Το “ταμείο” της πανδημίας από τον Ηλία Μόσιαλο – Τι μάθαμε αφού… πάθαμε

«Κάνουμε σάρωση των πληθυσμιακών δεδομένων που έχουμε έτσι ώστε να μπορούμε να προβλέψουμε σε ποιες περιοχές της χώρας, σε ποιες… γειτονιές της Θεσσαλονίκης είναι πιθανό να έχουμε περισσότερα προβλήματα; Εγώ σας λέω ότι μπορούμε να κάνουμε…»

Ο Ηλίας Μόσιαλος  καθηγητής Πολιτικής Υγείας και κάτοχος της έδρας Brian-Abel Smith στο London School of Economics and Political Science (LSE) δεν είναι πια καθημερινά στα ΜΜΕ, μάλλον προσπαθούμε να τον «ξεχάσουμε» όπως όλα τα τραυματικά που ζήσαμε. Επίσης δεν ζητούν τη συμβουλή του διαχειριστές της εξουσίας, σε Ελλάδα και Ευρώπη, για τη ορθότερη διαχείριση της κρίσης ή έστω για να έχουν τις απόψεις του ως αλλοθι των δικών τους λαθών. Ωστοσο ο καθηγητής Μόσιαλος σε ένα πρόσφατο συνέδριο στη Θεσσαλονίκη έκανε το καθήκον του με έναν ουσιαστικό απολογισμό. Μεταξύ άλλων είπε:

Τριβές μεταξύ επιστήμης, πολιτικής και κοινωνίας

«Ας γυρίσουμε πέντε χρόνια πίσω, όταν ο κόσμος ήρθε αντιμέτωπος με τον COVID-19. Όλα ξεκίνησαν στην Κίνα, τον Δεκέμβριο του 2019, αλλά ο πλανήτης συνειδητοποίησε την απειλή χάρη στη γενναιότητα ενός Κινέζου οφθαλμίατρου, που προειδοποίησε για τον επικίνδυνο νέο ιό. Δυστυχώς, έχασε τη ζωή του στη μάχη κατά του ιού. Οι πρώτες μέρες ήταν χαοτικές—τα δεδομένα ελάχιστα, η αβεβαιότητα κυριαρχούσε, και η παραπληροφόρηση εξαπλωνόταν. Οι άνθρωποι λαχταρούν σταθερότητα, και όταν αυτή κλονίζεται, πιστεύουν εύκολα σε ιστορίες που την υπόσχονται, όπως ότι δεν υπήρχε πανδημία, ότι τα εμβόλια δεν θα δούλευαν ή ότι ήταν επικίνδυνα. Αυτές οι ιδέες πρόσφεραν μια ψευδαίσθηση βεβαιότητας σε έναν κόσμο που ανατρεπόταν. Η πανδημία ανέδειξε πολύπλοκες τριβές μεταξύ επιστήμης, πολιτικής και κοινωνίας. Οι επιστήμονες αγωνίζονταν να κατανοήσουν τον ιό, αλλά οι πολιτικοί δεν ακολουθούσαν πάντα τις συμβουλές τους.

Οι λογικοί ηγέτες και οι άλλοι

Στην Ελλάδα, υπήρξε γενικά σύμπνοια μεταξύ επιστημονικής κοινότητας και πολιτικής ηγεσίας, με λίγες εξαιρέσεις. Όμως, διεθνώς, η εικόνα ήταν διαφορετική. Ο Τραμπ στις ΗΠΑ πρότεινε ενέσεις χλωρίνης ως λύση ή ισχυριζόταν ότι το πρόβλημα θα εξαφανιζόταν αν σταματούσαν να καταγράφονται οι θάνατοι. Ο Μπόρις Τζόνσον στην Αγγλία, στις αρχές Μαρτίου 2020, έσφιγγε χέρια ασθενών στα νοσοκομεία, λέγοντας ότι δεν υπάρχει πρόβλημα, για να προειδοποιήσει λίγες μέρες μετά για απώλειες αγαπημένων και να καταλήξει ο ίδιος στην εντατική. Ο Μπολσονάρο στη Βραζιλία αποδέχτηκε τις απώλειες ως αναπόφευκτες, «κανονικοποιώντας» την τραγωδία. Αντίθετα, η Ευρώπη είχε πιο λογικούς ηγέτες, ενώ επιστήμονες από τη Σαγκάη, παρά τις αντίθετες οδηγίες του Κινεζικού Κομμουνιστικού Κόμματος, μοιράστηκαν τα γενετικά δεδομένα του ιού, επιταχύνοντας την ανάπτυξη εμβολίων.

Θα σώσουμε τη γιαγιά ή την οικονομία;

Η πανδημία ανέδειξε την ανάγκη εξισορρόπησης μέτρων: υγειονομικών, πολιτικών, εκπαιδευτικών, οικονομικών. Το κλείσιμο σχολείων σήμαινε απώλεια εκπαίδευσης, η διακοπή χειρουργείων κόστισε σε ειδικευόμενους γιατρούς, ενώ οι οικονομίες κλυδωνίζονταν. Η αβεβαιότητα ήταν τεράστια: Πώς μεταδίδεται ο ιός; Αερογενώς ή μέσω επιφανειών; Χρειάζονται μάσκες; Ποια απόσταση είναι ασφαλής; Πώς αντιδρούν διαφορετικές ομάδες πληθυσμού; Αυτά τα ερωτήματα γέννησαν πολιτικά και ηθικά διλήμματα, όπως το δίλημμα του Economist: «Θα σώσουμε τη γιαγιά ή την οικονομία;» Δεν κινδύνευαν μόνο οι ηλικιωμένοι, αλλά και ευάλωτες ομάδες κάθε ηλικίας. Η τεχνητή νοημοσύνη (ΤΝ) θα μπορούσε να είχε αλλάξει τα δεδομένα. Με ανάλυση μεγάλων δεδομένων, θα γνωρίζαμε γρηγορότερα τη δυναμική της μετάδοσης, την αποτελεσματικότητα των εμβολίων και την κλινική τους εφαρμογή. Τα πιο πολύτιμα δεδομένα για τα εμβόλια δεν ήρθαν από τις ΗΠΑ ή τη Βρετανία, αλλά από το Ισραήλ και το Κατάρ, χώρες με πλήρως ψηφιοποιημένα συστήματα υγείας. Στο Ισραήλ, τέσσερα ασφαλιστικά ταμεία καταγράφουν ιατρικά και κοινωνικά δεδομένα—από το αν ζει κάποιος μόνος του μέχρι την πυκνότητα της περιοχής του.

ΕΟΠΥΥ και συλλογή δεδομένων

Η ψηφιοποίηση επέτρεψε μελέτες που δημοσιεύτηκαν σε κορυφαία περιοδικά, όπως το Lancet και το New England Journal of Medicine, αποκαλύπτοντας τι λειτουργεί και τι όχι. Η ΤΝ μπορεί να φέρει επανάσταση στην υγεία. Σήμερα, το 2025, η πρόοδος στην ΤΝ επιτρέπει ταχύτερη πρόγνωση νοσημάτων, μείωση του χρόνου και του μεγέθους κλινικών δοκιμών, και εξατομικευμένη φροντίδα. Στην Ελλάδα, το ενιαίο ασφαλιστικό ταμείο (ΕΟΠΥΥ) δίνει στρατηγικό πλεονέκτημα για συλλογή δεδομένων, αλλά η αξιοποίησή τους υστερεί. Η ΤΝ μπορεί να προβλέψει πού θα εμφανιστούν περισσότερα προβλήματα υγείας, π.χ. σε φτωχότερες περιοχές με χαμηλότερο μορφωτικό επίπεδο, όπου η συμμόρφωση σε θεραπείες είναι μικρότερη. Μπορεί να εντοπίσει αλληλεπιδράσεις φαρμάκων σε ασθενείς με πολλαπλά νοσήματα, να μειώσει το κόστος εξατομικευμένης φροντίδας και να βελτιώσει την οργάνωση του συστήματος υγείας, όπου το 80% των λαθών οφείλεται σε κακή οργάνωση, όχι σε ιατρική ανεπάρκεια.

