Sztuczna inteligencja zrewolucjonizuje medycynę, ale potrzebuje jak najwięcej informacji o pacjentach. A tymi Europejczycy niechętnie się dzielą.
Urządzenie wykorzystujące sztuczną inteligencję (SI) przewidziało, że u pacjenta leczącego się w zabrzańskim szpitalu może wystąpić zaostrzenie niewydolności serca. Na podstawie tej informacji, którą uzyskano w połowie kwietnia, lekarze zmienili farmakoterapię, aby temu zapobiec. Wszczepiony mężczyźnie aparat firmy Boston Scientific z funkcją HeartLogic wykrył też migotanie przedsionków. Kontrola w placówce medycznej potwierdziła diagnozę i u pacjenta wykonano dodatkowy zabieg kardiologiczny. Lekarze ze Śląskiego Centrum Chorób Serca nie mają wątpliwości, że ocena dokonana przez SI pomogła ocalić mężczyźnie życie. Układy z HeartLogic wszczepiono 12 polskim pacjentom.
Wykorzystanie SI nie tylko zmieni przemysł czy poprawi jakość usług, lecz także zrewolucjonizuje medycynę. I stopniowo coraz mniej jest w tym marketingowej „papki”, a coraz więcej konkretów. Analitycy z firmy Accenture przewidują, że w 2026 r. zastosowanie sztucznej inteligencji może przynieść tylko amerykańskiej służbie zdrowia aż 150 mld dol. oszczędności rocznie. Prawie 80 proc. chińskich szpitali oraz firm medycznych korzysta albo zamierza w niedalekiej przyszłości skorzystać z narzędzi wspomaganych SI. Potrzebę rozwoju algorytmów widzi też Unia Europejska – co wybrzmiewa w przyjmowanych przez nią strategiach.
Maszyny mogą wesprzeć specjalistów w szybszej i trafniejszej diagnostyce (np. przy wykrywaniu nowotworów) czy przy tworzeniu terapii. Mogą przewidywać epidemie oraz przetwarzać dane potrzebne do opracowywania nowych leków. Narzędzia wspomagane przez SI mogą być też znacznie tańsze w użyciu, bo nie zawsze musi je obsługiwać wykwalifikowany personel (a to rozwiązywałoby dodatkowo niedobory kadrowe służby zdrowia). – Korzyści może odnieść cały system: świadczeniodawca, lekarz, ale przede wszystkim pacjent – uważa prof. Janusz Braziewicz, kierownik Zakładu Medycyny Nuklearnej z Ośrodkiem PET w Świętokrzyskim Centrum Onkologii oraz członek zarządu Polskiego Towarzystwa Medycyny Nuklearnej.
Ale wdrażanie maszyn ze sztuczną inteligencją do medycyny oraz ich późniejsze doskonalenie będą długotrwałe – bo paliwem dla tego procesu będą nie tylko pieniądze, lecz także dane o pacjentach. Im będzie ich więcej oraz im bardziej będą szczegółowe, tym skuteczniej algorytmy będą działały. Dane medyczne to jednak informacje wrażliwe, które są chronione. To zaś utrudnia ich użycie do analizy z wykorzystaniem algorytmów komputerowych.
„Karmienie” inteligencji
Na rynku są już kardiomonitory, które z kilkugodzinnym wyprzedzeniem mogą zaalarmować, że stan chorego ulegnie pogorszeniu. – Istotny odsetek pacjentów umiera na oddziałach ogólnych, już po przeniesieniu z intensywnej terapii. Nowoczesne kardiomonitory potrafią wskazać niepokojące oznaki, które mogą umknąć nawet znakomitemu specjaliście – przekonuje Michał Kępowicz, dyrektor ds. relacji strategicznych firmy Philips Healthcare oraz członek zarządu Centrum Medycznego Polmed. Te urządzenia mogą działać jeszcze lepiej, gdy połączy się je w klastry – w skali oddziału, szpitala, nawet kraju. Jeśli zbierałyby dane o tysiącach pacjentów o podobnym profilu choroby, to można byłoby udoskonalać sposoby leczenia, wiedząc, jak reagują oni na określone terapie.
