Είναι γνωστό ότι ορισμένα άτομα νοσούν πιό βαριά με Covid-19 σε σχέση με άλλα και σε αυτό συμβάλλουν και τα υποκείμενα νοσήματα. Βασικό ρόλο παίζουν ο διαβήτης, η παχυσαρκία και η υπέρταση-αλλά με αυτές τις τρείς παθήσεις ολοκληρώνεται ο κατάλογος επικινδυνότητας του Covid; Μια εντυπωσιακή μελέτη από το Blue Brain Project του Πανεπιστημίου EPFL στην Λωζάνη της Ελβετίας ανακάλυψε και ένα τέταρτο, δηλαδή το επίπεδο γλυκόζης στο αίμα. Το πραγματικά εντυπωσιακό στην εν λόγω ανακάλυψη δεν είναι μόνο το πολύ σημαντικό αποτέλεσμα καθ’ εαυτό. Είναι ότι δεν έγινε ας πούμε με φυσική, δηλαδή ανθρώπινη, νοημοσύνη αλλά κατ’ ευθείαν από την τεχνητή νοημοσύνη! Ας δούμε πως [1].
Για την απλή ανάγνωση ενός επιστημονικού άρθρου θέλουμε γύρω στα δέκα με δεκαπέντε λεπτά της ώρας ενώ για να το κατανοήσουμε φυσικά πολύ περισσότερο. Αν κάποιος μας έδινε 240.000 ιατρικά άρθρα σχετικά με τον Covid-19 και μας ζητούσε απλά να τα διαβάσουμε θα έπρεπε να διαβάζουμε συνεχώς τουλάχιστον δυόμιση εκατομμύρια λεπτά της ώρας, δηλαδή περίπου για πέντε χρόνια! Αν δε μας έθετε σαν στόχο να ανακαλύψουμε στα άρθρα αυτά τις βασικές αιτίες που οδηγούν στη βαριά μορφή Covid-19 θα έπρεπε να ψάχνουμε για πολύ περισσότερο. Η ομάδα Blue Brain Project του EPFL παρέκαμψε τη στενωπό αυτή με την χρήση τεχνητής νοημοσύνης. Πιο συγκεκριμένα εκπαίδευσε ένα τεχνητά νοήμον σύστημα, το Blue Brain (BB) στο να «διαβάσει» τα 240.000 άρθρα πάνω στον Covid-19 και μετά του έθεσε συγκεκριμένες ερωτήσεις. Δεν είναι σίγουρο ότι το ΒΒ κατάλαβε το ακριβές νόημα των άρθρων αλλά εκπαιδεύτηκε στο να αναγνωρίζει συγκεκριμένες λέξεις, όπως COVID-19, virus, infectius disorder, blood, person, spike protein, glucose, erythrocyte, CO2, καθώς και προτάσεις που φτιάχνονται από αυτές τις λέξεις. Στην διαδικασία της εκπαίδευσης έμαθε π.χ. ότι τα λήμματα COVID-19 και infectious disorder αντιστοιχούν σε Symptom/Disease, το blood είναι Organ/system, η glucose και το CO2 είναι Chemical, κλπ. Με βάση αυτή τη γνώση έφτιαξε στην συνέχεια ένα διάγραμμα γνώσης (knowledge graph) όπως αυτό στο Σχήμα 1.
Σχήμα 1: (A) Διάγραμμα γνώσης με περίπου χίλιους κόμβους που παριστούν οντότητες που συναντώνται πιο συχνά ενώ οι συνδέσεις τις επαφές με την μέγιστη αμοιβαία πληροφορία. (Β) Κατανομή των διαφόρων οντοτήτων (από 10.000) και τύποι τους [1].
