AI w opiece zdrowotnej. Jak zmienia diagnostykę, leczenie i odkrywanie leków?

Przeczytaj także: Opieka zdrowotna, czyli profilaktyka i nowe technologie

AI już teraz zmienia medycynę. Badania pokazują np., że wykorzystanie sztucznej inteligencji w mammografii pozwala zwiększyć skuteczność wykrywania raka piersi u kobiet o niemal 20%. Technologia ta może też znacząco skrócić czas i koszty odkrywania nowych leków – teraz tradycyjne stworzenie jednego preparatu zajmuje 10-15 lat i kosztuje miliardy dolarów. Ale czy jesteśmy gotowi zaufać AI na tyle, by powierzyć jej nasze zdrowie?

Cztery sposoby, w jakie AI już zmienia zasady gry

Sztuczna inteligencja nie leczy chorób niczym magiczna różdżka. Jest za to potężnym narzędziem, które uzupełnia tradycyjną medycynę – i w kilku obszarach już teraz wykazuje niezwykły potencjał.

1. Diagnostyka i obrazowanie medyczne

Sztuczna inteligencja staje się niezastąpionym partnerem diagnostycznym dla lekarzy. Grupa europejskich naukowców niedawno zaprezentowała Delphi-2M – model AI zdolny do przewidywania długoterminowego ryzyka rozwoju ponad tysiąca chorób na podstawie zanonimizowanych danych pacjentów. Nie zastępuje on specjalisty, lecz szacuje prawdopodobieństwo wystąpienia określonych schorzeń z wyprzedzeniem lat, a nawet dziesięcioleci.

AI rewolucjonizuje również sposób, w jaki radiolodzy wykrywają choroby. Modele głębokiego uczenia analizują obecnie zdjęcia rentgenowskie, obrazy z tomografii komputerowej czy rezonansu magnetycznego z dokładnością często przekraczającą 90%. Niedawne niemieckie badanie wykazało ponadto, że wykorzystanie sztucznej inteligencji w mammografii zwiększyło wykrywalność raka piersi u kobiet o 17,6%.

AI wykazuje niesamowitą czułość w obrazowaniu medycznym, ponieważ jest trenowana na wysoce specyficznych zbiorach danych – mówi Damyr Hadiiev, Senior Science Practice Leader w zespole badawczo-rozwojowym firmy IT SoftServe. – Mimo to modele mogą generować fałszywe predykcje. Dlatego każda decyzja musi być weryfikowana przez lekarzy. Celem nie jest zastąpienie radiologów, ale zapewnienie im drugiej, opartej na danych perspektywy – dodaje.

2. Rewolucja w odkrywaniu leków

Tradycyjnie stworzenie leku zajmuje 10-15 lat i kosztuje miliardy dolarów. Wykorzystanie sztucznej inteligencji może obniżyć koszty i skrócić czas tego procesu.

Generatywna AI daje nam możliwość symulacji tego, co może zadziałać, zanim spędzimy lata w laboratorium. Łączy ona generowanie nowych związków z wirtualnym screeningiem. Może to znacznie skrócić wczesne etapy badań nad lekami i pomóc w określeniu ich potencjału w badaniach klinicznych – wyjaśnia Maksym Druchok, Cluster Lead w zespole badawczo-rozwojowym SoftServe, który stworzył Gen AI Drug Discovery Solution – platformę wykorzystującą generatywną sztuczną inteligencję i technologie NVIDIA do łączenia generowania nowych cząsteczek z wirtualnym screeningiem.

To hybrydowe podejście przyspiesza wczesną fazę odkrywania i identyfikuje najbardziej obiecujące związki do dalszych badań.

Wciąż czekamy na lek w pełni odkryty przez AI, który trafi na półki aptek. Firmy takie jak Exscientia i BenevolentAI wprowadziły już kilku kandydatów do badań klinicznych, choć wyniki były różne.

Amerykańska firma Recursion prowadzi tymczasem miliony eksperymentów na poziomie komórkowym tygodniowo, wykorzystując sztuczną inteligencję do mapowania relacji biologicznych i identyfikowania „słabych punktów” chorób. Jej lek REC-4881 – przeznaczony do leczenia rodzinnej polipowatości gruczolakowatej – jest obecnie w fazie badań, w ramach których zredukował polipy jelitowe o 43%.

3. Dostosowywanie leczenia do indywidualnych potrzeb

Ciało każdego pacjenta inaczej reaguje na leki ze względu na różnice genetyczne, metaboliczne i związane ze stylem życia. Sztuczna inteligencja pomaga również w dekodowaniu tych różnic, porównując dane genomiczne i kliniczne z ogromnymi zbiorami danych podobnych przypadków.

W onkologii systemy AI wspierają już spersonalizowaną immunoterapię, projektując leczenie specyficzne dla profilu guza danego pacjenta. W nefrologii algorytmy dostosowują parametry dializy i plany leczenia farmakologicznego w oparciu o indywidualną fizjologię. Endokrynologia wykorzystuje z kolei predykcyjną sztuczną inteligencję do monitorowania wahań poziomu glukozy i precyzyjnego dostrajania reakcji pompy insulinowej – wymienia Maksym Druchok z SoftServe.