Γρήγορη και αξιοπιστη αναλυση

Η ΤΝ μπορεί επίσης να παρακολουθεί τη συμμόρφωση των ασθενών στη θεραπεία, π.χ. για άσθμα ή υπέρταση, όπου πολλοί εγκαταλείπουν τα φάρμακα μέσα σε μήνες. Στον Καναδά, το 1% των ασθενών καταναλώνει το 33% του κόστους υγείας, το 5% το 65%, και το 16% το 77%. Αυτοί οι πολύ-ασθενείς, συχνά από τα 40 τους, χρειάζονται στοχευμένη φροντίδα για να μην επιδεινωθούν. Η ΤΝ μπορεί να τους εντοπίσει, να αναλύσει κοινωνικά και ιατρικά δεδομένα και να προτείνει παρεμβάσεις. Πέρα από την κλινική πράξη, η ΤΝ μπορεί να προβλέψει κινδύνους, όπως πτώσεις ηλικιωμένων, που κοστίζουν στο σύστημα υγείας, ή να παρακολουθεί τη διάθεση για διαχείριση ψυχικής υγείας. Μπορεί να ανιχνεύσει πρώιμα σημάδια Αλτσχάιμερ ή Πάρκινσον μέσω ανάλυσης κινήσεων ή ομιλίας. Όμως, η ΤΝ εξαρτάται από την ποιότητα των δεδομένων—«σκουπίδια μέσα, σκουπίδια έξω». Οι κατευθυντήριες οδηγίες για μεμονωμένα νοσήματα δεν επαρκούν για ασθενείς με πολλαπλές παθήσεις, όπου η ιατρική εμπειρία παραμένει αναντικατάστατη.

Πες μου πού ζεις να σου πω τι έχεις

Η Ελλάδα έχει ευκαιρίες με το ενιαίο ασφαλιστικό σύστημα, αλλά αντιμετωπίζει προκλήσεις: έλλειψη δεδομένων, αντίσταση στην τεχνολογία, φόβοι ότι η ΤΝ θα υποκαταστήσει τους γιατρούς. Δεν θα τους υποκαταστήσει—θα τους ενισχύσει, αν τροφοδοτηθεί με σωστά δεδομένα και ερωτήματα. Σε παγκόσμιο επίπεδο, η ΤΝ μπορεί να προβλέψει την επόμενη πανδημία, παρακολουθώντας δεδομένα από κινητά ή γενετικές μεταλλάξεις ιών. Η πανδημία του COVID-19 κόστισε 30 τρισεκατομμύρια δολάρια, ενώ η παρακολούθηση ιών θα κόστιζε μόλις 30 δισ. ετησίως—ασήμαντο ποσό μπροστά στις απώλειες. Η υγεία αντικατοπτρίζει κοινωνικές ανισότητες. Στο Μονακό, το προσδόκιμο ζωής είναι 89 χρόνια, ενώ στη Δημοκρατία της Κεντρικής Αφρικής μόλις 55. Στο Λονδίνο, η διαφορά μεταξύ πλούσιων και φτωχών περιοχών φτάνει τα 12 χρόνια. Στην Ελλάδα, η στρωματοποίηση του πληθυσμού σε ομάδες χαμηλού, μέτριου και υψηλού ρίσκου, με βάση δεδομένα που επεξεργάζεται η ΤΝ, μπορεί να σώσει ζωές. Η Γερμανία το κάνει ήδη από το 2010, κατηγοριοποιώντας ασφαλισμένους με βάση τον κίνδυνο. Η Ελλάδα χρειάζεται ένα εθνικό σχέδιο δεδομένων για να αξιοποιήσει την ΤΝ, να ενισχύσει την πρόληψη, να μειώσει λάθη και να παρατείνει τη ζωή. Η υγεία δεν είναι μόνο ιατρική—είναι κοινωνική, και η ΤΝ μπορεί να γεφυρώσει το χάσμα»

Η πλήρης απομαγνητοφωνημένη ομιλία του κ Μόσιαλου σε εκδήλωση του Ιατρικού Συλλόγου Θεσσαλονίκης με αφορμή τη συμπλήρωση 100 χρόνων από τη δημιουργία του συλλόγου, στο κινηματοθέατρο ΟΛΥΜΠΙΟΝ:

 «Τώρα επιτρέψτε μου να ξεκινήσω με ένα flashback, να πάμε εκεί σε αυτά που ζήσαμε πριν από 5 χρόνια. Και περίπου αυτή την περίοδο ήταν όταν ο κορονοϊός εμφανίστηκε στις αρχές Δεκεμβρίου στην Κίνα. Βέβαια οι υπόλοιποι, ο υπόλοιπος πλανήτης έμαθε για τον κορονοιο χάριν στη γενναιότητα ενός Κινέζου οφθαλμίατρου γιατρού, ο οποίος προειδοποίησε και τις κινεζικές αρχές αλλά και τις επαφές που είχε διεθνώς για το πόσο απειλητικό φαινόμενο ήταν αυτός ο νέος ιός. Δυστυχώς γνωρίζουμε ότι ο ίδιος έχασε τη ζωή του στη μάχη απέναντι στον κορονοϊό.

 Αλλά ήταν μία πολύ δύσκολη κατάσταση γιατί εξελισσόταν με δραματικά γρήγορους ρυθμούς. Δεν είχαμε δεδομένο. Και όταν δεν έχεις σοβαρά δεδομένα, υπάρχουν συνθήκες αβεβαιότητας. Και όταν υπάρχουν συνθήκες αβεβαιότητας, αυτές τις συνθήκες ευνοούν την παραπληροφόρηση. Και γιατί εννοώ ευνοούν την παραπληροφόρηση, γιατί όλοι μας γενικά δεν θέλουμε να διαταράσσεται το επίπεδο της ζωής μας, οι συνθήκες της ζωής μας. Θέλουμε να υπάρχει σταθερότητα. Δεν είναι σωστό αυτό; Κανένας δεν θέλει να περάσει από μία σχετική σταθερότητα σε μία επαπειλούμενη κατάσταση, η οποία μπορεί να ανατρέψει τα πάντα στη ζωή μας. Παράλληλα, με όσους προσπαθούσαν να καταλάβουμε, επιστημονικά πρώτα και κύρια, το τι συμβαίνει με τον κορονοϊός υπήρχε μία κοινότητα και επιστημονική αλλά και πολιτική αλλά και κοινωνική, η οποία έλεγε ότι δεν υπάρχει πανδημία. Όταν λες ότι δεν υπάρχει πανδημία, αυτό είναι μία σταθερότητα, δηλαδή δίνεις ένα επιχείρημα στην παγκόσμια κοινότητα των πολιτών να πιστέψουν ότι δεν θα διαταραχθεί η ζωή μας. Από κει και πέρα υπήρχε και ένα άλλο επιχείρημα, ότι δεν θα βρεθούν τα εμβόλια και όταν βγήκαν τα εμβόλια το επιχείρημα εξελίχθηκε ότι δε δουλεύουν τα εμβόλια, είναι κακό να κάνεις εμβόλια οπότε δε σε έβαζε στο δίλημμα αν θα πρέπει να τα κάνεις ή όχι. Ήταν, σου έλεγε ότι δεν πρέπει να κάνεις από την αρχή άρα και αυτό ήτανε μία σταθερότητα. Όταν έχεις σταθερότητα, είναι πολύ πιο εύκολο να πείσεις, αυτό προσπαθώ να πω. Όταν τα δεδομένα όμως εξελίσσονται ραγδαία υπάρχει μία συνεχής αβεβαιότητα. Και εκεί τα πράγματα είναι δύσκολο.

