Sztuczna Inteligencja w Ochronie Zdrowia: Perspektywy, Wykorzystanie i Wyzwania

dr Katarzyna Byszek, Zakład Innowacji w Ochronie Zdrowia, SGH

Sztuczna inteligencja (AI) staje się nieodłącznym elementem wielu aspektów naszego życia, a jej rola w ochronie zdrowia nabiera szczególnie dynamicznego tempa rozwoju. Wykorzystanie AI w medycynie otwiera nowe możliwości diagnozowania, leczenia i monitorowania pacjentów, co z kolei wskazuje na potencjał w zakresie przyspieszenia i zwiększenia efektywności opieki zdrowotnej. Jednak, jak każda technologia, AI wiąże się z szeregiem wyzwań i zagrożeń, które muszą być rozważone.

Co jest a co nie jest AI

Sztuczna inteligencja to szerokie pojęcie odnoszące się do symulacji ludzkiej inteligencji przez maszyny. AI może uczyć się, wnioskować i podejmować decyzje, co sprawia, że jest nieocenionym narzędziem w wielu dziedzinach, w tym w medycynie. Ważne jest jednak, aby odróżnić AI od prostych automatycznych systemów czy zaawansowanych algorytmów, które nie posiadają zdolności do uczenia się czy adaptacji. Sztuczna inteligencja, w przeciwieństwie do tych narzędzi, może analizować duże zbiory danych i na ich podstawie uczyć się rozpoznawać wzorce, co czyni ją wyjątkowo przydatną w diagnostyce medycznej. 

Warto również mieć na uwadze, że pod ogólnym pojęcie AI kryje się wiele różnych rozwiązań technologicznych, metod i technik [1]. Wśród nich ogromną popularność zyskało przetwarzanie języka naturalnego do budowy dużych modeli językowych (Large Language Models, LLM). Są one przykładem zastosowania AI, które ma na celu zrozumienie, interpretację i generowanie ludzkiego języka w taki sposób, który jest naturalny dla ludzi. Ponadto modele te umożliwiają generowanie języka odpowiednio dostosowanego do określonego odbiorcy, np. używając sformułowań potocznych lub bardziej specjalistycznych.

Czytając o AI, często można się spotkać z takimi określeniami jak generatywne AI czy konwersacyjne AI [2]. Generatywne AI, którego przykładem może być ChatGPT, może na podstawie danych źródłowych tworzyć treści w różnych formach, np. tekstu czy obrazu. Z kolei konwersacyjne AI jest zaprojektowane do komunikacji z jego użytkownikami, a jego przykładem są coraz bardziej popularne chatboty lub wirtualni asystenci. Te modele językowe adaptują swoje zdolności generatywne do kontekstu rozmowy, starając się odpowiedzieć na pytania użytkownika, prowadzić dialog lub realizować zadane polecenia. Zarówno generatywne AI, jak i konwersacyjne AI mogą wykorzystywać LLM do realizacji swoich celów, ale ich główne zastosowania i cele są różne. Generatywne AI skupia się na tworzeniu nowych treści, podczas gdy konwersacyjne AI koncentruje się na interakcji z użytkownikami za pomocą naturalnego języka.

Zastosowania AI w opiece zdrowotnej

Coraz więcej wiemy o zastosowaniach AI w opiece zdrowotnej i nieustannie trwają prace koncepcyjne i wdrożeniowe. Wśród rozwiązań o największym wpływie na obecne modele opieki można wymienić aplikacje AI w diagnostyce obrazowej, wczesnej detekcji chorób, wsparciu lekarzy i pacjentów oraz w pracach nad nowymi lekami [3; 4].

Z pespektywy placówki opieki zdrowotnej, wykorzystanie AI otwiera nowe możliwości dla rozwoju produktów i usług, poprawy efektów zdrowotnych, wsparcia kadry medycznej oraz optymalizacji wewnętrznych procesów.

AI może wspierać lekarzy w tworzeniu planów leczenia, opartych na analizie dużych zbiorów danych o zdrowiu populacji, a jednocześnie dzięki analizie danych konkretnego pacjenta pozwala na bardziej precyzyjne dopasowanie terapii do indywidualnych potrzeb. Ważną korzyścią z zastosowania AI jest szybkość działania tj. krótszy czas potrzebny na przetworzenie danych, w tym na podsumowanie dowodów naukowych w celu sformułowania odpowiednich rekomendacji leczenia [5].