Το «διάγραμμα γνώσης» είναι στην πραγματικότητα ένα δίκτυο (network) με κόμβους και συνδέσεις. Οι κόμβοι καθορίζουν τις διάφορες οντότητες η/και ιδιότητες που εμφανίζονται στα υπό ανάλυση άρθρα ενώ οι συνδέσεις καθορίζουν πόσο στενά σχετίζεται η μια οντότητα με την άλλη, δηλαδή πόσο επηρεάζει η μία την άλλη. Κεντρικό ρόλο παίζει εδώ η στατιστική έννοια της πληροφορίας και πιο συγκεκριμένα της αμοιβαίας πληροφορίας. Αν X, Y είναι δύο τυχαίες μεταβλητές που παίρνουν κάποιες διακριτές τιμές που ονομάζουμε x, y αντίστοιχα, τότε έχουμε με p(x,y) την κοινή πιθανότητα να εμφανιστούν μαζί ακριβώς αυτές οι δύο τιμές, ενώ pX(x), pY(y) η πιθανότητα να εμφανιστεί η τιμή x ή αντίστοιχα η y ανεξάρτητα από την δεύτερη μεταβλητή. Με τους ορισμούς αυτούς, η αμοιβαία πληροφορία ορίζεται ως εξής:
Αν δύο μεταβλητές δεν σχετίζονται καθόλου τότε η κοινή τους πιθανότητα p(x,y) είναι ίση με το γινόμενο των επί μέρους πιθανοτήτων pX(x), pY(y), δηλ. p(x,y)=px(x)py(y). Στην περίπτωση αυτή το πηλίκο στον λογάριθμο γίνεται μονάδα, ο λογάριθμος ισουται με μηδέν ( log1=0) και η αμοιβαία πληροφορία μηδέν. Από την άλλη μεριά, όσο πιο πολύ διαφέρει ο αριθμητής στον λογάριθμο από τον παρανομαστή, τόσο μεγαλύτερη είναι η τιμή του λογάριθμου και κατ’ επέκταση της αμοιβαίας πληροφορίας. Άρα όσο πιο πολύ εμφανίζονται μαζί οι δύο μεταβλητές X, Y στα δεδομένα, δηλαδή μεγάλο p(x,y), τόσο μεγαλύτερη σχέση έχουν. Η σύνδεση συγκεκριμένα ανάμεσα στην γλυκόζη στο αίμα και άλλους παράγοντες σχετικούς με τον Covid-19 φαίνεται στο Σχήμα 2.
Σχήμα 2: Διάγραμμα γνώσης που προέρχεται από τα πιο σχετικά 3000 άρθρα και τις πιο συχνές έννοιες που εμφανίζονται όταν γίνεται η ερώτηση «γλυκόζη σαν παράγοντας κινδύνου για τον Covid-19». Το μέγεθος των κόμβων είναι ανάλογο με τη συχνότητα εμφάνισης ενώ οι συνδέσεις σχετίζονται με την βέλτιστη αμοιβαία πληροφορία ανάμεσα σε κάθε ζεύγος οντοτήτων [1].
Το διάγραμμα στο Σχήμα 2 έγινε αφού πρώτα «ανακαλύφθηκε» ο ρόλος της γλυκόζης στο σύνολο της βάσης όλων των άρθρων. Παρατηρούμε ότι παράλληλα με τη γλυκόζη εμφανίζονται και άλλοι βασικοί παράγοντες νόσησης στον Covid όπως ο διαβήτης, η υπέρταση, η παχυσαρκία κλπ ενώ είναι εμφανές ότι οι παράγοντες αυτοί συνδέονται με το επίπεδο γλυκόζης στο αίμα. Η πληροφορία λοιπόν που δίνεται από την ποσοτική ανάλυση της βάσης μέσω του ΒΒ μπορεί να είναι αρκετά σημαντική για την πρόληψη και την θεραπεία της ασθένειας.
Το Blue Brain έδρασε εδώ σαν μια «υπερνοημοσύνη» που κατάφερε να ξεπεράσει ένα ανυπέρβλητο ποσοτικό φράγμα για την ανθρώπινη νοημοσύνη. Το αποτέλεσμα είναι εντυπωσιακό αν και φυσικά μπορεί και πρέπει να ελεγχθεί ανεξάρτητα και να κατανοηθεί σε βιολογικό επίπεδο. Η μεθοδολογία που χρησιμοποιήσαν οι ερευνητές θα μπορούσε να εφαρμοστεί γενικευμένα στο σύνολο της ιατρικής η ακόμη και της ανθρώπινης γνώσης και έτσι να μάθουμε και κάτι καινούργιο για τους εαυτούς μας που ίσως ήδη το ξέρουμε.
[1] Emmanuelle Logetteet al., A Machine-Generated View of the Role of Blood Glucose Levels in the Severity of COVID-19, Frontiers in Public Health, Volume 9, Article 695139, 28 July 2021 (https://doi.org/10.3389/fpubh.2021.695139)
Επιμέλεια-Συγγραφή: Γιώργος Τσιρώνης, Kαθηγητής στο Τμήμα Φυσικής και Διευθυντής του ΙνστιτούτουΘεωρητικής και Υπολογιστικής Φυσικής του Πανεπιστημίου Κρήτης.