 Παράλληλα υπάρχουν πολύπλοκες διεπαφές μεταξύ της πολιτικής και της επιστήμης. Η επιστήμη μπορεί να καταλήγει σε συγκεκριμένα συμπεράσματα, οι πολιτικοί όμως δεν είναι δεν είναι διατεθειμένη πάντοτε να τα εφαρμόσουν. Και δεν αναφέρομαι στη χώρα μας, όπου υπήρχε εν πολλοίς μία σύμπτωση απόψεων της επιστημονικής κοινότητας με τις πολιτικές ηγεσίες σχεδόν όλων των κομμάτων, με ελάχιστες εξαιρέσεις. Αναφέρομαι σε διεθνείς ηγέτες μεγάλης επιρροής, θα θυμάστε τότε τον πρόεδρο Trump που έλεγε ότι αν κάνουμε ενέσιμη χλωρίνη, αν πάρουμε χλωρίνη και την πιούμε, τότε έχει τελειώσει το πρόβλημα του κορονοϊού

 Παράλληλα, θα θυμάστε πάλι τον πρόεδρο Trump που είπε ότι έχουμε πρόβλημα με τον κορονοϊό στην Αμερική γιατί μετράμε πολύ σωστά τους θανάτους, αν σταματήσουμε να μετράμε τους θανάτους, δεν θα έχουμε πρόβλημα. Εύλογο ερώτημα ναι, αν σταματήσει να μετράς, δεν έχεις κανένα πρόβλημα πουθενά. Από την άλλη μεριά είχαμε τον Boris Johnson στην Αγγλία, ο οποίος στις αρχές Μαρτίου πήγαινε στα νοσοκομεία και έσφιγγε τα χέρια των ασθενών και μας το έλεγε ο ίδιος, έβγαινε σε τηλεοπτικό διάγγελμα και έλεγε “δεν υπάρχει κανένα πρόβλημα, πήγα στα νοσοκομεία, έσφιξα τα χέρια των ασθενών, μία χαρά είναι οι άνθρωποι”, για να μας πει 10 μέρες μετά ότι προετοιμαστείτε να χάσετε τους αγαπημένους σας, και μία εβδομάδα μετά να ήταν ο ίδιος στη μονάδα εντατικής θεραπείας. Θυμάστε το Bolsonaro, ο οποίος είπε και τι έγινε, θα έχουμε απώλειες, έκανε μία κανονικοποίηση του φαινομένου εκείνη τη στιγμή. Οι απώλειες είναι αναμενόμενες, άρα θα πρέπει να τις δεχτούμε όποιες και να είναι αυτές, για να προχωρήσει η ανθρωπότητα. Εν αντίθεσή με το Ευρωπαϊκό περιβάλλον όπου είχαμε πιο λογικούς ηγέτες συνολικά. Το παγκόσμιο περιβάλλον δεν ήταν έτσι, γιατί και εκεί αποσιώπησε τα δεδομένα. Μπορέσαμε να βγάλουμε γρήγορα εμβόλια γιατί μία επιστημονική κοινότητα από την Σαγκάη μας έδωσε τα γενετικά δεδομένα του ιού, παρά την αντίθετη άποψη του Κομμουνιστικού Κόμματος Κίνας, γενναίοι άνθρωποι που το κάνανε αυτό. Και μπορέσαμε να προχωρήσουμε πάρα πολύ γρήγορα.

 Αλλά από εκεί και πέρα, όταν έχεις πάλι μία Πανδημία, πρέπει να δεις και τα εξισορροπητικά μέτρα, τι θα κάνεις στην υγειονομική πολιτική, τι θα κάνεις στην πολιτική κατάσταση της χώρας, τι θα κάνει στην εκπαιδευτική πολιτική; Θα κλείσει σχολεία; Το οποίο σημαίνει απώλεια χρήσιμου εκπαιδευτικού έργου για τους μαθητές, απώλεια για τους ειδικευόμενους ιατρικής χρήσιμου έργου γιατί πιθανώς να μην μπορούν να κάνουν χειρουργεία. Αλλά παράλληλα και οικονομικών στόχων, δηλαδή πρέπει να τα εξισορροπήσεις όλα αυτά, εκπαίδευση, οικονομία, πολιτικές αποφάσεις, τι θα πει η αντιπολίτευση, τι θα κάνεις με το σύστημα υγείας… δεν είναι εύκολες αυτές οι αποφάσεις.

 Θα μου πεις τι σχέση έχουν αυτά με τεχνητή νοημοσύνη, έρχομαι εδώ. Από εκεί και πέρα, οι αβεβαιότητες ήταν ακόμα μεγαλύτερες γιατί δεν γνωρίζαμε τη φύση της νόσου. Δηλαδή πως μεταδίδεται ο κορονοϊός. Μεταδίδεται αερογενώς, αν ακουμπήσεις ένα αντικείμενο, μετά μπορείς να πάρεις από το αντικείμενο αυτό τη νόσο; Δεν τα ξέραμε στην αρχή. Πρέπει να φοράμε μάσκες ή δεν πρέπει να φοράμε μάσκες; Προφανώς αν είναι αερογενής μετάδοση, πρέπει. Αν δεν είναι όμως, μήπως δεν πρέπει; Είναι δύο μέτρα η απόσταση ή είναι ένα μέτρο η απόσταση; Τι κάνεις όταν είσαι σε ένα κλειστό χώρο; Ποια είναι η δυναμική επομένως της μετάδοσης; Αλλά πολύ περισσότερο ποιες είναι οι συμπεριφορικές αντιδράσεις; Πώς θα αντιδράσουν διάφορες κατηγορίες του πληθυσμού απέναντι σε ένα τέτοιο φαινόμενο; Δηλαδή θα αντιδράσουν με τον ίδιο τρόπο; Θα αντιδράσουν με τον ίδιο τρόπο οι υγιείς, οι ασθενείς, οι πιο βαριοί ασθενείς και ούτω καθεξής.  Επομένως όταν έχεις τόσες μεγάλες αβεβαιότητες έχεις και πολύ μεγάλα πολιτικά διλήμματα. Και τα πολιτικά διλήμματα αντικατοπτρίζονται σε ένα ηθικό δίλημμα πρώτα και κύρια. Εδώ είναι από ένα άρθρο του εκονομιστ , το κύριο άρθρο με το δίλημμα “θα σώσουμε τη γιαγιά ή θα σώσουμε την οικονομία;”

 Βεβαια δεν ήταν μόνο η γιαγιά που κινδύνευε από τον κορονοϊό, ήταν όλες τις ευάλωτες ομάδες, οι οποίοι μπορεί να ήταν και στην ηλικία και των 20, των 25, των 30. Αλλά το ίδιο το περιοδικό αν το δείτε σε ένα χρονικό διάστημα περίπου 1,5 έτους, βλέπετε την αγωνία πώς καταγράφεται στα πρωτοσέλιδα, γίνεται παγκόσμιο το πρώτο πρωτοσέλιδο. Μετά η πολιτική αντιμετώπιση των πανδημιών, γιατί άλλα πράγματα έκανε μία χώρα αλλά έκανε η άλλη Τα πράγματα γίνονται πάρα πολύ δύσκολα, τρίτο εξώφυλλο, τέταρτο εξώφυλλο. Μετά τη νόσο, το χρέος. Αμέσως μπαίνει το μεγάλο πρόβλημα…θα καταρρεύσουν οι οικονομίες. Πέμπτο εξώφυλλο, γιατί τόσες πολλές κυβερνήσεις δεν κάνουν τα σωστά, κάνουν λάθος επιλογές, το οποίο είναι σωστό. Ποιοι κερδίζουνε και ποιοι χάνουνε στη μάχη απέναντι στον κορονοϊό και οικονομικά αλλά και από άποψη υγείας; Ξαφνικά ελπίδα, το έβδομο εξωφύλλου γιατί είναι τα εμβόλια. Και αμέσως μετά, θα δουλέψουνε τα εμβόλια ή δε θα δουλέψουν; Αμέσως η αμφισβήτηση. Βλέπετε την κλίμακα της αβεβαιότητας μέσα σε ένα διάστημα περίπου ενός ενός, ενάμιση έτους. Θα μπορούσαν τα πράγματα να ήταν διαφορετικά με την τεχνητή νοημοσύνη; Απείρως διαφορετικά. Γιατί θα ξέραμε τη δυναμική μετάδοση της νόσου πολύ πιο γρήγορα, μαζεύοντας μεγάλα δεδομένα, το οποίο δεν έγινε σε παγκόσμιο επίπεδο. Δεν αναφέρομαι στη χώρα μας, αυτά είναι παγκόσμια προβλήματα. Θα ξέραμε πάρα πολύ πιο γρήγορα αν τα εμβόλια ήταν αποτελεσματικά, αναλύοντας πολύ πιο σύνθετα τα δεδομένα των κλινικών δοκιμών. Αλλά και θα ξέραμε και το αν είναι αποτελεσματικά στην κατεξοχήν κλινική πράξη.

