. Ωστόσο, το γεγονός ότι βρέθηκα να εργάζομαι σε διεθνή συστήματα υγείας και οι πολλαπλές ερευνητικές δυνατότητες προσφέρουν εμπειρία που δύσκολα θα μπορούσε να αποκτηθεί αλλιώς. Όσο για την επιστροφή μου, επαγγελματικά και προσωπικά έχω εδραιωθεί στην Αμερική. Παρόλα αυτά, η Ελλάδα παραμένει η αφετηρία και το σημείο αναφοράς. Συντηρώ δεσμούς και είμαι μετά χαράς να συμπράξω σε συνεργασίες με ελληνικά ακαδημαϊκά ιδρύματα, για να μεταφέρω τεχνογνωσία και να μάθω τί αλλάζει στην Ελλάδα.

«Έχοντας βιώσει το σύστημα υγείας στην Αμερική, θα μπορούσατε να το συγκρίνετε εν συντομία με τα ευρωπαϊκά συστήματα υγείας ή και με το Ελληνικό;»

Έχοντας μελετήσει τα συστήματα υγείας της Ελλάδας και των ΗΠΑ, μπορώ να πω ότι οι διαφορές τους είναι πολλές. Το σύστημα στις ΗΠΑ λειτουργεί σε γενικές γραμμές με βάση τους κανόνες της ελεύθερης αγοράς. Είναι κατακερματισμένο και άκρως ανταγωνιστικό, καθώς βασίζεται σε τεράστιο βαθμό στην ιδιωτική ασφάλιση, σε συνδυασμό με προγράμματα όπως το Medicare.

Ακριβώς επειδή η υγεία αντιμετωπίζεται με όρους αγοράς, υπάρχουν τριβές και αντιθέσεις εξαιτίας των κοινωνικών και οικονομικών συνεπειών, καθώς η πρόσβαση σε υπηρεσίες μπορεί να εξαρτάται από την οικονομική δυνατότητα του ασθενούς. Παρόλα αυτά, εδώ έρχεται μία ενδιαφέρουσα αντίθεση, που σε προσωπικό επίπεδο με βοήθησε επαγγελματικά. Δηλαδή, ότι αυτό ακριβώς το περιβάλλον δημιουργεί την ανάγκη για λεπτομερέστατη κοστολόγηση και συνεχή μέτρηση των δεικτών ποιότητας της φροντίδας υγείας. Το γεγονός αυτό αποτελεί στις Ηνωμένες Πολιτείες προωθητική δύναμη για ανάπτυξη και ενσωμάτωση της Πληροφορικής της Υγείας και συστημάτων λήψης αποφάσεων.

Από την άλλη, πολλά από τα ευρωπαϊκά συστήματα, συμπεριλαμβανομένου του ελληνικού ΕΣΥ, αν και μεικτά πλέον, ακόμα διατηρούν πιο ανθρωποκεντρικό χαρακτήρα. Δίνουν έμφαση στη δημόσια υγεία, την αλληλεγγύη και την καθολική κάλυψη. Δυστυχώς, όμως, συγκριτικά με τις ΗΠΑ, υστερούν σημαντικά σε διαθέσιμους πόρους, σε σύγχρονες ψηφιακές υποδομές και σε μια ολοκληρωμένη διαλειτουργικότητα των δεδομένων του ασθενούς.

•  «Υπάρχει κάτι που δεν ρώτησα και θεωρείτε σημαντικό να μοιραστείτε μαζί μας;»

Ναι, θεωρώ σημαντικό να κλείσω εκφράζοντας τη βαθιά μου ευγνωμοσύνη για τα ακαδημαϊκά μου θεμέλια. Όλη μου η μετέπειτα πορεία και εξέλιξη βασίστηκε στις σπουδές μου στο Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών. Οι καθηγητές μου, τόσο κατά τη διάρκεια των προπτυχιακών μου σπουδών όσο και αργότερα στο Εργαστήριο Πληροφορικής της Υγείας, μου πρόσφεραν τα πρακτικά εφόδια και τη γνώση, αλλά και στήριξη και καθοδήγηση στα πρώτα ερευνητικά βήματα. Πίστεψαν στις δυνατότητές μου και με ενέπνευσαν σε μια εποχή που η Πληροφορική της Υγείας στην Ελλάδα έκανε τα πρώτα της βήματα. Τους οφείλω ένα μεγάλο μέρος αυτού που είμαι σήμερα.

Επιπλέον, θα ήθελα να μοιραστώ μια πιο προσωπική μου σκέψη. Παρόλο που τα τελευταία χρόνια διανύω μια πολύ ενδιαφέρουσα αλλά και απαιτητική πορεία στις ΗΠΑ, η Ελλάδα παραμένει σημείο αναφοράς. Βαθιά μέσα μου, υπάρχει η επιθυμία να δω την τεχνογνωσία και την εμπειρία μου, να αξιοποιούνται με πρακτικό και ουσιαστικό τρόπο στην Ελλάδα, που θα βοηθήσουν στην ψηφιακή μετάβαση και τη βελτίωση του ελληνικού συστήματος υγείας, όσον αφορά την προσβασιμότητα και ποιότητα φροντίδας ασθενούς, αλλά και του ιδίου του ιατρονοσηλευτικού κλάδου.

Ευχαριστίες:

Σας ευχαριστώ θερμά για τη φιλοξενία, τον χρόνο σας και την συζήτηση. Κλείνοντας, θα ήθελα να εκφράσω την ειλικρινή μου ευγνωμοσύνη στους ανθρώπους που με στήριξαν σε όλη αυτή την πορεία. Αρχικά, ένα μεγάλο ευχαριστώ από καρδιάς σε όλους τους συναδέλφους και τους φοιτητές μου, από τους οποίους αντλώ έμπνευση.

Επιπλέον, οφείλω πολλά στους καθηγητές μου στο Τμήμα Νοσηλευτικής του Εθνικού και Καποδιστριακού Πανεπιστημίου Αθηνών. Θέλω να κάνω μια ιδιαίτερη μνεία και να ευχαριστήσω τον Καθηγητή κ. Ιωάννη Μαντά και την Καθηγήτρια κα. Μαριάννα Διομήδους, για την αμέριστη υποστήριξη, την εμπιστοσύνη και την πολύτιμη καθοδήγηση που μου προσέφεραν στα πρώτα μου ακαδημαϊκά και ερευνητικά βήματα.

Τέλος, δεν μπορώ να παραλείψω τους καθηγητές και ιδιαίτερα την καθηγήτρια Fillia Makedon και τους συνεργάτες μου στο University of Texas at Arlington (UTA). Η βοήθειά τους υπήρξε καθοριστική στο ξεκίνημά μου στις ΗΠΑ, καθώς με στήριξαν ουσιαστικά στο να κατανοήσω σε βάθος και να προσαρμοστώ ομαλά στις απαιτήσεις και τη φιλοσοφία του αμερικανικού εκπαιδευτικού συστήματος.

«Ευχαριστώ θερμά τον Καθηγητή κ. Δημήτριο Ζήκο για την εξαιρετικά ενδιαφέρουσα και λεπτομερή συνέντευξη που μας παραχώρησε.»

*Marianna Diomidous MD, RN, MPH, MSc, PhD
Professor Emeritus of Epidemiology & Public Health
Department of Public Health
Faculty of Nursing
National and Kapodistrian University of Athens