W kwestii poprawy efektów zdrowotnych, zastosowanie AI może umożliwiać rozwój narzędzi diagnostycznych nowej generacji, które mogą wykrywać choroby na bardzo wczesnym etapie. Wskazuje się również na potencjalne korzyści wynikające z monitorowania stanu zdrowia pacjentów w czasie rzeczywistym i przewidywanie potencjalnych komplikacji przed ich wystąpieniem [4]. 

Systemy wykorzystujące AI mogą analizować dane, w tym wyniki badań, historię choroby, a nawet informacje o stylu życia, aby zidentyfikować czynniki ryzyka i zapobiegać pogorszeniu stanu zdrowia. W rozwoju nowych produktów i usług, sztuczna inteligencja umożliwia na przykład tworzenie zaawansowanych systemów diagnostycznych, które wykorzystują algorytmy uczenia maszynowego w diagnostyce obrazowej. Przykładem może być wykorzystanie AI do zidentyfikowania wczesnych symptomów degeneracji plamki związanej z wiekiem (AMD) oraz retinopatii cukrzycowej, co jest kluczowe dla zapobiegania utracie wzroku [6].

Ważną korzyścią wynikającą z zastosowania AI, zwłaszcza w państwach rozwijających się, może być wsparcie i standaryzacja oceny klinicznej i odpowiednie, obiektywne i oparte na danych postępowanie [3]. Dzięki temu możliwe jest zwiększenie skuteczności leczenia i ograniczenie potrzeby hospitalizacji. Takie wsparcie może być udzielone nie tylko z perspektywy lekarza, ale również dla pacjenta, np. w edukacji zdrowotnej czy po prostu na wyjaśnieniu terminologii medycznej.

AI może być również wsparciem dla kadry medycznej, skracając lub upraszczając wykonywanie czasochłonnych zadań, np. poprzez generowanie podsumowania wywiadu z pacjentem, dokumentów rozliczeniowych czy wypisów ze szpitala, co pozwala personelowi skoncentrować się na bezpośredniej opiece nad pacjentami. Rozwiązania technologiczne wykorzystujące sztuczną inteligencję mogą także wspierać edukację medyczną, oferując symulacje medyczne czy wirtualne treningi, które umożliwiają lepsze przygotowanie do pracy klinicznej bez ryzyka dla pacjentów [4].

AI może być także zastosowane jako narzędzie do optymalizacji wewnętrznych procesów szpitalnych i pomocne w zwiększeniu efektywności i redukcji kosztów funkcjonowania placówki opieki zdrowotnej. Systemy informatyczne wykorzystujące AI, często określane „inteligentne”, mogą służyć do zarządzania logistyką wewnątrzszpitalną, od zarządzania zapasami po optymalizację harmonogramów pracy personelu, co z założenia ma się przyczyniać do płynniejszego funkcjonowania placówki i poprawy jakości świadczonych usług. Ponadto, dzięki zastosowaniu AI w analizie danych operacyjnych, można zidentyfikować obszary do usprawnień, co może z kolei być wykorzystywane do tworzenia i testowania inicjatyw mających na celu podniesienie standardów opieki zdrowotnej. Systemy wykorzystujące AI są w stanie „uczyć się” z danych, które je zasilają. Oznacza to, że mogą one poprawiać swoją dokładność i skuteczność w miarę przetwarzania nowych informacji, identyfikować ukryte wzorce i zależności w danych oraz dostosowywać swoje prognozy na podstawie zdobytej wiedzy. Dzięki temu, te rozwiązania są bardziej elastyczne i mogą dostosowywać się do zmieniających się warunków lub nowych danych. Te cechy są w szczególności istotne w pracach badawczych nad nowymi lekami, umożliwiając skrócenie czasu ich trwania, a w konsekwencji kosztów badań [4].

Funkcjonowanie zaawansowanych technologii jest możliwe dzięki rozwojowi telekomunikacji i łączności i w związku z tym ich rozwój to warunek konieczny do tworzenia strategii i wdrażania nowoczesnych i bezpiecznych rozwiązań w opiece zdrowotnej.

