Όπως ανέφερε ο ερευνητής που εκπόνησε τη συγκεκριμένη μελέτη, Δημήτρης Σπαθής, το μοντέλο πρόβλεψης βασίστηκε σε δείγμα 132 ασθενών με παθήσεις του αναπνευστικού και διενεργήθηκε μέσα στο χρονικό διάστημα 2014-2015. Η κάθε εγγραφή ασθενή περιέγραψε 22 διαφορετικές τιμές που αφορούσαν το δημογραφικό του προφίλ, ιατρικές και ειδικές πνευμονολογικές μετρήσεις, συνήθειες και σχετικά συμπτώματα και, τέλος, τις εξαρτημένες μεταβλητές, δηλ. αν υπέφερε από άσθμα ή ΧΑΠ.
Οι πνευμονολογικές μετρήσεις προήλθαν από σπιρομέτρηση, ενώ οι μετρήσεις γενικής ιατρικής (όπως η οξυμετρία και ο παλμός), από οξύμετρο. Τα υπόλοιπα συμπτώματα καταγράφηκαν από απαντήσεις του ασθενή σε ερωτήσεις του ιατρού. Διενεργηθήκαν δύο διαφορετικά πειράματα για την κάθε πάθηση (άσθμα, ΧΑΠ) κι επιλέχθηκε ένας διαφορετικός αλγόριθμος αντίστοιχα για κάθε μια. Με βάση λοιπόν, αυτά τα μοντέλα μπορεί να προβλεφθεί με ακρίβεια 97% η ΧΑΠ και 80% το άσθμα.
Ο διευθυντής του Εργαστηρίου Βιοπληροφορικής & Ανθρώπινης Ηλεκτροφυσιολογίας, καθηγητής κ. Παναγιώτης Βλάμος επεσήμανε ότι το εργαλείο που αναπτύχθηκε εκμεταλλεύεται τη γνώση που προκύπτει από συνδυασμό δέντρων απόφασης (”Random Forests”), δηλ. δομές σε μορφή δένδρου που αντιπροσωπεύουν τα σύνολα αποφάσεων βάσει των οποίων παράγονται σύνθετοι κανόνες για την ταξινόμηση ενός συνόλου δεδομένων.
Στη συγκεκριμένη περίπτωση κατηγοριοποιήθηκαν οι απαντήσεις σχετικά με το αν κάποιος ασθενής έχει την πάθηση ή όχι, αλλά και με τον αριθμό των ασθενών με τα ίδια συμπτώματα που την εμφάνισαν. Με βάση την εφαρμογή ο ιατρός μπορεί να επιλέγει την πάθηση του αναπνευστικού για την οποία έχει ενδείξεις ότι πάσχει ένας ασθενής, να εισαγάγει τα στοιχεία του από μετρήσεις, δημογραφικά δεδομένα και συμπτώματα και να λαμβάνει ακριβή διάγνωση επιβεβαιώνοντας ή όχι αν τελικά ο ενδιαφερόμενος πάσχει από τη συγκεκριμένη νόσο.
Το μοντέλο με την ονομασία «Respre» από το συνδυασμό των λέξεων αναπνευστικό (respiratory) και πρόβλεψη (prediction) μπορεί να ενσωματωθεί σε κινητά με πρόσβαση στο internet και να βοηθήσει τους ασθενείς και τους γιατρούς ως ένα ακόμα υποστηρικτικό κλινικό «εργαλείο».
Αναπτύχθηκε από τους ερευνητές του Εργαστηρίου Βιοπληροφορικής και Ανθρώπινης Ηλεκτροφυσιολογίας (BiHeLab) του Τμήματος Πληροφορικής του Ιονίου Πανεπιστημίου, και στηρίζεται σε νέες μεθόδους από το ταχύτατα αναπτυσσόμενο πεδίο της μηχανικής μάθησης, της τεχνητής νοημοσύνης και της επιστήμης δεδομένων, οι οποίες μπορούν να εντοπίσουν τους σημαντικότερους παράγοντες που συνεισφέρουν στη διάγνωση διαφόρων παθήσεων.
Πρόκειται για μια μηχανική μάθηση, που έρχεται να βοηθήσει στα σημεία όπου ο παραδοσιακός προγραμματισμός συναντά εμπόδια, χρησιμοποιείται ως μέθοδος για την επινόηση πολύπλοκων μοντέλων και αλγορίθμων που μπορούν να μαθαίνουν από τα δεδομένα και να κάνουν προβλέψεις για νέα δεδομένα που δεν έχουν αντιμετωπίσει. Τα αναλυτικά μοντέλα επιτρέπουν στους ερευνητές να παράγουν αξιόπιστες αποφάσεις και αποτελέσματα και να αναδεικνύουν συσχετισμούς μέσω της μάθησης από ιστορικές σχέσεις και τάσεις στα δεδομένα.