AI w opiece zdrowotnej – w Polsce będziemy musieli na nią jeszcze trochę poczekać

Sztuczna inteligencja w coraz większym stopniu staje się częścią ekosystemu opieki zdrowotnej, a potencjał jej wykorzystania w tym sektorze jest ogromny. Oczekuje się, że globalny rynek AI w medycynie będzie rozwijał się w latach 2021-2028 średnio o niemal 42% rocznie. Tak wynika z raportu Grand View Research, który jednocześnie wycenia go na 6,7 mld USD w roku 2020. Wśród czynników napędzających wspomniany przyrost eksperci wymieniają rosnącą ilość cyfrowych danych pacjentów, presję na obniżenie wydatków na ochronę zdrowia, konieczność szybkiego diagnozowania i wzrastające zapotrzebowanie na medycynę spersonalizowaną.

Obecnie cały świat zmierza w kierunku decentralizacji opieki medyczno-szpitalnej, a więc odciążenia przychodni i szpitali na rzecz leczenia zdalnego. W wyniku pandemii koronawirusa zmieniły się chociażby oczekiwania pacjentów co do formy ich leczenia. Często diametralnie zmienił się bowiem ich styl życia. Starzeją się społeczeństwa – do 2050 roku 25% osób w Europie oraz Ameryce Północnej będzie miało ponad 65 lat – co oznacza, że systemy opieki zdrowotnej będą musiały zajmować się większą liczbą pacjentów i robić to nie epizodycznie, a w sposób długotrwały. Poza tym sektor zdrowia potrzebuje coraz większej liczby pracowników. Według Światowej Organizacji Zdrowia, do 2030 roku tylko w Europie zapotrzebowanie na lekarzy, pielęgniarki i położne wzrośnie do 18,2 mln. Na świecie brakować ma prawie 10 mln pracowników służby zdrowia. W Polsce, według danych z 2020 roku, na jednego lekarza przypadało ponad 200 pacjentów. Nieustannie rosną też wydatki na opiekę zdrowotną, z których – jak podaje Insider Intelligence – 30% związanych jest z zadaniami administracyjnymi, a niektóre z nich można przecież zautomatyzować.

Po okresie pewnej zapaści przed pandemią, doszło do znacznego odbicia, jeśli chodzi o procesy cyfryzacyjne w ochronie zdrowia. „Jest duże zainteresowanie technologiami – także tymi wykorzystującymi sztuczną inteligencję – zarówno po stronie podmiotów prywatnych, jak i publicznych. Potrzeby te zauważamy w wynikach badania Health Technology Vision 2021, które Accenture przeprowadza co roku wśród kadry zarządczej podmiotów świadczących usługi w zdrowiu. Organizacje zgłaszają chęć wdrażania narzędzi wspierających proces decyzyjny w ochronie zdrowia nie tylko w zakresie gospodarowania zasobami, lecz także w procesie leczenia” – mówi Marcin Howorko, Senior Manager, Accenture Strategy & Consulting.

Podczas ostatniego roku pacjenci na całym świecie mogli odczuć „na własnej skórze”, że świadczenie, przynajmniej tych podstawowych usług medycznych, w formie zdalnej jest jak najbardziej możliwe. A zarówno rozwiązania telemedyczne, jak i stricte medyczne coraz częściej opierają się właśnie na sztucznej inteligencji. Jak wskazują analitycy McKinsey, technologia ta może pomóc zwiększyć efektywność świadczenia opieki zdrowotnej, a także zapewnić większą liczbę osób do jej świadczenia. Wreszcie może przyczynić się do tego, że pracownicy służby zdrowia nie tylko będą mogli przeznaczyć więcej czasu na bezpośrednią opiekę nad pacjentami, ale też poprawią się ich doświadczenia i zmniejszy ryzyko wypalenia zawodowego.

W podstawowej opiece zdrowotnej popularność zyskują rozwiązania typu triage, w których – na podstawie informacji zebranych od pacjenta – algorytm AI kieruje na odpowiednie ścieżki postępowania, wydaje rekomendacje w zakresie konieczności dalszych konsultacji. Stają się one dość powszechne na rynku amerykańskim. Również w Polsce pojawiają się startupy, które oferują takie rozwiązania. Zebrane dane pozwalają też na generowanie „insightów” – informacji o potrzebach pacjentów, które są z kolei niezbędne do planowania i zarządzania w sposób efektywny zasobami placówek służby zdrowia.