Przykład GenAI w szpitalu

Choć wiele publikacji traktuje o możliwości zastosowania AI w zdrowiu, w tym generatywnego AI, to jednak nie ma jeszcze wielu publikacji z opisem efektów, czy studium przypadku z wdrożenia. HCA Healthcare, z siedzibą w Nashville w Stanach Zjednoczonych, rozpoczęło wykorzystywanie tej technologii do dokumentowania wizyt w oddziałach ratunkowych. Sieć składająca się z ponad 180 szpitali rozpoczęła od implementacji generatywnego AI w zakresie usprawnień w prowadzeniu dokumentacji medycznej przez lekarzy oddziałów ratunkowych w czterech szpitalach. Biorąc pod uwagę fakt, że minął niecały rok od debiutu ChatGPT i rozpoczęciem współpracy pomiędzy HCA i partnera technologicznego, to można dojść do wniosku, że sektor opieki zdrowotnej dość szybko przyjmuje technologię generatywnego AI. W czterech oddziałach ratunkowych HCA lekarze używają aplikacji, która rejestruje ich interakcje z pacjentami. Dane są następnie przetwarzane przez LLM, natychmiast tworząc notatkę, którą lekarze przeglądają i mogą ją modyfikować przed przesłaniem jej do systemu elektronicznej dokumentacji medycznej. HCA planuje rozszerzyć program pilotażowy na inne oddziały i szpitale. Na platformie wykorzystującej AI nie przechowuje się danych, ani nie uczy się z danych pacjentów. Pacjenci oddziałów ratunkowych wyrażają zgodę przed tym, jak AI słucha ich interakcji z klinicystami.  W ocenie kierownictwa HCA, technologia ta ma potencjał, by w przyszłości „podpowiadać” klinicystom w systemie elektronicznej dokumentacji medycznej, jakie pytania mogliby zadać lub jaką diagnozę mogli przeoczyć, otwierając nowe perspektywy dla wsparcia decyzji klinicznych i poprawy efektów zdrowotnych [7, 8].

Ciekawe wnioski można również wyciągnąć z badania przeprowadzonego w Hong Kongu. Badacze ocenili zdolność ChatGPT do działania jako narzędzia wspomagającego podejmowanie decyzji klinicznych. Przeanalizowali historie medyczne sześciu pacjentów w wieku powyżej 65 r.ż., których ostateczna diagnoza została opóźniona o ponad miesiąc w związku ze skomplikowanym stanem zdrowia. Ich przypadki zostały przedstawione do analizy przez ChatGPT-4 oraz dostępny komercyjnie system wsparcia decyzji klinicznych (CDSS, Isabel Healthcare). Chatbotowi nie podano ostatecznej diagnozy klinicystów. Spośród sześciu pacjentów, GPT-4 prawidłowo zdiagnozował czterech z sześciu (66,7%), klinicyści dwóch z sześciu (33,3%), a Isabel – żadnego. Badacze odkryli, że pewne słowa kluczowe były niezbędne w postawieniu prawidłowej diagnozy. Ich zdaniem GPT-4 ma potencjalne zastosowanie kliniczne u starszych pacjentów bez ostatecznej diagnozy klinicznej, ale wymaga wprowadzenia kompleksowych informacji demograficznych i klinicznych, w tym radiologicznych i farmakologicznych. GPT-4 może zwiększyć pewność co do diagnozy i wcześniejsze rozpoczęcie odpowiedniego leczenia, czy też zwrócić uwagę klinicystom na brakujące informacje ważne w kontekście diagnozy lub oferować sugestie, aby osiągnąć prawidłową diagnozę, co ma potencjalną wartość w państwach rozwijających się, z brakiem opieki specjalistycznej [9]. 

Wyzwania

W związku z tym, że w zależności od rozwiązania wykorzystującego AI, możemy mieć do czynienia z tzw. black box, konieczne jest zaadresowanie wyzwań lub nawet zagrożeń, które mogą wystąpić w związku z zastosowaniem AI w ochronie zdrowia.

Wyzwania związane z zastosowaniem AI w dziedzinie zdrowia są dość liczne i złożone.  Obejmują kwestie takie jak ochrona danych, własność danych, kontrola ich jakości, wymogi dotyczące świadomej zgody pacjenta, ciągła walidacja wyników, odpowiedzialność za błędy medyczne, niesprawiedliwe traktowanie pacjentów, przejrzystość podejmowania decyzji przez lekarzy, brak interoperacyjnych systemów elektronicznej dokumentacji medycznej oraz zagrożenie cyberatakami i nadmiernym poleganiem na AI. Te wyzwania wskazują na potrzebę zrównoważonego podejścia, które promuje innowacje i korzyści płynące z AI, jednocześnie minimalizując ryzyko i negatywne skutki. Kwestie te są szczególnie istotne w kontekście świadczenia usług zdrowotnych, gdzie bezpieczeństwo i dobrostan pacjentów są najważniejsze.

