Choć wraz z postępem pojawiają się kolejne problemy natury etycznej, związane z próbą wyznaczenia granicy między technologicznym rozwojem a zbyt dużą ingerencją w moralną przestrzeń człowieka, wydaje się, że zatrzymanie rewolucji nie będzie możliwe, a raczej oprze się na przedefiniowaniu wartości. Wynika to z faktu, że szersze zaangażowanie technologii informacyjnych w medycynie to aspekt, który cieszy się niesłabnącą popularnością nie tylko w środowisku lekarskim. Optymistyczne nastroje w tym zakresie podzielają także potencjalni pacjenci. Z badania przeprowadzonego przez SAS w 2018 r. wynika, że niemal połowa ankietowanych nie miałaby problemu z aplikacją sztucznej inteligencji do systemu opieki zdrowotnej, gdyż czułaby się komfortowo w jej towarzystwie. Zrozumienie i akceptacja 47% respondentów to dobra wiadomość, gdyż to właśnie AI może być lekarstwem na bolączki współczesnej służby zdrowia. Prawdopodobnie wskaźnik akceptacji sztucznej inteligencji w opiece zdrowotnej mógłby być jeszcze większy, jeśli pacjenci namacalnie doświadczyliby korzyści z jej stosowania, np. w postaci łatwiejszej nawigacji w dużej placówce zdrowotnej, ograniczenia kolejek czy poświęcenia większej ilości czasu choremu. Obecnie co najmniej 1/3 czasu wizyty upływa lekarzowi na zadaniach administracyjnych.

AI dla komfortu pacjenta 

Przed sektorem opieki zdrowotnej w Polsce i na świecie wciąż piętrzą się wyzwania. Należą do nich m.in. rosnące koszty usług czy niedobory kadrowe. WHO prognozuje, że do 2030 r. będzie brakować nawet 9,9 mln lekarzy, pielęgniarek i położnych. Choć AI może być panaceum na wskazane problemy, proces masowego wdrażania jej do szpitali i przychodni jest skomplikowany. Kluczem do zrównoważonego wprowadzenia sztucznej inteligencji do podmiotów medycznych jest zapewnienie maksymalnego bezpieczeństwa wszystkim elementom łańcucha. Błędne zinterpretowanie wyników pacjenta przez sztuczną inteligencję mogłoby prowadzić do realnego zagrożenia życia i trudności w określeniu kwestii odpowiedzialności. Algorytm nie jest w stanie przecież ponieść konsekwencji związanych z błędną diagnozą. A tych niestety nie brakuje. W USA w wyniku błędów medycznych każdego roku życie traci nawet ok. 250-440 tys. osób. Techniki machine learning mogą być skuteczne na tyle, na ile pozwala im jakość, ilość oraz reprezentatywność danych, używanych do modelowania treningowego. Brak dopełnienia tych wszystkich funkcji przekłada się na ewentualną stronniczość algorytmów AI, a w efekcie – duże ryzyko generowania o wiele gorszych jakościowo wyników.

Jednym z wyzwań może być niezrównoważenie danych w zakresie płci bądź koloru skóry. Jeżeli informacje będą zbierane główne od mężczyzn, algorytm może utracić dokładność w modelowaniu podobnych przypadków w grupie pań. Z kolei algorytm „uczący się” na osobach o jasnej karnacji będzie radził sobie gorzej w diagnostyce osób ciemnoskórych. Nieobiektywne rezultaty to bardzo duże zagrożenie, mogące prowadzić do nietrafionego rekonesansu i niewłaściwego wyznaczenia procesu terapeutycznego. System należy traktować jak gąbkę, która chłonie podsuwane jej treści. Dane próbne pozwalają uczyć się rozpoznawania wzorców oraz parametryzacji poprzez modyfikowanie informacji wejściowych i wyjściowych. Problem wciąż tkwi w niedostatecznym wglądzie w proces działania algorytmu, czyli niemożności pełnego zrozumienia sposobu „myślenia” maszyny i dokonywania przez nią klasyfikacji. By nie utracić władzy nad narzędziem, konieczne jest wdrożenie dodatkowych algorytmów kontrolujących działanie systemu głównego. Wyszukanie zmiennych pozwoli na wczesnym etapie wykryć nieprawidłowości i jak najbardziej zawęzić ryzyko niepowodzenia. Opieka medyczna może być wspierana przez sztuczną inteligencję również na płaszczyźnie wirtualnych asystentów. Wdrożenie bota, który na podstawie kilkudziesięciu tysięcy rozmów nauczyłby się potencjalnych fraz, intencji i kierunków dyskusji, znacznie odciążyłoby rejestrację. 

Odpowiedź na ludzkie ograniczenia 

Przykładem realnego zastosowania uczenia maszynowego jest prognozowanie konieczności przyjęć do szpitali oraz rozpoczęcia stosowania kortykosteroidów. Tego typu eksperyment przeprowadzono, opierając się na programie COPD (Chronic Obstructive Pulmonary Disease) i telemonitoringu 135 pacjentów przez 363 dni. Powiódł się on w pełni, o czym świadczy fakt, że algorytmy były dokładne w przewidywaniu decyzji o wdrożeniu terapii kortykosteroidami z 24-godzinnym wyprzedzeniem. Narzędzie spełniło swoje zadanie także w zakresie diagnozowania ryzyka udaru mózgu wśród pacjentów chińskiego szpitala. Dane obejmowały ponad 20 mln wyników medycznych u przeszło 30 tys. pacjentów (w latach 2013-2015). Wyzwanie, jakie postawiono przed sztuczną inteligencją, dotyczyło połączenia informacji ustrukturyzowanych z nieustrukturyzowanymi danymi tekstowymi. I tu ponownie AI nie zawiodła.