Marcin Howorko, Senior Manager, Accenture Strategy & Consulting

Trzy etapy skalowania AI w opiece zdrowotnej

Pod pojęciem sztucznej inteligencji w medycynie kryje się dość szerokie spektrum rozwiązań, m.in. przetwarzanie języka naturalnego (NLP), analiza obrazu czy analityka predykcyjna oparta na uczeniu maszynowym. Narzędzia te wykorzystywane są wciąż na niewielką skalę (głównie w USA i krajach azjatyckich), ale ich coraz szersze zastosowanie w systemach opieki zdrowotnej wskazuje na wyraźne przyspieszenie tempa zmian. Jak wynika z raportu „Transforming healthcare with AI: The impact on the workforce and organizations” przygotowanego przez McKinsey, choć globalnie znajdujemy się wciąż na bardzo wczesnym etapie zrozumienia pełnego potencjału AI dla opieki zdrowotnej, można spodziewać się trzech etapów skalowania tej technologii w tym konkretnym sektorze.

1. Zadania administracyjne i aplikacje oparte na obrazowaniu

Rozwiązania oparte na sztucznej inteligencji wesprzeć mają przede wszystkim zadania administracyjne – szczególnie te łatwo dostępne, rutynowe i powtarzalne – które pochłaniają znaczną ilość czasu przede wszystkim lekarzy, ale także pielęgniarek. A potrzeby są w tej materii naprawdę duże, według Amerykańskiego Towarzystwa Medycznego, tamtejsi lekarze nawet połowę swego czasu (49%) poświęcają na prowadzenie dokumentacji medycznej, podczas gdy na bezpośredni kontakt z pacjentem mają raptem 27% czasu.

Pierwszy etap obejmuje również aplikacje AI oparte na obrazowaniu, które są już wykorzystywane na świecie w takich specjalnościach, jak radiologia (np. szybka analiza zdjęć pod kątem potencjalnych zmian ułatwiająca przygotowanie opisu), patologia czy okulistyka. Dodajmy, że pierwsze próby stworzenia rozwiązań tego typu mają już także miejsce w Polsce. Otóż Uniwersyteckie Centrum Kliniczne w Gdańsku – które ma jedną z największych baz medycznych w Polsce, obejmującą dane ponad 1 mln pacjentów – rozpoczęło podczas pandemii współpracę z Politechniką Gdańską nad rozwiązaniem wykorzystującym dane radiologiczne w analizie obrazu do szybkiej diagnostyki COVID-19.

„W podstawowej opiece zdrowotnej popularność zyskują rozwiązania typu triage, w których na podstawie informacji zebranych od pacjenta algorytm kieruje na odpowiednie ścieżki postępowania, wydaje rekomendacje w zakresie konieczności dalszych konsultacji. Stają się one dość powszechne na rynku amerykańskim, ale też w Polsce pojawiają się startupy, które oferują takie rozwiązania. Zebrane dane pozwalają też na generowanie „insightów” – informacji o potrzebach pacjentów, które są z kolei niezbędne do planowania i zarządzania zasobami w sposób efektywny” – komentuje Marcin Howorko.

2. Zdalne monitorowanie, wirtualni asystenci, roboty chirurgiczne

Jak wynika ze wspomnianego raportu, w drugim etapie skalowania AI oczekuje się stworzenia większej liczby rozwiązań do zdalnego monitorowania, systemów alarmowych czy też wirtualnych asystentów i chatbotów, a więc takich narzędzi, które wspierać będą przejście od opieki szpitalnej do domowej. Etap ten powinien obejmować więc szersze zastosowanie zwłaszcza rozwiązań NLP, ale także innych (np. Deep Learning) w większej liczbie specjalności, takich jak onkologia, kardiologia czy neurologia, w których już teraz postępują na świecie różnego rodzaju prace badawczo-projektowe.

Jedną z propozycji tego typu rozwiązań jest choćby Thermalytix – nowa technika mammograficzna, wykrywająca nieprawidłowości w piersiach w sposób bezkontaktowy i nieinwazyjny. To rozwiązanie diagnostyczne wspomagane jest właśnie przez sztuczną inteligencję, która automatyzuje interpretację obrazów termicznych o wysokiej rozdzielczości i identyfikuje potencjalne zmiany nowotworowe.