W odpowiedzi na te wyzwania, ustawodawcy podjęli działania w kierunku regulacji zastosowań AI, w tym w sektorze zdrowia. W Unii Europejskiej przyjęto rozporządzenie w sprawie sztucznej inteligencji  (AI Act)[10]. Regulacja ta ma na celu zapewnienie wysokiego poziomu bezpieczeństwa i ochrony danych osobowych, promowanie przejrzystości i odpowiedzialności, oraz zapewnienie, że systemy AI będą działać w sposób sprawiedliwy i bez dyskryminacji. AI Act wprowadza zróżnicowane podejście do ryzyka, wymagając bardziej rygorystycznych środków weryfikacyjnych dla systemów AI o wysokim ryzyku, co obejmuje aplikacje AI w medycynie. Poprzez takie regulacje, UE dąży do stworzenia ram prawnych, które wspierają innowacje w AI przy jednoczesnym zapewnieniu bezpieczeństwa, ochrony i zaufania użytkowników.

Podsumowanie

Wśród korzyści z zastosowania AI w zdrowiu, kluczowe są: zwiększony dostęp do opieki i wsparcie dla personelu medycznego, omawiane w literaturze i na portalach branżowych. AI może wcześnie wykrywać choroby, co poprawia szanse na leczenie, oraz umożliwia personalizację terapii, dostosowując ją do potrzeb pacjenta, co zwiększa efektywność terapii i satysfakcję pacjentów. To przyczynia się do lepszych wyników leczenia i promuje opiekę skoncentrowaną na pacjencie.

Rozwój sztucznej inteligencji w medycynie jest nieunikniony i oferuje obiecujące perspektywy dla przyszłości opieki zdrowotnej. Jednak aby w pełni wykorzystać potencjał AI i zarazem zminimalizować związane z nią ryzyka, konieczne jest prowadzenie ciągłej debaty na temat nie tylko skuteczności klinicznej, ale także etycznych, prawnych i społecznych aspektów jej wykorzystania. Tylko zrównoważone podejście umożliwi osiągnięcie najlepszych wyników dla pacjentów.

---

Źródła:

1. Pasick, A. (2023, March 27). Artificial intelligence glossary: Neural networks and other terms explained. The New York Times https://www.nytimes.com/article/ai-artificial-intelligence-glossary.html 
2. Bansal, G., Chamola, V., Hussain, A. et al. Transforming Conversations with AI—A Comprehensive Study of ChatGPT. Cogn Comput (2024). https://doi.org/10.1007/s12559-023-10236-2 
3. Ciecierski-Holmes, T., Singh, R., Axt, M., Brenner, S., & Barteit, S. (2022). Artificial intelligence for strengthening healthcare systems in low- and middle-income countries: a systematic scoping review. NPJ digital medicine, 5(1), 162. https://doi.org/10.1038/s41746-022-00700-y
4. Wang, F., & Preininger, A. (2019). AI in Health: State of the Art, Challenges, and Future Directions. Yearbook of medical informatics, 28(1), 16–26. https://doi.org/10.1055/s-0039-1677908
5. Lee, P., Bubeck, S., & Petro, J. (2023). Benefits, Limits, and Risks of GPT-4 as an AI Chatbot for Medicine. New England Journal of Medicine, 388(13), 1233-1239. https://doi.org/10.1056/NEJMsr2214184
6. Dong, L., Yang, Q., Zhang, R. H., & Wei, W. B. (2021). Artificial intelligence for the detection of age-related macular degeneration in color fundus photographs: A systematic review and meta-analysis. EClinicalMedicine, 35, 100875. https://doi.org/10.1016/j.eclinm.2021.100875
7. Giles, B. (2023, August 29^th) HCA, Google roll out generative AI project https://www.beckershospitalreview.com/digital-health/hca-google-roll-out-generative-ai-project.html
8. Giles, B. (2023, March 18^th) Inside HCA + Google’s generative AI project https://www.beckershospitalreview.com/innovation/inside-hca-googles-generative-ai-project.html
9. Shea, Y. F., Lee, C. M. Y., Ip, W. C. T., Luk, D. W. A., & Wong, S. S. W. (2023). Use of GPT-4 to Analyze Medical Records of Patients With Extensive Investigations and Delayed Diagnosis. JAMA network open, 6(8), e2325000. https://doi.org/10.1001/jamanetworkopen.2023.25000
10. Komunikat prasowy (2024 r., 13 marca ) https://www.europarl.europa.eu/news/pl/press-room/20240308IPR19015/akt-w-sprawie-sztucznej-inteligencji-poslowie-przyjmuja-przelomowe-przepisy