Czy sztuczna inteligencja wyleczy branżę medyczną?

Sektor medyczny boryka się obecnie z wieloma problemami i nie zapowiada się, aby w najbliższej przyszłości sytuacja miała się poprawić. Eksperci poszukują remedium na złożone wyzwania, lecz wskazują, że potrzebne do tego będzie otwarcie branży na innowacje i uwolnienie potencjału ogromu przetwarzanych informacji. Szansą ma być sztuczna inteligencja, która stosowana jest już m.in. w diagnostyce czy usprawnieniu pracy medyków.

Rosnąca presja

Liczba ludności na świecie stale rośnie a czas życia, dzięki postępom w medycynie, wydłuża się. Z najnowszych danych Światowej Organizacji Zdrowia wynika, że od 1990 r. oczekiwana długość życia na świecie zwiększyła się o sześć lat. Pochodną tego zjawiska jest starzenie się społeczeństw – szacunki ONZ przewidują, że do 2050 r. liczba ludności w wieku co najmniej 65 lat wzrośnie globalnie do 1,5 mld, podczas gdy jeszcze pięć lat temu było to 700 mln.

Dochodzą do tego niedobory pracowników w sektorze opieki zdrowotnej oraz szczególny nacisk na szpitalno-kliniczne formalności. WHO alarmuje bowiem, że do 2030 r. może brakować nawet 10 mln lekarzy, pielęgniarek oraz z pracowników innych specjalności medycznych. Jednocześnie, coraz większa liczba pacjentów sprawia, że lekarze mają dla nich coraz mniej czasu, a muszą dodatkowo poświęcać część swojej energii na zadania administracyjne i wypełnianie dokumentacji – w jednym z niedawnych raportów polska Naczelna Izba Kontroli oceniła, że pochłaniają one nawet 30 proc. czasu medyków.

Personel medyczny – lekarze, specjaliści, diagności, pielęgniarze i pielęgniarki – potrzebuje wsparcia, które zoptymalizuje procesy leczenia. Chodzi na przykład o automatyzację możliwie jak największej liczby zadań z obszaru back-office, ale przede wszystkim – o szybszą diagnostykę, dobór najlepszej terapii oraz o zmniejszenie uciążliwości procedur medycznych dla pacjentów. Dlatego duże oczekiwania wiąże się z technologiami i rozwiązaniami sztucznej inteligencji.

Dzięki ogromnym postępom w obszarach takich jak uczenie maszynowe, przetwarzanie języka naturalnego i analiza big data, AI ma potencjał, aby zrewolucjonizować opiekę zdrowotną. A potrzeba jest ogromna. Jak wskazuje raport OECD, stosowane w ochronie zdrowia technologie są często przestarzałe a dane fragmentaryczne. Co więcej, transformacja cyfrowa tego sektora może potrwać nawet 17 lat. Konieczne jest zatem przełamanie barier wstrzymujących rozwój innowacji i przyspieszenie działań na rzecz dorównania branży medycznej do innych, szybciej rozwijających się sektorów.

AI w diagnostyce i opiece

Diagnostyka medyczna jest jednym z najbardziej obiecujących zastosowań sztucznej inteligencji. Algorytmy AI mogą analizować obrazy medyczne, takie jak zdjęcia rentgenowskie, obrazy tomografii komputerowej i rezonansu magnetycznego. Co więcej – niektóre badania dowiodły, że analizy opracowane na bazie modeli uczenia maszynowego przeważają nad tymi dostarczonymi przez personel medyczny[1].

Przykładem mogą być rozwiązania z zakresu analityki i AI firmy SAS, które stosowane są w branży healthcare na całym świecie. Z ich wykorzystaniem naukowcy z University College Dublin opracowali model predykcyjny, który może zidentyfikować kobiety zagrożone stanem przedrzucawkowym, będącym poważnym powikłaniem ciąży. Model może przewidzieć to ryzyko z dużą dokładnością, co umożliwia wcześniejszą diagnozę i wdrożenie odpowiednich środków zaradczych. Uniwersytet Cambridge z kolei wdrożył system przyśpieszający działania związane z transplantacją nerek, dzięki któremu lekarze są w stanie dopasować organ do pacjenta w bardzo krótkim czasie, przyspieszając cały ten proces.

Natomiast w znajdującym się we francuskim Lille Centrum im. Oscara Lambreta, które specjalizuje się w leczeniu nowotworów i badaniach nad nimi, wykorzystuje się chmurową platformę analityczną SAS Viya z wbudowaną sztuczną inteligencją i narzędziami do zarządzania danymi do identyfikacji wzorców i trendów w leczeniu nowotworów. Dzięki temu placówka może lepiej planować i zarządzać zasobami, a także określać spersonalizowane ścieżki leczenia, dostosowane do indywidualnych cech i potrzeb każdego pacjenta. Szczegóły zbierane z różnych źródeł, takich jak wyniki badań, historie chorób czy dane demograficzne, są analizowane, by dostarczyć lekarzom dokładne i aktualne informacje.

Kolejne wyzwania, z którymi sztuczna inteligencja pomaga personelowi medycznemu się mierzyć to m.in. zarządzanie ogromnymi zasobami danych, obejmującymi dokumentację medyczną pacjentów, informacje o personelu, zgłoszenia roszczeń, szczegóły dot. badań klinicznych. Ocenia się, że branża medyczna jest odpowiedzialna za jedną trzecią wszystkich generowanych na świecie danych, a jednocześnie aż 97 proc. z nich pozostaje niewykorzystanych.

Przykładem wykorzystania AI w tym obszarze jest m.in. współpraca SAS i holenderskiego Erasmus University Medical Center. Placówka stosuje zaawansowaną analitykę opartą na danych m.in. do optymalizacji wykorzystania sali operacyjnych. Algorytmów sztucznej inteligencji użyto do opracowania modelu przewidywania wystąpienia odleżyn u pacjentów oddziału intensywnej terapii. Model poprawia jakość opieki, umożliwiając dokładną analizę ryzyka wystąpienia schorzenia, a jednocześnie zwiększa sprawność szpitalnej administracji.

Dane syntetyczne

Mimo tego, że branża medyczna generuje ogromne ilości informacji, to wciąż istnieje spory kłopot z odpowiednim dostępem do nich i wysokimi kosztami pozyskiwania ich ze źródeł zewnętrznych. Ponadto, niezwykle istotną kwestią jest prywatność i bezpieczeństwo przetwarzanych danych, ze względu na ich wrażliwość.

Branża technologiczna pracuje już nad rozwiązaniami, które mają umożliwić placówkom medycznym wdrażanie innowacji. Jednym z nich SAS Data Maker – narzędzie do generowania wiarygodnych danych syntetycznych, które ściśle odzwierciedlają rzeczywiste informacje.

Dane syntetyczne mogą być wykorzystywane między innymi w rozpoznawaniu prób wyłudzeń świadczeń medycznych. W rzeczywistości liczba takich oszustw jest nieproporcjonalnie mała w stosunku do liczby wszystkich realizowanych świadczeń, a brak odpowiednio obszernej próbki testowej utrudnia wytrenowanie modelu, który precyzyjnie rozpoznawałby naruszenia.

Narzędzia do generowania danych syntetycznych znajdują się także w sferze zainteresowań firm farmaceutycznych. Mogą bowiem symulować reakcje organizmu na nowe leki, co wspomaga proces odkrywania i testowania nowych substancji czynnych.