 Από πού πήραμε τα περισσότερα δεδομένα για την αποτελεσματικότητα των εμβολίων; Τα πήραμε από τις Ηνωμένες Πολιτείες που διαθέτουν το 18% του εθνικού τους πλούτου για την υγεία; Τι λέτε, τα πήραμε από κει; Όχι. Τα πήραμε από τη Γερμανία και τη Σουηδία που διαθέτουν το 12 με 13% του εθνικού πλούτου τους για την υγεία; Τα πήραμε από τη Μεγάλη Βρετανία που έχει ένα σοβαρό εθνικό σύστημα υγείας, τουλάχιστον ορθολογικά οργανωμένο; Όχι. Τα πήραμε από δυο μικρές χώρες, δεν ξέρω αν τις ξέρετε ή αν παρακολουθήσετε την Ιατρική βιβλιογραφία, από το Ισραήλ και το Κατάρ. Γιατί εκεί έχουν πλήρη ψηφιοποίηση του συστήματος υγείας.

 Στο Ισραήλ έχει τέσσερα ασφαλιστικά ταμεία, δεν έχει ένα όπως εμείς. Εμείς έχουμε συγκριτικό πλεονέκτημα με ένα Ασφαλιστικό Ταμείο, τον ΕΟΠΥΥ γιατί τα συγκεντρώνουμε όλα εκεί, θεωρητικά τουλάχιστον. Το Ισραήλ έχει τέσσερα ασφαλιστικά ταμεία όπου καταγράφουν όλα τα ιατρικά δεδομένα, όλα τα κοινωνικά δεδομένα γιατί είναι σημαντικά τα κοινωνικά δεδομένα. Άλλο να ζει κάποιος μόνος του, άλλο να ζει με οικογενειακή υποστήριξη, άλλο να ζει κανείς σε μία πυκνοκατοικημένη περιοχή, άλλο να ζει κάνεις σε μία μη πυκνοκατοικημένη περιοχή, άλλο να ξέρεις τι άλλα φάρμακα παίρνει, πέρα από τα εμβόλια τα οποία μπορεί να έχουν μία επίδραση στην αποτελεσματικότητα, άλλο να ξέρεις πόσες διαφορές  έχει με το σύστημα υγείας και άλλο να μην ξέρεις. Δηλαδή έχουμε μία βάση δεδομένων που υπερβαίνει το Ιατρικό σύστημα και η βάση δεδομένων δεν μπορεί να είναι μόνο ιατρική όταν θεραπεύουμε ανθρώπους με πολλά κοινωνικά προβλήματα, με πολλά ψυχολογικά προβλήματα, όχι μόνο τα κατεξοχήν προβλήματα της σωματοποίησης που υπάρχουν με τις ασθένειες που αντιμετωπίζουμε. Σε αυτές τις δύο χώρες, το Κατάρ είναι μία πολύ μικρή χώρα και έχει και αυτή ψηφιοποιήσει τα πάντα, από κει βγήκανε οι περήφημες μελέτες, στο Lancet, στο The New England Journal of Medicine και σε όλα τα τοπ περιοδικά και ξέρουμε τι δουλεύει και δεν δουλεύει σε σχέση με τα εμβόλια. Άρα, θα μπορούσε να μας βοηθήσει πάρα πολύ

 Από κει και πέρα, τι κάνουμε με το σύστημα υγείας; Αυτό που ξέρουμε είναι ότι καθυστερούμε στο να παρέχουμε τη φροντίδα, αυτό που έχουμε μάθει ως γιατροί, να είμαστε στα ιατρεία μας, να είμαστε στα νοσοκομεία και να περιμένουμε τους ασθενείς να εμφανιστούν. Κάνουμε κάποια σάρωση των δεδομένων των πληθυσμιακών που έχουμε έτσι ώστε να μπορούμε να προβλέψουμε σε ποιες περιοχές της χώρας, σε ποιες γειτονιές της Θεσσαλονίκης είναι πιθανό να έχουμε περισσότερα προβλήματα; Λέτε ότι μπορούμε να το κάνουμε; Εγώ σας λέω ότι μπορούμε να το κάνουμε ναι, με τα κοινωνικά δεδομένα να μπορεί να προβλέψει ότι στις φτωχότερες περιοχές μίας πόλης, μπορεί να έχεις πολύ περισσότερα προβλήματα, όπως επίσης χαμηλότερο εκπαιδευτικό επίπεδο. Και όταν έχεις χαμηλότερο εκπαιδευτικό επίπεδο, μεγαλύτερη πιθανότητα μη συμμόρφωση στην Ιατρική αγωγή. Ωραία, άρα πρέπει να αλλάξουμε λίγο και το μοντέλο από το να περιμένουμε, να είμαστε πιο προωθητικοί.

 Υπάρχει αβεβαιότητα για το τι λειτουργεί και το τι δεν λειτουργεί. Βγαίνουν πολλά καινούργια φάρμακα, ιατρικές συσκευές και συσκευές AI για τις οποίες δεν έχουμε επαρκείς γνώσεις. Έχουμε γνώση από τις κλινικές δοκιμές. Είπε άλλος ομιλητήςότι μπορεί να μειώσουμε το χρόνο των κλινικών δοκιμών, πολύ σωστά, να μειώσουμε και τον αριθμό των ατόμων που συμμετέχουν στις κλινικές δοκιμές μέσω τεχνητής νοημοσύνης, αλλά αυτό που πραγματικά μας ενδιαφέρει είναι τι γίνεται μετά την κλινική δοκιμή. Στην κλινική δοκιμή όπως ξέρετε δεν έχουμε ασθενείς με συννοσηρότητες, με πολλά νοσήματα, έχουμε μόνο τους διαβητικούς, αν είναι κάποιος διαβητικός και έχει ένα αιματολογικό νόσημα δεν θα τον βάλουμε στην κλινική δοκιμή. Στην κλινική δοκιμή δε βάζουμε τους ηλικιωμένους. Στις κλινικές δοκιμές οι γυναίκες υποεκπροσωπούνται, δραματικά υποεκπροσωπούνται. Άρα, υπάρχουν προβλήματα.

 Πώς δουλεύει ένα φάρμακο το οποίο φαίνεται ότι δουλεύει στην κλινική δοκιμή στην πραγματική κλινική πράξη που σου έρχεται ένας ασθενής που δεν παίρνει μόνο αυτό αλλά άλλα 10 μαζί, αν έχει άλλα πέντε νοσήματα; Εκεί είναι η τεχνητή νοημοσύνη θα σου βρει τις αλληλεπιδράσεις αμέσως και θα βοηθήσει να σου πει τι λειτουργεί κάτω από ποιες συνθήκες ή μπορεί να λειτουργήσει καλύτερα αν αφαιρέσεις δύο από τα φάρμακα που παίρνει ο ασθενής για όσο διάστημα χρειαστεί να πάρει μία καινούργια θεραπεία. Από κει και πέρα αντιμετωπίζουμε όλους τους ασθενείς με τον ίδιο τρόπο στο νοσοκομείο, είναι σαν ένα εργοστάσιο, δεν υπάρχει εξατομικευμένη φροντίδα. Θα μου πείτε δεν είναι ακριβής η ιατρική της ακρίβειας; Ναι, αλλά εδώ μπορεί να βοηθήσει η τεχνητή νοημοσύνη έτσι ώστε να την κάνει λιγότερο, να μικρύνει, να μειώσει το κόστος της εξατομικευμένης φροντίδας, πράγμα το οποίο δεν το κάνουμε.