Jej skuteczność może być drogocenna również w transplantologii. System potrafi z dużym prawdopodobieństwem określić ryzyko odrzucenia przeszczepu nerki, co udowodniono na grupie 378 pacjentów z Iranu (w latach 1994-2011). Do najważniejszych czynników prognostycznych należały: wiek pacjenta, poziom kreatyniny, czas zimnego niedokrwienia nerki i poziom hemoglobiny podczas wypisu. Podobnie można postąpić w przypadku przeszczepów serca. W analizach wykorzystano dane z rejestru UNOS (United Network for Organ Sharing), obejmujące ponad 27 tys. rekordów pacjentów (z lat 2009-2011). Także i w tym przypadku model głębokiego uczenia okazał się lepszym narzędziem prognozowania śmiertelności pacjentów w krótkim okresie niż wspominana wcześniej regresja logistyczna. 

Nie inaczej jest w onkologii, gdzie potencjał uczenia maszynowego i głębokiego połączono w elektronicznej platformie. Algorytmy pozwalają segmentować obrazy oraz generować ich statystyczne opisy poprzez zliczanie i rozpoznawanie rodzajów komórek widocznych na zdjęciach. To narzędzie szczególnie pomocne, gdy naszym celem jest dokładna analiza badań histopatologicznych oraz obrazów z pozytonowej tomografii emisyjnej / rezonansu magnetycznego. Uczenie maszynowe pozwala na wczesne wykrycie problemów zdrowotnych i wspomaga proces decyzyjny, a przede wszystkim – może mieć wydźwięk prewencyjny. Dzięki wskazaniu grupy pacjentów o podwyższonym stopniu ryzyka zapadalności na dane choroby jest w stanie zasygnalizować konieczność zmian. Dodatkowo koszty profilaktyki i wykrywania „uśpionej” choroby zwykle są przyjaźniejsze dla budżetu niż leczenie jej w zaawansowanej postaci. 

Dzięki sztucznej inteligencji można nawet przewidywać wybuchy epidemii. Algorytmy, przeszukując Internet, potrafią wartościować wyniki, rozróżniając dyskusje na forach internetowych od treści reklamowych czy opracowań naukowych. Są w stanie w krótkim czasie i z uwzględnieniem rejonizacji wykryć niepokojąco duże nagromadzenie wyszukiwania fraz, takich jak „dziwny kaszel” czy „podniesiona temperatura ciała”, co może świadczyć o niebezpiecznej sytuacji. Odizolowanie niewielkiej liczby zakażonych w momencie, kiedy zaraza się nie rozprzestrzeniła, ułatwia zduszenie choroby w zarodku. By jeszcze bardziej polepszyć jakość systemów, coraz większą uwagę skupia się na współpracy międzynarodowej, obejmującej wdrażanie zunifikowanych standardów uczenia maszynowego. Standaryzacja – poprzez łączenie i umieszczanie danych w centralnych bazach – zapewniłaby systemom, znajdującym się w poszczególnych krajach, dostęp do większej grupy badawczej. Tym samym wyniki narzędzi, bazujących na uczeniu maszynowym, można by uznać za znacznie pewniejsze. 

Bioniczna proteza 

Przykładem ogromnych szans, drzemiących w uczeniu maszynowym, jest projekt budowy taniej, robotycznej protezy dłoni. Jego założenie obejmuje odczytywanie przez sprzęt miosygnałów z mięśni w kikucie, a następnie przekazywanie ich do ręki zastępczej. Kluczowym punktem inicjatywy było oprogramowanie, które na podstawie odpowiedniej bazy danych potrafiłoby rozpoznać charakterystyczny zestaw sygnałów elektrycznych, odpowiadających za konkretny ruch dłonią. Zebrane informacje miały zostać wprowadzone do systemu z wbudowanym algorytmem uczenia maszynowego tak, by był on w stanie wyselekcjonować charakterystyczne zestawy sygnałów z kilku elektrod. Bioniczne protezy to wielka szansa dla osób po powypadkowej utracie kończyn lub amputacji. Funkcjonowanie kikuta opiera się wyłącznie na generowaniu właściwie zakodowanych i silnych sygnałów, uprawniających do czynności powtarzanych nawet kilkaset razy dziennie. Przykładem może być zamykanie i otwieranie dłoni, do czego konieczne są kolejno jeden i dwa skurcze odpowiednich partii mięśniowych. 

Europejski rynek AI rośnie w siłę

W 2020 r. wartość europejskiego rynku sztucznej inteligencji w opiece zdrowotnej przekroczyła 700 mln dol. Jak wskazano w raporcie „Europe Healthcare Artificial Intelligence Market 2021-2027”, do 2027 r. rynek urośnie nawet o 43,9%. Tylko w Niemczech w 2020 r. wartość rynku sztucznej inteligencji w sektorze opieki zdrowotnej wyniosła ponad 118 mln dol. Dodatkowo Niemieckie Centrum Badawcze Sztucznej Inteligencji wraz z instytutami Fraunhofera opracowuje technologie, dzięki którym w nadchodzących latach wydatki na opiekę zdrowotną na Starym Kontynencie zmniejszą się nawet o ponad 200 mld dol. Rozwojem sztucznej inteligencji w medycynie coraz częściej zajmują się start-upy we współpracy z inwestorami. Tylko w 2019 r. fundusze zainwestowały w rozwój tego typu rozwiązań łącznie 26,6 mld dol., czyli o 6 mld dol. więcej niż rok wcześniej.