AILIS, start-up z Krakowa, pozyskał niedawno prawie 5 mln zł od Narodowego Centrum Badań i Rozwoju na przeprowadzenie badań klinicznych urządzenia do wczesnego wykrywania raka piersi. Światowa Organizacja Zdrowia podaje, że to najczęściej występujący nowotwór złośliwy (2,3 mln przypadków w ubiegłym roku). Raport „Audyt leczenia raka piersi w Polsce 2010–2020” wskazuje, że w naszym kraju również zwiększa się zapadalność na ten rodzaj raka (15,7 tys. przypadków w 2010 r. i 20,2 tys. w 2018 r.).
W ciągu czterominutowego badania wykorzystywane jest parametryczne obrazowanie dynamiczne – polega ono na chwilowym pobudzeniu przepływu energii cieplnej wewnątrz tkanek. Wynik pomiaru trafia następnie do sieci neuronowych wspomaganych przez SI. Aparat jest w stanie wychwycić nawet najmniejsze zmiany w strukturze tkanek, a następnie ocenić, czy istnieje zagrożenie nowotworem. – To tak drobne zmiany, których nie da się zobaczyć podczas mammografii czy USG – opowiada Michał Matuszewski, założyciel AILIS. Aby urządzenie działało coraz lepiej, trzeba jego sztuczną inteligencję „karmić” obrazami klinicznymi zdrowych kobiet oraz pacjentek z różnymi stadiami raka, by system wiedział, czego szukać. – Badanie z jednego krańca świata przysłuży się temu, że pacjentka z drugiego krańca otrzyma dokładniejszy wynik – mówi Matuszewski.
Krajowa chmura
Część ekspertów przekonuje, że im więcej takich informacji trafiałoby na rynek, tym większe korzyści mieliby z tego pacjenci oraz systemy opieki zdrowotnej. Doktor Michał Kosiński z amerykańskiego Uniwersytetu Stanforda w wywiadzie dla DGP („To nie algorytmy wybierają populistów”, Magazyn DGP z 17 stycznia 2020 r.) przekonywał, że zanonimizowane dane pacjentów powinny być możliwie szeroko wykorzystywane przez koncerny, uniwersytety i firmy ubezpieczeniowe – dzięki temu tworzone byłyby modele poprawiające jakość diagnoz, zaś regulatorzy mogliby podejmować lepsze decyzje. Do podobnego wniosku doszli badacze z The Scripps Research Institute w publikacji ze stycznia 2020 r. Zawarli w niej sugestię, by do wcześniejszego wykrywania epidemii grypy wykorzystać dane pozyskane z komercyjnych urządzeń monitorujących parametry organizmu (np. smartwatchów czy opasek fitness).
Komisja Europejska również dostrzega wartość dzielenia się informacjami medycznymi. Jednym z jej priorytetów jest stworzenie europejskiej przestrzeni danych w tym w sektorze zdrowia. Owa przestrzeń miałaby umożliwić wymianę informacji np. z elektronicznych kart zdrowia i rejestrów pacjentów czy danych genomowych, które są potrzebne nie tylko do celów związanych z opieką zdrowotną, lecz także konieczne do „trenowania” algorytmów SI. W opublikowanym 22 kwietnia tego roku projekcie rozporządzenia dotyczącego sztucznej inteligencji zapisano jednak, by algorytmy wykorzystywane w służbie zdrowia podporządkowane były regułom wyznaczonym dla programów „wysokiego ryzyka”. Oznacza to, że będą one podlegać bardziej rygorystycznym regułom oraz nadzorowi. A za naruszenie zasad twórca SI będzie mógł dostać karę finansową w wysokości nawet do 30 mln euro albo 6 proc. obrotu rocznego przedsiębiorstwa. Europejczycy sceptycznie podchodzą do dzielenia się danymi medycznymi. Możliwe naruszenia prywatności i żerowanie prywatnych firm na słabościach pacjentów to według wielu osób poważne zagrożenia. Skutkuje to tym, że nawet niewinne próby monitorowania stanu zdrowia przy użyciu nowej technologii spotykają się z dezaprobatą. W 2019 r. w Radomiu i Gdańsku prowadzone były programy pilotażowe dla seniorów wykorzystujące monitoring przy użyciu opasek zdrowotnych. Wiele mediów okrzyknęło ten pomysł jako żywcem zaczerpnięty z powieści George’a Orwella. Ale eksperci nie mają wątpliwości, że jeżeli chcemy korzystać z dobrodziejstw SI, to musimy dzielić się danymi. – Algorytmy będą tak dobre, jak dane, na których były trenowane – wskazuje prof. Janusz Braziewicz.
