Biotechnologia.pl
łączymy wszystkie strony biobiznesu
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 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% czasu medyków. 

Personel medyczny – lekarze, specjaliści, diagności, pielęgniarze i pielęgniarki – potrzebuje wsparcia, które zoptymalizuje procesy leczenia. Chodzi np. o automatyzację możliwie jak największej liczby zadań z obszaru back-office, ale przede wszystkim – szybszą diagnostykę, dobór najlepszej terapii oraz 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 przyspieszający 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 mierzyć się personelowi medycznemu, to m.in. zarządzanie ogromnymi zasobami danych obejmującymi dokumentację medyczną pacjentów, informacje o personelu, zgłoszenia roszczeń, szczegóły dotyczące badań klinicznych. Ocenia się, że branża medyczna jest odpowiedzialna za 1/3 wszystkich generowanych na świecie danych, a jednocześnie aż 97% 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 m.in. 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.

Źródła

[1] https://www.nature.com/articles/s41571-020-0329-7

Fot. Licencja dfusion

KOMENTARZE
news

<Styczeń 2024>

pnwtśrczptsbnd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
1
2
3
4
Newsletter