 Από κει και πέρα, υπάρχουν λάθη που δεν εντοπίζονται. Και τα περισσότερα λάθη, γιατί πολλοί θεωρούν ότι τα περισσότερα λάθη είναι λόγω ανεπάρκειας στο γιατρό, γνωρίζουμε όμως από εκτεταμένες μελέτες που έχουν κάνει και εμείς στο πανεπιστημίου μου ότι πάνω από το 80% των λαθών στις υγειονομικές υπηρεσίες είναι λόγω κακής οργάνωσης, όχι λόγω ιατρικής ανεπάρκειας. Επομένως μπορούμε να αντιμετωπίσουμε τα κακά οργανωτικά μοντέλα και να τα διορθώσουμε; Εδώ πάλι μπορεί η τεχνητή νοημοσύνη μπορεί να μας βοηθήσει. Υπάρχει διαφορετική ποιότητα φροντίδας. Όντως, μας είπε κι άλλος ομιλητής αναλυτικά ότι μπορείς να προβλέψεις το ρίσκο που αντιμετωπίζει ένας ασθενής, παίρνοντας υπόψη τα χαρακτηριστικά του ασθενούς. Μας είπε επίσης, και πολύ σωστά είναι όλα αυτά και πάρα πολύ πρωτοποριακά, τα Potter συστήματα. Μας είπε επίσης ότι η τεχνητή νοημοσύνη μπορεί να κάνει καλύτερη διάγνωση, είπε καλύτερη πρόβλεψη από ένα χειρουργό.

 Αυτά όμως πρέπει να συμπληρωθούν και με επιπλέον στοιχεία, και θα σας πω με τι στοιχεία πρέπει να συμπληρωθούν. Είμαστε ακόμα, κάνουμε δηλαδή ένα risk adjustment όπως ανέφερε, δηλαδή παίρνουμε υπόψην το ρίσκο του ασθενούς, το προσαρμόζουμε με βάση τα χαρακτηριστικά και άλλων ασθενών έτσι ώστε να μην ποινικοποιούμε έναν γιατρό αν έχει μεγαλύτερη θνητότητα σε κάποια κατηγορία ασθενών, με σύγκριση με άλλον γιατρό που έχει μικρότερη. Παράδειγμα έχετε δύο καρδιολογικές κλινικές, νοσηλεύουν τον ίδιο αριθμό ασθενών, 2000 ασθενείς η μία, 2000 ασθενείς η άλλη. Η μία έχει θνητότητα 3% και η άλλη έχει θνητότητα 5%. Ποια είναι η καλύτερη καρδιολογική, μπορείτε να μου πείτε; Αυτή με το 3% θνητότητα ή αυτή με το 5% θνητότητα; Δεν μπορείτε να μου πείτε. Τα σταθμίζουμε τα χαρακτηριστικά των ασθενών και βλέπουμε ότι η κλινική με 5% θνητότητα γίνεται ξαφνικά 2,5% θνητότητα, και η άλλη είναι στο 3%, παραμένει. Αυτή που έγινε από το 5%, 2,5% και τώρα είναι χαμηλότερο από το 3% είναι καλύτερη από το 3%; Για πείτε μου. Εγώ θα σας πω όχι πάλι, γιατί… Γιατί σταθμίσουμε μόνο τα χαρακτηριστικά των ασθενών, σταθμίσουμε τα χαρακτηριστικά της κλινικής; Αυτό σημαίνει δηλαδή αν η μία έχει 10 χειρούργους και 10 γιατρούς και η άλλη είχε πέντε και αυτοί που ήταν πέντε, είχαν πέσει κάτω από την πολλή δουλειά και δεν μπορούσαν να χειρουργήσουν άλλο;

 Αν ήταν μία καρδιοχειρουργική κλινική και είχε υποστήριξη καλή από μία τοπ καρδιολογική κλινική και η άλλη δεν έχει υποστήριξη από μία το καρδιολογική κλινική, που θα κάνουμε απόδοση της αιτιότητας; Στους καρδιοχειρουργούς ή στην έλλειψη καρδιολόγων; Τι λέτε; Αν η μία είχε υποστήριξη από ρομποτικά συστήματα και συστήματα τεχνητής νοημοσύνης και η άλλη δεν έχει υποστήριξη από τα συστήματα τεχνητής νοημοσύνης; Τι προσπαθώ να πω, εδώ μπορεί να μας βοηθήσει πάρα πολύ η τεχνητή νοημοσύνη αλλά δεν είναι μόνο τα χαρακτηριστικά των ασθενών, είναι και το ευρύτερο περιβάλλον του συστήματος υγείας. Δεν έχει υποστήριξη ο καρδιοχειρουργός μπορεί να αποτύχει για αυτό το λόγο. Από κει και πέρα, υπάρχει σαφής έλλειψη προγραμματισμού στο σύστημα υγείας, αυτό το έχουμε δει διαχρονικά στη χώρα μας και αυτό μπορεί να μας βοηθήσει με τα στοιχεία να προγραμματιστούμε καλύτερα. Οι ασθενείς προσαρμόζονται σε ένα σύστημα, ιδιαίτερα οι πολυ-ασθενείς που πηγαίνουν από τον ενδοκρινολόγο, στον καρδιολόγο, στο ρευματολόγο, στον ψυχίατρο. Στο τέλος μάλλον θα πάνε στον ψυχίατρο αφού θα έχουν μπερδευτεί πάρα πολύ. Και εδώ, θα πρέπει να βρούμε ένα τρόπο συνεργατικότητας. Δηλαδή, η χώρα μας είχε ένα πρόβλημα με τους πολλούς ειδικούς γιατρούς και λέγαμε δεν είχαμε οικογενειακούς γιατρούς. Αλλά έχει αλλάξει και το επιδημιολογικό πρότυπο. Τα συστήματα των οικογενειακών γιατρών βγήκαν στη δεκαετία του 60 όπου οι άνω των 65 ήταν το 5%. Τώρα ζούμε μέχρι τα 85, μέχρι το 90. Τα νοσήματα είναι πολλά και είναι σύνθετα. Μπορεί να το αντιμετωπίζουν μόνο τους οι προσωπικοί γιατροί στα ιατρεία όση τεχνητή νοημοσύνη και να έχουν; Ή μήπως χρειαζόμαστε συνεργατικότητα πολλών ιατρικών ειδικοτήτων σε πολυιατρεία με υποστήριξη εργαστηρίων οποιασδήποτε φύσης.

 Και από κει και πέρα βέβαια, κάνουμε ότι κάνουμε και πολλές οι ασθενείς αγνοούν τις συμβουλές μας, ξέρουμε ότι όσοι πάσχουν από άσθμα εγκαταλείπουν τη θεραπεία μέσα σε έξι μήνες γιατί αισθανόταν καλύτερα. Όσοι παίρνουν χάπια για την πίεση τους, την εγκαταλείπουν κατά 50% μέσα στο χρόνο και ούτω καθεξής. Εδώ χρειάζεται επομένως να παρακολουθούμε, και με τα συστήματα τεχνητής νοημοσύνης, πόσοι συνεχίζουν να παίρνουν τη φαρμακευτική τους αγωγή στις κατάλληλες δόσεις, πόσοι τις εγκαταλείπουν. Αυτόματα καταγράφονται αυτά και με σύστημα ενημέρωσης των ασθενών να τους επισημαίνουμε την αμέλεια τους αλλά και να συζητούμε μαζί του την αγωγή την οποία πρέπει να πάρουν. Άρα, χρειάζεται συνολικά ένα διαφορετικό υπόδειγμα υγείας που θα βασίζεται στην πρόληψη, στην αξιολόγηση των θεραπειών στον πραγματικό κόσμο όχι μόνο στις κλινικές δοκιμές, σε μία εξατομικευμένη προσέγγιση -και εκεί τα χαρακτηριστικά των ασθενών που θα αναλύει η τεχνητή νοημοσύνη βοηθούν τους γιατρούς-, να έχουμε ένα ασφαλές σύστημα υγείας που θα εντοπίζει τα λάθη τα οποία γίνονται, να υπάρχει υποστήριξη των αποφάσεων για να βελτιώνεται η ποιότητα γιατί σίγουρη η τεχνητή νοημοσύνη μπορεί να σου δώσει πληροφορίες πριν κάνεις τη συμβουλευτική συζήτηση με τον ασθενή. Οι γιατροί δυστυχώς δεν έχουμε πάρα πολύ χρόνο στα νοσοκομεία, να αφιερώσουν 10 με 15 λεπτά το πολύ ανά ασθενή. Επομένως το να έχεις έτοιμες πληροφορίες πριν δεις τον ασθενή τις οποίες μπορεί να τις έχει δει και ένας νοσηλευτές, ένας ειδικευόμενος είναι πάρα πολύ σημαντικό. Αν σου δώσει 15 καθαρά λεπτά, αντί να χάσεις 10 λεπτά να συλλέξει τις πληροφορίες.

