Του Γιάννη Παλιούρη
Έως το 2050, ένας στους έξι ανθρώπους στον κόσμο θα είναι άνω των 65 ετών (16%), από έναν στους 11 το 2019 (9%). Το ίδιο έτος, ένα στα τέσσερα άτομα που ζουν στην Ευρώπη και τη Βόρεια Αμερική θα ξεπερνά τα 65 έτη. Το 2018, για πρώτη φορά στην ιστορία, οι ηλικιωμένοι άνω των 65 ετών ξεπέρασαν αριθμητικά τα παιδιά κάτω των πέντε ετών, παγκοσμίως. Ο αριθμός των ατόμων ηλικίας 80 ετών και άνω αναμένεται να τριπλασιαστεί, από 143 εκατομμύρια το 2019 σε 426 εκατομμύρια το 2050. Σαν αποτέλεσμα, ο υγειονομικός τομέας θα δεχθεί τεράστια πίεση τις επόμενες δεκαετίες προκειμένου να παρέχει ποιοτικές υπηρεσίες, σε κόστος που δεν θα τινάξει τους πόρους του στον αέρα.
Εάν οι πάροχοι περίθαλψης μπορούσαν να προβλέψουν με ακρίβεια πώς θα «ζητηθούν» οι υπηρεσίες τους, θα εξοικονομούσαν σημαντικά κεφάλαια. Αλλά πως είναι δυνατόν να γνωρίζεις πότε και πόσο σοβαρά θα αρρωστήσει κάποιος; Ένα νευρωνικό δίκτυο που ανέπτυξαν ερευνητές στη Φινλανδία υπόσχεται και κάνει ακριβώς αυτό: να προβλέπει πότε και γιατί τα ηλικιωμένα άτομα θα χρησιμοποιήσουν υπηρεσίες υγειονομικής περίθαλψης.
Νευρωνικό είναι ένα δίκτυο από απλούς υπολογιστικούς κόμβους (νευρώνες) διασυνδεδεμένους μεταξύ τους. Ουσιαστικά αποτελεί αντιγραφή του Κεντρικού Νευρικού Συστήματος, το οποίο και προσπαθεί να προσομοιώσει.
Ερευνητές του Φινλανδικού Κέντρου Τεχνητής Νοημοσύνης (FCAI), του Πανεπιστημίου Aalto, του Πανεπιστημίου του Ελσίνκι και του Φινλανδικού Ινστιτούτου Υγείας και Πρόνοιας (THL) ανέπτυξαν ένα νευρωνικό «μοντέλο προσαρμογής κινδύνου» που προβλέπει πόσο συχνά οι ηλικιωμένοι αναζητούν θεραπεία. Οι δοκιμές έδειξαν ότι η νέα μέθοδος είναι ακριβέστερη από τα παραδοσιακά μοντέλα και ανιχνεύει με αξιοπιστία πώς αλλάζει η ζήτηση υπηρεσιών περίθαλψης με την πάροδο των ετών.
Τα λεγόμενα «μοντέλα προσαρμογής κινδύνου» χρησιμοποιούν δεδομένα προηγούμενων ετών ώστε να κατανείμουν τους πόρους των ταμείων υγείας με αποτελεσματικό τρόπο. Αυτά τα μοντέλα χρησιμοποιούνται ήδη σε χώρες όπως η Γερμανία, η Ολλανδία και οι ΗΠΑ. Ωστόσο η γήρανση του πληθυσμού δοκιμάζει τα όρια αυτής της μεθόδου. Και χωρίς μοντέλο προσαρμογής κινδύνου, η εξίσωση της υγειονομικής περίθαλψης καθίσταται δυσεπίλυτη αν όχι άλυτη.
Το νευρωνικό δίκτυο που ανέπτυξαν οι Φινλανδοί επιστήμονες κάνει χρήση της Βαθιάς Μάθησης, ενός υποτομέα της Τεχνητής Νοημοσύνης, και «τραβά» δεδομένα από το μητρώο επισκέψεων πρωτοβάθμιας φροντίδας υγείας της χώρας. Τα δεδομένα αφορούν πληροφορίες επισκέψεων για κάθε Φινλανδό πολίτη ηλικίας άνω των 65 ετών. Τα στοιχεία είναι κωδικοποιημένα, κάτι που σημαίνει ότι δεν μπορούν να ταυτοποιηθούν μεμονωμένα άτομα.
Τα αποτελέσματα έδειξαν ότι η δημιουργία ενός νευρωνικού δικτύου αυτού του είδους δεν απαιτεί ένα τεράστιο σύνολο δεδομένων για την παραγωγή αξιόπιστων αποτελεσμάτων. Αντίθετα, το νέο μοντέλο παρείχε ακριβείς προβλέψεις ακόμη και με σχετικά μικρό όγκο στοιχείων. Πρόκειται για αξιοσημείωτη εξέλιξη, καθώς η απόκτηση ιατρικών δεδομένων είναι πάντα δύσκολη και «ευαίσθητη» διαδικασία.
Η σημασία της φινλανδικής έρευνας δεν περιορίζεται στην πρόβλεψη του πόσο συχνά οι ηλικιωμένοι επισκέπτονται ένα κέντρο υγείας ή ένα νοσοκομείο. Αντίθετα, μπορεί να επεκταθεί προς πολλές κατευθύνσεις, για παράδειγμα εστιάζοντας μόνο στους ασθενείς που έχουν διαγνωστεί με παθήσεις οι οποίες απαιτούν εξαιρετικά δαπανηρές θεραπείες.