W tej chwili, choć danych zbiera się wiele, kuleje ich jakość. W Polsce są już utrwalane informacje o pacjentach onkologicznych, które teoretycznie można byłoby wykorzystać na potrzeby analiz z wykorzystaniem SI. Michał Kępowicz mówi, że spora ich część jest jednak w wersji papierowej, a więc trzeba by ją było dopiero wprowadzić do systemów komputerowych, zaś reszta nie ma odpowiedniej gęstości – stan pacjentów jest kontrolowany np. raz dziennie, a powinien być zapisywany co kilka sekund i przez dłuższy okres, dzięki czemu algorytmy mogłyby wychwytywać wszelkie tendencje w parametrach zdrowotnych i porównywać je z bazą danych. – Nasze podejście musi się zmienić, jeżeli chcemy budować skuteczniejsze strategie walki z nowotworami – podkreśla Braziewicz.
Rząd wydaje się dostrzegać tę potrzebę. 7 kwietnia 2021 r. firma Asseco Poland i Chmura Krajowa (podmiot utworzony przez bank PKO BP oraz Polski Fundusz Rozwoju) powołały spółkę Krajowy Operator Chmury Medycznej. Jej celem ma być m.in. cyfryzacja służby zdrowia oraz wdrożenie elektronicznej dokumentacji medycznej (EDM). Dariusz Śliwowski, wiceprezes Chmury Krajowej, uważa, że dzięki zastosowaniu rozwiązań dostępnych w chmurze (cloud computing) w nieodległej przyszłości możliwe będzie także szybsze diagnozowanie pacjentów, np. dzięki wykorzystaniu sztucznej inteligencji i uczenia maszynowego do analizy badań obrazowych i szybszego wykrywania różnego typu schorzeń czy anomalii. Sugeruje, że algorytmy mogłyby się uczyć, korzystając z danych o rodzimych pacjentach przechowywanych w chmurze.
Porażka Watsona
Istotne jest, aby wdrażając algorytmy do służby zdrowia, być świadomym nie tylko ich możliwości, ale również ograniczeń. Bo SI nie we wszystkich obszarach radzi sobie dobrze. O tym, jak zbyt ambitne plany mogą dać mizerne rezultaty, przekonała się firma IBM. Jej sztuczna inteligencja Watson miała nie tylko wspomóc lekarzy, ale w przyszłości nawet ich zastąpić, oferując doskonale sprofilowane leczenie dla pacjenta z każdą możliwą chorobą. IBM nie szczędził pieniędzy na projekt – tylko w 2016 r. wydał 4 mld dol. na zakup czterech firm gromadzących dane medyczne. Watson pochłonął stosy informacji o pacjentach i przeczytał wręcz niezliczoną liczbę prac naukowych, ale efekty jego działania nie były zadowalające.