 Και από εκεί και πέρα χρειαζόμαστε μία πιο ενεργή συμμετοχή του ασθενούς στη διαχείριση της ασθένειας του. Ξέρω ότι ίσως ένα ιατρικό σώμα να ακούγεται λίγο παράδοξο αυτό αλλά σκεφτείτε έναν ασθενή που έχει διαβήτη για αυξημένη πίεση και μία ρευματοπάθεια από τα 40 του και θα ζήσει με αυτά τα νοσήματα ,όχι 10 χρόνια, μπορεί να ζήσει άλλα 40 ή 45, δεν θα πρέπει να γίνουν και μέτοχοι οι ασθενείς στη διαδικασία λήψης των αποφάσεων και της παρακολούθησης της υγείας τους; Θα πρέπει. Προφανώς την ευθύνη θα την έχουν οι γιατροί και όχι οι ασθενείς. Τώρα, από κει και πέρα, τα πράγματα είναι ακόμα πιο σύνθετα. Αν δείτε αυτά τα στοιχεία από τον Καναδά, το 1% των ασθενών στην Πολιτεία του Οντάριο του Καναδά καταναλώνει το 33% του κόστους, του συνολικού κόστους. Αν πάτε στο 5%, αυτό προστίθεται ένα ποσοστό εδώ και πάμε στο 65% και, αν πάμε στο 10%, δηλαδή το 16% των ασθενών καταναλώνουνε στην Πολιτεία του Οντάριο το 77% του συνολικού κόστους των υπηρεσιών. Δεν είναι εντυπωσιακός στοιχείο; Δηλαδή το 16% των ασθενών καταναλώνουν το 77% του συνολικού κόστους. Και το υπόλοιπο τώρα 84%, καταναλώνει το 23%.

 Τώρα, για εδώ, δείχνει για ποιο λόγο πρέπει να έχουμε δημόσια χρηματοδότηση του συστήματος υγείας. Γιατί αν πάμε για μία ιδιωτική ασφάλιση, η ιδιωτική ασφαλιστική εταιρεία θα θέλει να καλυπτεί το 84%, δεν θα θέλει να καλύπτει το 16%. Η παροχή είναι άλλο θέμα. Μπορεί να υπάρχει μικτή παροχή υπηρεσιών, και δημόσια και ιδιωτική, αυτό είναι άλλο θέμα. Αλλά η χρηματοδότηση πρέπει να είναι πρώτα και κύρια δημόσια. Γιατί αν αποκλείσουμε τις ευπαθείς και τις ευάλωτες ομάδες, πάμε πίσω στην πανδημία, το 16% θα έχουνε προβλήματα.

Τώρα, τι κάνουμε ενώ τα ξέρουμε αυτά τα δεδομένα; Όχι στη χώρα μας, δεν τα έχουμε. Τα ξέρουμε σε πολλές χώρες του πλανήτη. Ψάχνουμε να βρούμε αυτό το 16%; Δεν πρέπει; Μπορεί να βοηθήσει η τεχνητή νοημοσύνη; Μπορεί. Αυτό το 16% ποιοι είναι σε τελική ανάλυση; Μήπως είναι άτομα τα οποία είναι στο τελευταίο χρόνο της ζωής τους και για αυτό κάνουνε τόσο μεγάλο κόστος; Όχι. Στον τελευταίο χρόνο της ζωή μας καταναλώνουμε 7 – 10% του συνολικού κόστους που προκαλούμε σε όλη τη διάρκεια της ζωής μας. Άρα, δεν είναι στο τελευταίο χρόνο της ζωής τους. Είναι στη διάρκεια της ζωής τους. Είναι πολύ-ασθενείς που από τα 40 αρχίζουν και έχουν αρκετά νοσήματα. Δεν πρέπει να το βρούμε; Δεν πρέπει να τους αναλύσουμε; Δεν πρέπει να δούμε που ζούνε; Δεν πρέπει να δούμε αν έχουν υποστήριξη; Δεν πρέπει να δούμε αν παίρνουν τα φάρμακά τους; Δεν πρέπει να δούμε αν πηγαίνουν συχνά στους γιατρούς; Θα πρέπει. Γιατί πολλοί από αυτούς είναι πολύ-ασθενείς υψηλού κόστους για δεκαετίες. Πρέπει να τους το κάνουμε αυτό για να τους αποκλείσουμε από το σύστημα υγείας; Όχι, το αντίθετο, για να τους εντάξουμε καλύτερα στο σύστημα υγείας χρησιμοποιούμε την τεχνητή νοημοσύνη. Γιατί αν κάποιος αμελήσεις να πάρει τη θεραπεία του, θα γίνει μετά πολύ πιο ακριβός ασθενής, θα εξελιχθεί η νόσος και θα είναι πολύ πιο δύσκολο να το αντιμετωπίσουμε. Εκεί θα μπορούσε να βοηθήσει πάρα πολύ.

 Επομένως αν δούμε τι θα μπορούσαμε να κάνουμε, μπορεί να μας βοηθήσει η τεχνητή νοημοσύνη στο να κάνουμε πρόγνωση. Και ένα παράδειγμα εδώ θα μπορούσαμε να ήταν να χρησιμοποιήσουμε έξυπνες συσκευές για την πρόληψη των πτώσεων ηλικιωμένων. Η πτώση των ηλικιωμένων είναι ένα τεράστιο πρόβλημα στη χώρα μας. Και τα κατάγματα τα οποία μπορεί να γίνουν είναι σημαντικά, δηλαδή κεφαλής, του ισχίου και ούτω καθεξής, τα οποία κοστίζουν πάρα πολύ στο σύστημα υγείας. Παρακολοήθησης, να κάνουμε διαχείριση του άγχους και της κατάθλιψης μέσω εφαρμογών της τεχνητής νοημοσύνης, οι οποίες παρακολουθούν τη διάθεση και τη συναισθηματική κατάσταση. Αυτό μπορούμε να το δούμε και από τα κινητά, τη βλέπει κανείς στα κινητά, ιδιαίτερα σε δύσκολες περιπτώσεις της ψυχικής υγείας. Θα μπορούσε να δούμε σε επίπεδο επέμβασης; Ναι, για τη νόσο του Αλτσχάιμερ. Αν μπορούσαμε να παρακολουθούμε, πάλι μέσων των κινητών, μία ανάλυση, το πώς μιλάει κανείς, θα δει λεκτικές δυσλειτουργίες ή ακόμα τις κινήσεις που κάνει κανείς, θα μπορούσε να προβλέψει αν έχεις πρώιμο Αλτσχάιμερ.

 Θα σας δώσω ένα παράδειγμα, όσοι έχετε ζήσει στην Αγγλία, θα θυμάστε ίσως τον Jeremy Paxman, ήταν κεντρικός παρουσιαστής του δελτίου ειδήσεων στο BBC, ο οποίος διαγνώστηκε με Πάρκινσον από ένα πολύ ευφυή γιατρό που τον έβλεπες στην τηλεόραση και έβλεπε τις κινήσεις του προσώπου και τις κινήσεις του σώματος. Αυτό φανταστείτε να το κάνουμε σε μαζική κλίμακα, δηλαδή να μπορούμε να παρακολουθούμε κινήσεις προσώπου και κινήσεις σώματος, πόσες επεμβάσεις θα μπορούσαμε να κάνουμε σε πολύ πιο πρώιμο στάδιο. Αλλά έχουμε προβλήματα. Υπάρχουν περιορισμοί δεδομένων. Η τεχνητή νοημοσύνη είναι όσο καλή όσο τα δεδομένα που έχουμε. Γιατί αν βάλεις σκουπίδια μέσα στο σύστημα, θα βγάλει σκουπίδια το σύστημα. Δεν πρέπει να θεωρούμε δηλαδή ότι επειδή είναι έξυπνο αυτό το σύστημα, κατά ανάγκη θα είναι πάρα πολύ ικανό. Βασίζεται στο τι παίρνει.