4. Zmniejszenie obciążenia administracyjnego

AI zmienia też codzienne procedury kliniczne. Lekarze spędzają obecnie do 40% swojego czasu pracy na wypełnianiu dokumentacji administracyjnej. Inteligentni asystenci mogą automatyzować tego rodzaju zadania – od generowania notatek medycznych po organizowanie danych z badań i przygotowywanie wypisów ze szpitala.

Przykładem jest CS Connect, platforma firmy Cedars-Sinai, która wykorzystuje sztuczną inteligencję do wstępnej selekcji pacjentów, zbierania informacji o objawach i przygotowywania planów wizyt przed wizytami. Z usługi skorzystało już ponad 40 000 osób. Zainteresowanie tego rodzaju rozwiązaniami jest ogromne.

Obok obrazowania medycznego, ten obszar jest obecnie jednym z najbardziej poszukiwanych przez naszych klientów – mówi Damyr Hadiiev z SoftServe.

Luka zaufania. Czy istnieją rozwiązania?

Zaufanie pacjentów nie nadąża jednak za postępem technologicznym. Badanie Future Health Index wykazało, że 79% pracowników służby zdrowia ma pozytywne zdanie na temat roli AI w medycynie, ale zgadza się z tym tylko 59% pacjentów. Większość z nich akceptuje wykorzystywanie sztucznej inteligencji do wykonywania funkcji administracyjnych, ale gdy chodzi o diagnozę lub leczenie, to sceptycyzm rośnie.

Dylemat „czarnej skrzynki”

Systemy AI są często krytykowane za brak przejrzystości. Nawet programiści czasami nie potrafią wyjaśnić, w jaki sposób modele dochodzą do pewnych wniosków. Dla regulatorów i lekarzy to poważna przeszkoda.

Aby zmniejszyć to ryzyko, coraz częściej stosuje się podejścia hybrydowe – łączące uczenie maszynowe z sformalizowaną wiedzą medyczną. Na przykład, reguły kliniczne, które wyznaczają granice bezpieczeństwa dla rozwiązań z zakresu sztucznej inteligencji – wyjaśnia Maksym Druchok z SoftServe.

I dodaje, że w przypadku złożonych modeli uczenia maszynowego wdrażane są również narzędzia wyjaśniające działanie AI – na przykład wizualizacja obszarów obrazu lub cech danych, które wpłynęły na decyzję modelu. Każdej decyzji sztucznej inteligencji towarzyszy wyjaśnienie, dzięki czemu lekarz może zobaczyć nie tylko wynik, ale także kontekst, w którym został on wygenerowany.

Problem stronniczości

AI uczy się na podstawie danych historycznych, które same w sobie mogą być niekompletne lub zniekształcone. Gdy zbiory danych niedostatecznie reprezentują określone populacje, prognozy mogą być niesprawiedliwe lub niedokładne.

Stronniczość jest jednym z najtrudniejszych problemów w przypadku stosowania sztucznej inteligencji – mówi Maksym Druchok z SoftServe.

Dlatego każdy zbiór danych musi być analizowany pod kątem równowagi płci, pochodzenia etnicznego i wieku przed rozpoczęciem szkolenia. Jeśli istnieją luki, stosujemy techniki równoważenia danych, a następnie audytujemy wydajność modelu za pomocą metryk sprawiedliwości. Takie kontrole nie są jednorazowe – są ciągłe – dodaje.

Prywatność i bezpieczeństwo danych

Dane medyczne pozostają najbardziej wrażliwymi informacjami. Trzeba mieć przy tym jednocześnie na uwadze, że skuteczność AI zależy od zbiorów danych na dużą skalę. – Bezpieczeństwo powinno być wbudowane w architekturę systemu jeszcze przed rozpoczęciem przetwarzania danych – komentuje Maksym Druchok z SoftServe.

Dane muszą być szyfrowane na każdym etapie, od przechowywania po przesyłanie. Dane osobowe powinny być anonimizowane lub zastępowane unikalnymi identyfikatorami, aby algorytmy mogły się uczyć bez naruszania poufności – dodaje.

Przyszłość współpracy człowiek-AI

Eksperci podkreślają, że prawdziwa siła sztucznej inteligencji tkwi we współpracy z człowiekiem, a nie w jego zastąpieniu.

AI przetwarza ogromne ilości danych, identyfikuje wzorce, które człowiek mógłby przeoczyć i nigdy się nie męczy. Lekarz wnosi doświadczenie, empatię i zdolność postrzegania chorego jako całości – nie tylko jako zestaw objawów. I to wciąż lekarz podejmuje ostateczną decyzję i ponosi odpowiedzialność za pacjenta – mówi Damyr Hadiiev z SoftServe.

To, jak współpraca na linii lekarze-AI będzie wyglądać w przyszłości, zdefiniują edukacja i regulacje. Inicjatywy takie jak program Harper Family Foundation AI Education in Medicine w Mayo Clinic szkolą lekarzy w zakresie etycznego i odpowiedzialnego korzystania ze sztucznej inteligencji – to model, który może zostać wdrożony w innych placówkach opieki zdrowotnej.

AI stanie się potężnym narzędziem, które pomoże lekarzom skuteczniej dbać o zdrowie pacjentów. Nie zastąpi specjalisty, ale może stać się jego asystentem. Dzięki przejrzystości, odpowiedzialności i zasadom etycznym możemy budować zaufanie do tego partnerstwa – podsumowuje Damyr Hadiiev z SoftServe.