Sztuczna inteligencja firmy IBM najlepiej radziła sobie z dostrzeganiem chorób na podstawie badań diagnostycznych – w 2017 r. u 32 proc. pacjentów onkologicznych odkryła pewne mutacje genetyczne, dzięki czemu osoby te mogły być zakwalifikowane do badań klinicznych innowacyjnego leku. Watson doskonale analizował także obrazowe badania diagnostyczne, wykrywając choroby lepiej niż specjaliści. Dobrze w tym zakresie radzi sobie też SI firmy Google. Badanie na grupie 45 tys. pacjentów wskazało, że wykrywa o 5 proc. więcej przypadków nowotworów na podstawie wyników tomografii i wskazuje o 11 proc. mniej fałszywie pozytywnych wyników. Jeszcze bardziej obiecujące dane przedstawiają Chińczycy. Program Tencent AI Medical Imaging stworzony w 2017 r. potrafi ponoć wykryć 97,2 proc. przypadków raka jelita grubego, 97 proc. przypadków retinopatii cukrzycowych i 90 proc. przypadków nowotworów przełyku. Ogólnie rzecz biorąc: SI już dziś może być skutecznym narzędziem pomocniczym w diagnostyce obrazowej.
Maszyna IBM poległa przy bardziej skomplikowanej diagnostyce. Lekarze z centrum onkologicznego w Indiach stwierdzili, że jej rekomendacje w zakresie proponowanej terapii dla pacjentek z rakiem piersi były poprawne tylko w 73 proc. przypadków. W Korei Południowej kontrola wyników analiz Watsona, który zajmował się pacjentami z rakiem jelita, wypadła znacznie gorzej – były prawidłowe jedynie w 49 proc. przypadków. Medycy wskazali, że SI fatalnie radzi sobie zwłaszcza przy diagnostyce starszych osób, nie wskazując dla nich terapii najczęściej używanymi lekami. Wykryty błąd algorytmu skutkował zaś tym, iż maszyna zalecała niezwykle agresywne leczenie, jakie stosuje się po wykryciu raka z przerzutami.
Jednym z powodów, dla których maszyna IBM nie działa tak, jak planowano, jest wciąż niewystarczająca jakość i różnorodność danych. SI przetwarzała duże ilości informacji o pacjentach z określonych szpitali. Wysnuwała więc wnioski przede wszystkim w oparciu na terapiach najczęściej stosowanych przez medyków tychże placówek – to zjawisko stronniczości sztucznej inteligencji (AI bias). Innym kłopotem jest to, w jaki sposób algorytmy się uczą oraz działają – najczęściej oceniają procentowe szanse na powodzenie każdego działania i sugerują to, które najprawdopodobniej zakończy się osiągnięciem poziomu określonego przez programistów.
W przypadku leczenia np. nowotworów takie podejście się nie sprawdza. Wyobraźmy sobie, że maszyna wchłonęła dane o milionach pacjentów, którzy zostali poddani określonej terapii. Ale w czasopiśmie naukowym pojawia się opis nowego sposobu leczenia, które daje niezwykle obiecujące rezultaty, choć kuracji zostało poddanych kilkunastu chorych. „Zwykli” lekarze mogą wówczas zaoferować przełomowe leczenie osobom w szczególnie trudnej sytuacji zdrowotnej. Sztuczna inteligencja nie porzuci sugerowania terapii stosowanej u milionów tylko dlatego, że u kilkunastu osób zadziałał nowy lek.
Nie jest jednak tak, że eksperymenty takie jak Watson należy uznać za fiasko. Sztuczna Inteligencja, jak każde oprogramowanie, może być stale rozwijana i poprawiana. Profesor Janusz Braziewicz przyznaje, że maszyny nie zastąpią do końca lekarzy i diagnostów. – Można się jednak pokusić o stwierdzenie, że lekarze, którzy będą używać z dużą rozwagą i odpowiedzialnością systemów opartych na sztucznej inteligencji, wkrótce zastąpią tych, którzy ich używać nie będą – konkluduje.
W ciągu czterominutowego badania wykorzystywane jest parametryczne obrazowanie dynamiczne – polega ono na pobudzeniu przepływu energii cieplnej wewnątrz tkanek piersi. Wynik pomiaru trafia następnie do sieci neuronowych wspomaganych przez SI. Urządzenie jest w stanie wychwycić nawet najmniejsze zmiany w strukturze tkanek, a następnie ocenić, czy istnieje zagrożenie nowotworem