 Πάμε πίσω λίγο τώρα σε αυτούς τους πολύ-ασθενείς. Τι στοιχεία θα συνθέσει η τεχνητή νοημοσύνη όταν κάποιος έχει έξι ασθένειες ταυτόχρονα; Η τεχνητή νοημοσύνη ποια στοιχεία θα πάρει; Θα πάρει τα δεδομένα από τις κατευθυντήριες οδηγίες. Δηλαδή η καρδιολογική εταιρεία θα βγάλει κατευθυντήριες οδηγίες για τη στηθάγχη, η ρευματολογική εταιρεία για κάποια μορφή ρευματοπάθειας, η ψυχιατρική εταιρεία για κάποια ψυχική νόσο, η πνευμονολογική εταιρεία για κάποια πνευμονοπάθεια, σωστά; Θα μπορέσει τώρα η τεχνητή νοημοσύνη να τα συνθέσει όλες αυτές τις κατευθυντήριες οδηγίες όταν αυτοί οι νόσοι συνυπάρχουν στον ίδιο ασθενή; Αν έχει μόνο ένα νόσημα, είμαστε εντάξει. Αν έχει πέντε;

 Εκεί χρειάζεται η ιατρική γνώση και εμπειρία. Για αυτό πολύ σωστά είπαν όλοι οι ομιλητές δεν μπορεί να υποκαταστήσει η τεχνητή νοημοσύνη την εμπειρία ενός γιατρού. Τώρα θα μου πείτε μήπως βοηθήσει τους αγροτικούς γιατρούς, βλέπω και νέους γιατρούς εδώ που θα γίνουν σύντομα αγροτικοί ή τους ειδικευόμενους που θα κάνουν ιδιωτικό επάγγελμα, τους αγροτικούς γιατρούς που τώρα βαφτίζονται προσωπικοί γιατροί, τι λέτε; Λέτε να τους βοηθήσει; Καλή τύχη στα νέα παιδιά που τους βαφτίζουν προσωπικούς γιατρούς τώρα ή τους αφήνουν να κάνουν ιδιωτικό επάγγελμα, δεν ξέρω, αλλά αυτά είναι λίγο παγκοσμίες προτεραιότητες της Ελλάδος, δεν της λέω με θετικό τρόπο όπως καταλαβαίνετε.

 Υπάρχουν επομένως περιορισμοί των δεδομένων και η χώρα μας μπορεί να κάνει πάρα πολλά εδώ, έχουμε ένα στρατηγικό πλεονέκτημα με το ένα Ασφαλιστικό Ταμείο και όχι τα τέσσερα του Ισραήλ, και θα επανέλθω σε αυτό. Υπάρχουν παράλληλα αντιστάσεις, υπάρχουν οι φοβίες ότι οι μηχανές θα μας υποκαταστήσουν. Οι μηχανές δεν πρόκειται να μας υποκαταστήσουν. Αν τροφοδοτηθούν με τα σωστά δεδομένα και αξιοποιηθούν σωστά, γιατί έχει σημασία τι ρωτάς κιόλας την τεχνητή νοημοσύνη, αν κάνεις το λάθος ερώτημα, θα πάρεις λάθος απάντηση. Άρα, χρειάζεται εκπαίδευση του Ιατρικού δυναμικού αλλά όπως είπαν και οι προηγούμενοι ομηλητές, υπάρχουν και δυσκολίες προσαρμογής στα υπάρχοντα συστήματα, που εν πολλοίς δεν είναι τα ιδανικά συστήματα τα οποία θα πρέπει να έχουμε στο σύστημα υγείας. Τελειώνουμε με αυτά; Όχι.

 Υπάρχουν ευρύτερες εφαρμογές. Δεν ξέρω αν αναγνωρίζεται αυτήν την πόλη. Την αναγνωρίζεται; Είναι μία… έχω πάρει ένα μικρό κομμάτι αυτής της πόλης, το 90% της πόλης αυτής είναι το κάτω μέρος, δεν είναι το πάνω μέρος. Το πάνω μέρος θα μπορούσε να ήτανε η Θεσσαλονίκη, θα μπορούσε να ήταν μία πόλη της Δυτικής Ευρώπης. Το κάτω μέρος όμως είναι φαβέλες, και είναι το 90% της πόλης. Και είναι η Mumbai στην Ινδία. Πάνω από 20 εκατομμύρια την επόμενο εικοσαετία θα γίνει 40 εκατομμύρια. Και κυρίως θα μοιάζει με το κάτω μέρος. Το κάτω μέρος είναι φαβέλες, μπορεί να ζούνε και 10-15 άτομα σε κάθε φαβέλα. Συνυπάρχουν με ζώα επίσης, πόσα ζώα δε ξέρει κάνεις πόσα είναι. Καταλαβαίνετε τις εκρηκτικές συνθήκες που δημιουργούνται, με τα τεράστια μεταναστευτικά κύματα που θα υπάρχουν σε χώρες όπως η Ινδία την περιφέρεια προς τις μεγάλες πόλεις και λόγω της κλιματικής κρίσης αλλά λόγω και οικονομικής ανόδου. Στο Πακιστάν την Ινδονησία το Μπαγκλαντές μιλάμε για χώρες με πάνω από 250 εκατομμύρια τώρα. Η Ινδία είναι 1,4 σε λίγα χρόνια θα είναι 1,6. Η Νιγηρία, η οποία σε 20 χρόνια θα’χει μεγαλύτερό πληθυσμός από τις Ηνωμένες Πολιτείες, η Αιθιοπία… Εκρηκτικές συνθήκες. Εδώ, στοιχεία τα οποία θα παίρνουμε από τεχνητή νοημοσύνη, μέσω των κινητών τηλεφώνων να αντιδράσουν και συμπεριφορικών, συμπεριφοράς του πληθυσμού μπορεί να μας  βοηθήσουν να αρχίσουμε να βλέπουμε που θα είναι η επόμενη πανδημία. Αν μπορούσαμε να επενδύσουμε επίσης και εσείς σε συστήματα παρακολούθησης ολόκληρων οικογενειών και των γενετικών μεταλλάξεων τους σε παγκόσμιο επίπεδο, θα μασταν ακόμα καλύτερα. Επενδύουμε; Όχι.

 Ενώ έχουμε 30 κέντρα του Παγκόσμιου Οργανισμού Υγείας σε διάφορες περιοχές του πλανήτη για να παρακολουθούμε τις μεταλλάξεις του ιού της γρίπης, για αυτό και κάθε χρόνο κάνουμε διαφορετικό εμβόλιο, γιατί μεταλλάσσεται ο ιός, δεν κάνουμε κάτι αντίστοιχο για να παρακολουθούμε τη γενετική εξέλιξη όλων των ιών που γνωρίζουμε, να βρίσκουμε και νέους ιούς. Πόσο θα στοίχιζε; 30 δισεκατομμύρια δολάρια το χρόνο. Πόσα χάσαμε από την Πανδημία; 30 τρισεκατομμύρια δολάρια. Καταλαβαίνετε δηλαδή ότι μιλάμε για αστεία ποσά σε σχέση με το τι θα χάσουμε αν ξαναγίνει μία Πανδημία, δε μάθαμε τα μαθήματα.

