Η αγορά φαρμάκων έχει αυξηθεί σημαντικά τα τελευταία χρόνια και αναμένεται να σημειωθεί περαιτέρω άνοδος αφού σύμφωνα με την παγκόσμια έκθεση για το 2024 η φαρμακευτική αγορά εκτιμάται ότι θα προσεγγίσει τα 9,24 δισ. δολάρια το 2028 με σύνθετο ετήσιο ρυθμό ανάπτυξης 7,9%.
Η ευρεία και συχνά αλόγιστη κατανάλωση των φαρμακευτικών ουσιών οδηγεί σε αύξηση της παρουσίας τους, μέσω των λυμάτων, στα υπόγεια (πηγάδια, πηγές) και επιφανειακά (λίμνες, ποτάμια) ύδατα, καθώς ανιχνεύονται σε ανησυχητικές ποσότητες απειλώντας την ισορροπία και τη βιοποικιλότητα του περιβάλλοντος.
Περισσότερα από 350.000 χημικά προϊόντα έχουν καταχωρηθεί και χρησιμοποιούνται παγκοσμίως από το 2010 έως το 2019.
Ανάμεσα στις ουσίες που μπορεί να αποδειχθούν επιβλαβείς για τους υδάτινους βιότοπους εντοπίζονται και αρκετές που μπορεί να είναι επιζήμιες για την ανθρώπινη υγεία, επιδρώντας ακόμα και στο ενδοκρινικό σύστημα.
Για να εκτιμηθούν οι επιπτώσεις και οι πιθανοί κίνδυνοι αυτών των ανεπιθύμητων χημικών ουσιών, που ονομάζονται μικρορυπαντές (ΜΡ), η συχνή και ακριβής παρακολούθηση των λυμάτων αποτελεί κρίσιμη προϋπόθεση. Ωστόσο, η περιοδική παρακολούθησή τους είναι απαιτητική και δαπανηρή διαδικασία.
Σε μία προσπάθεια να βρεθεί λύση για τη φαρμακευτική ρύπανση, λοιπόν, ομάδα ερευνητών από το Ινστιτούτο Επιστημών και Τεχνολογίας της Κορέας (KIST) αξιοποίησε την τεχνητή νοημοσύνη αναπτύσσοντας τεχνολογία για να ταξινομήσει τις ουσίες που εντοπίζονται σύμφωνα με τις φυσικοχημικές ιδιότητές τους και να προβλέψει τις συγκεντρώσεις τους.
«Αντί να παρακολουθούνται μεμονωμένα τα MP, η παρακολούθηση μιας ομάδας αυτών είναι πιο αποτελεσματική, διότι μπορεί να μειώσει τον αριθμό των δειγμάτων, παρέχοντας τις αντιπροσωπευτικές τιμές της ομάδας», αναφέρει η μελέτη, η οποία εξέτασε την πορεία των μικρορυπαντών σε πέντε διαφορετικές εγκαταστάσεις επεξεργασίας λυμάτων εξοπλισμένες με επτά συστήματα βιολογικής επεξεργασίας από το 2020 έως το 2022 στη Νότια Κορέα.
Οι ερευνητές χρησιμοποιήσαν -με τη βοήθεια της τεχνητής νοημοσύνης- αυτο-οργανούμενους χάρτες (SOM) για να κατηγοριοποιήσουν τα δεδομένα βάσει των ομοιοτήτων τους και να ταξινομήσουν 29 γνωστά στοιχεία, εκ των οποίων και η καφεΐνη, η οποία είναι ευρέως διαδεδομένη σε τρόφιμα, ποτά και φαρμακευτικά προϊόντα, ως δείκτη για την αξιολόγηση του βαθμού μόλυνσης των υδάτινων οικοσυστημάτων από ανεπεξέργαστα λύματα.
Επισημαίνεται πως πέρα από την καφεΐνη, η μετφορμίνη, η παρακεταμόλη, η ναπροξένη και η ιβουπροφαίνη είχαν τις υψηλότερες συγκεντρώσεις εισροής σε όλες τις εγκαταστάσεις. Πάνω από το 90% των ουσιών αυτών απομακρύνθηκαν με διεργασίες βιολογικής επεξεργασίας σε όλες τις εγκαταστάσεις.
Στη συνέχεια, βάσει μοντέλου δέντρων αποφάσεων προσαρμόστηκε τεχνική που προβλέπει τις ιδιότητες και τις μεταβολές στη συγκέντρωση των νέων στοιχείων.
Σύμφωνα με το σύστημα ομαδοποίησης η ακρίβεια πρόβλεψης σε 13 ουσίες άγγιξε το 0,75% που υπερβαίνει κατά πολύ το 0,40%, το οποίο προκύπτει από τις υπάρχουσες τεχνικές.
Το μοντέλο έκανε ακριβείς προβλέψεις, ακόμη και για ουσίες που παρουσιάζουν συμπεριφορά διαφορετική, όπως η οιστριόλη και η ατραζίνη. Κατά συνέπεια, η στρατηγική βελτιστοποίησης που προτάθηκε κρίθηκε αποτελεσματική, επειδή οι συνολικές αποδόσεις απομάκρυνσης των ρυπαντών προβλέφθηκαν με επιτυχία ακόμη και με περιορισμένα σύνολα δεδομένων αναφοράς.
Το σύστημα θα μπορούσε να χρησιμοποιηθεί στο μέλλον για την πρόβλεψη παρουσίας φαρμακευτικών ουσιών στα λύματα με ολοένα μεγαλύτερη ακρίβεια ενώ θα συγκεντρώνονται τα απαραίτητα δεδομένα.
Photo: Pixabay
Διαβάστε ακόμη
ΣΕΒ: Οι 7+1 κρίσιμες προκλήσεις για τις ελληνικές επιχειρήσεις
Ιδιωτικό χρέος: Πόσα χρωστούν οι Έλληνες σε τράπεζες και Δημόσιο – «Σανίδα σωτηρίας» ο εξωδικαστικός
Σπάνια ρολόγια διασημοτήτων που έπιασαν τιμές-ρεκόρ σε δημοπρασίες
Για όλες τις υπόλοιπες ειδήσεις της επικαιρότητας μπορείτε να επισκεφτείτε το Πρώτο ΘΕΜΑ