 Να κάνω ένα κουίζ, και φτάνω προς το τέλος της παρουσίασης μου, αναγνωρίζεται αυτές τις δύο χώρες; Τη χώρα έτσι όπως βλέπετε αριστερά και τη χώρα έτσι όπως τη βλέπετε δεξιά; Τη χώρα αριστερά φαντάζομαι θα την αναγνωρίσετε όλοι. Είναι η χώρα με τη μεγαλύτερη συγκέντρωση δισεκατομμυριούχων στον πλανήτη και με το υψηλότερο προσδόκιμο ζωής. Δεν είναι αντιφατικό αυτό, οι πλούσιοι άνθρωποι έχουν σίγουρα καλύτερη υγεία, έχουν μεγαλύτερες πληροφορίες για την υγεία τους, ξέρουν τι να κάνουν από πρόληψη και, αν τους τύχει κάτι, πάνε στα καλύτερα νοσοκομεία και στους καλύτερους γιατρούς. Αριστερά είναι το Μονακό, δεξιά είναι η δημοκρατία της Κεντρικής Αφρικής. Ξέρετε ποια είναι η διαφορά στο προσδόκιμο ζωής μεταξύ των δύο χωρών; Πόσα χρόνια παραπάνω ζουν στο Μονακό από τη δημοκρατία της Κεντρικής Αφρικής; 34 χρόνια. Αυτή είναι η διαφορά, μιας και μιλάμε για τη μετά θάνατον ζωή μέσω της τεχνητής νοημοσύνης.

Εγώ είμαι λίγο πιο προσγειωμένος τώρα εδώ πέρα και πάω στη ζωή που έχουμε τώρα και πόσο μπορούμε να την επεκτείνουμε. Θα μου πείτε κύριε Μόσιαλε, τώρα μας δουλεύετε; Τώρα συγκρίνετε το Μονακό με τη δημοκρατία της Κεντρικής Αφρικής; Όχι δεν σας δουλεύω γιατί πάω τώρα πάω στην πόλη που ζω στο Λονδίνο και εδώ βλέπετε τους σταθμούς του μετρό του Λονδίνου, είναι λίγο μεγαλύτερο από το δικό σας εδώ, ελπίζω να φτάσετε στα δεδομένα του Λονδίνου σε μερικά χρόνια, αλλά στους σταθμούς του Λονδίνου όπως βλέπετε εδώ πέρα υπάρχει το προσδόκιμο ζωής σε κάθε σταθμό. Έτσι, θα δείτε στο κεντρικό Λονδίνο που είναι οι πλούσιοι κάτοικοι, είναι 90-91 χρόνια, πάνω και από το Μονακό που είναι 89. Όσο πάτε λίγο πιο έξω στις πιο λαϊκές περιοχές, πάμε στα 79 χρόνια. Δηλαδή, μέσα στην ίδια πόλη έχουμε διαφορά 12 χρόνια. Τώρα, στο δήμο του Λονδίνου που ζω εγώ μεταξύ της πιο πλούσιας γειτονιάς και της φτωχότερης γειτονιάς, ο δήμος του Λονδίνου που ζω εγώ είναι ένας από αυτούς τους κεντρικούς, που ζούμε πολλοί. Ας χτυπήσω ξύλο, να φτάσω και εγώ τα 90 κάποια στιγμή. Αλλά, σε αυτό τον Δήμο όμως, το προσδόκιμο ζωής είναι κατά μέσο όρο 90, η διαφορά μεταξύ της πλουσιότερης περιοχής του ίδιου δήμου και της φτωχότερης είναι 12 χρόνια, μέσα στην πλούσια περιοχή του Λονδίνου. Τώρα γιατί τα θέλουμε αυτά τα δεδομένα; Γιατί αν τα έχεις αυτά τα δεδομένα και τα έχεις σε επίπεδο Θεσσαλονίκης, τα έχεις σε επίπεδο χώρας μπορείς να ξέρεις σε ποιες περιοχές γιατί πεθαίνουν νωρίτερα, γιατί έχουν πολλά, πολύ περισσότερα προβλήματα υγείας. Προφανώς δεν έχουν την ίδια πρόσβαση που έχουν αυτοί που πεθαίνουν πολύ αργότερα. Προφανώς δεν παίρνουν τα φάρμακά τους. Προφανώς δεν συμπεριφέρεται όπως πρέπει. Εκεί μπορεί να βοηθήσει η τεχνητή νοημοσύνη, δεν έχει σχέση με το σύστημα υγείας εδώ, είναι πληροφορίες κοινωνικής διαστρωμάτωσης. Η υγεία έχει κοινωνική διαστρωμάτωση. Οι φτωχότεροι πεθαίνουν νεώτερα, οι φτωχότεροι αρρωσταίνουν νωρίτερα, οι φτωχότεροι, αρρωσταίνουν περισσότερο. Άρα, αυτά πρέπει να τα ξέρουμε. Και τι πρέπει να κάνουμε επομένως, και κλείνω;

Θα πρέπει, μπορούμε να κάνουμε μία στρωματοποίηση του πληθυσμού μέσω ατομικών δεδομένων που θα τα επεξεργάζεται η τεχνητή νοημοσύνη και να κατατάσσουμε τον πληθυσμό σε τέσσερις ομάδες: ασθενείς χαμηλού ρίσκου ή υγιής. Εκεί κάνεις προγράμματα ενημέρωσης, κυρίως τα σχολεία και στα παιδιά,  ασθενείς με ήπιο ρίσκο που υπάρχει και αρχίζει με προσυμπτωματικό έλεγχο, ασθενείς με υψηλό ρίσκο, που σημαίνει πίεση, αυξημένη χοληστερίνη, ελέγχεις επομένως τους παράγοντες ρίσκου με ιατρική παρέμβαση, έναρξη συμπτωμάτων όπου μπαίνουμε πλέον στην Ιατρική διαχείριση και ενεργός νόσο όπου κάνεις άλλα πράγματα στην ενεργό νόσο. Δεν θα επιμείνω τι μπορείς να κάνεις για κάθε κατηγορία. Έχουμε τέτοια στοιχεία;  Δε θα έπρεπε να γνωρίζουμε πόσοι ανήκουν στους ασθενείς χαμηλού; Θα μου πείτε είναι διαστημικής φαντασίας, δεν είναι. Εδώ δείτε τους Γερμανούς, τα έχουν κάνει ήδη από το 2010, τα ασφαλιστικά σημεία της Γερμανίας ξέρουν ότι το 35% των ασφαλισμένων είναι χωρίς ρίσκο, είναι μεγαλύτερο το ποσοστό αυτών χωρίς ρίσκο αλλά οι κάτω των 40 δεν χρησιμοποιούν υπηρεσίες. Εδώ πιάνουν μόνο αυτούς που χρησιμοποιούν γιατί είναι από τις ασφαλιστικές συναλλαγές. Εσείς που είστε νέοι ας πούμε δεν πάτε να χρησιμοποιήσετε υπηρεσίες υγείας. Θα είστε όλοι χαμηλού ρίσκου επειδή δεν τις χρησιμοποιείτε.

 Αυτή είναι από αυτούς που… αυτά τα δεδομένα είναι σε αυτούς που χρησιμοποιούν τις υπηρεσίες. Από αυτούς που χρησιμοποιούν τις υπηρεσίες, το 35% είναι χωρίς ρίσκο γιατί έχουν χρησιμοποιήσει τις υπηρεσίες πολύ λίγο και για ασήμαντους λόγους. Το 40% είναι με ρίσκο, το 20% είναι μεσαίου ρίσκου και το 5% είναι πολύ υψηλού ρίσκου. Δεν θα έπρεπε να τα ξέρουμε αυτά έτσι ώστε να ενημερώνουμε τους προσωπικούς γιατρούς, να ενημερώνουν τους καρδιολόγους, να ενημερώνουν τους πάντες για το ποιοι ασθενείς τους είναι πιο πιθανό να πάθουν κάτι τον επόμενο χρόνο; Δεν είναι το ίδιο όλοι. Άρα, η επικέντρωση μπορεί να μας σώσει πολλές ζωές, δεν είναι οικονομικό το θέμα, σώνει ζωές. Άρα πρωταρχικό πράγμα πρέπει να κάνει εκεί η Ελληνική πολιτεία είναι ένα εθνικό σχέδιο για τα δεδομένα, για να μπορούμε να κάνουμε αυτές τις κατηγοριοποιήσεις, να μπορούμε να χρησιμοποιούμε σωστά την τεχνητή νοημοσύνη, για να μπορούμε να ζήσουμε περισσότερο»