Także chirurgia wspomagana specjalistycznymi robotami jest jednym z najbardziej obiecujących segmentów AI w medycynie, zwłaszcza że na świecie dochodzi obecnie do coraz większej liczby partnerstw zawieranych przez producentów robotów z firmami analizującymi dane oraz dostawcami technologii AI. Poza chirurgią roboty zaczynają też być wykorzystywane do powtarzalnych zadań w rehabilitacji, terapii fizycznej czy jako wsparcie dla osób z długotrwałymi schorzeniami. Ponadto AI – w połączeniu z postępem w projektowaniu robotów humanoidalnych – pozwoli kiedyś nie tylko pomóc ludziom będącym u schyłku życia dłużej zachować niezależność i ograniczyć hospitalizację, ale być może także prowadzić z nimi „rozmowy” czy inne interakcje społeczne.

3. AI w praktyce klinicznej

Z kolei w trzeciej fazie oczekuje się większej liczby rozwiązań AI stosowanych w praktyce klinicznej, opartych na dowodach z badań klinicznych, a w szczególności narzędzi – jak analityka predykcyjna – wspomagających podejmowanie konkretnych decyzji klinicznych. I choć sztuczna inteligencja nie wywarła jeszcze znaczącego wpływu na wspomniane badania kliniczne, to modele oparte na niej pomagają już w projektowaniu badań.

I tak, techniki oparte na AI koncentrują się choćby na poprawie adherencji w badaniach, a systemy monitorowania, takie jak np. Deep6AI, w ciągu kilku minut potrafią wyselekcjonować pokaźną liczbę pacjentów do badań klinicznych. Z kolei naukowcy z Uniwersytetu Północnej Karoliny w USA wykorzystali superkomputer IBM Watson’s Genomic do zidentyfikowania konkretnych metod leczenia dla ponad 1000 pacjentów z guzami wskazującymi nieprawidłowości genetyczne.

Sukces wdrożenia sztucznej inteligencji w segmencie Health Care będzie przede wszystkim opierał się na świadomości oczekiwań wobec algorytmów AI oraz kompetencji w zarządzaniu nimi. Trzeba bowiem pamiętać, że to nie są gotowe produkty z pudełka, tylko żyjące systemy, które muszą być zasilane nowymi, solidnymi danymi, trenowane i ulepszane. Jeśli nie będziemy ich nieustannie „tuningować”, bardzo szybko zaczną dawać coraz gorsze wyniki, a lekarze nie będą chcieli z nich korzystać.

Marcin Wojciechowski, szef Działu Teleinformatyki w Uniwersyteckim Centrum Klinicznym w Gdańsku

AI w medycynie na świecie, w Europie i Polsce

Pod względem geograficznym, największa dynamika wzrostu rozwiązań AI w medycynie odnotowywana jest obecnie w Azji, a zwłaszcza w Chinach, gdzie technologiczni gracze mają coraz szerszą ofertę dla opieki zdrowotnej, a wiodąca platforma zarządzania zdrowiem firmy Ping An – o nazwie Good Doctor-  ma już ponad 300 mln użytkowników. Stany Zjednoczone dominują natomiast jeśli chodzi o listę firm o najwyższym poziomie finansowania VC w dziedzinie AI w medycynie. Mają też najwięcej ukończonych badań i prób związanych z tego typu rozwiązaniami.

W Europie z kolei zaczyna się na szerszą skalę korzystać z ogromnych ilości danych zgromadzonych w krajowych systemach opieki zdrowotnej, prowadzi badania naukowe, powołuje klastry innowacji i paneuropejskiej współpracy oraz formułuje się strategię, która ma sprecyzować efektywny i właściwy „unijny sposób” podejścia do AI. Obecnie nie ma bowiem kompleksowych uregulowań prawnych dotyczących wykorzystania sztucznej inteligencji w ochronie zdrowia, zarówno na poziomie Unii Europejskiej, jak i w Polsce. Przyjęta w 2020 roku uchwała Rady Ministrów w sprawie ustanowienia polityki dla rozwoju sztucznej inteligencji w Polsce tylko ogólnie wspomina o jej zastosowaniu w służbie zdrowia. Choć w kwietniu 2021 roku Komisja Europejska opublikowała projekt rozporządzenia w sprawie sztucznej inteligencji.

„Jest to kolejny krok, po opublikowanej w 2020 roku Białej Księdze, w celu skoordynowania działań państw członkowskich w regulacji wykorzystania sztucznej inteligencji i zarządzania ryzykiem. Kwestia bezpieczeństwa jest kluczowa w obszarach bezpośrednio związanych ze zdrowiem i życiem. Organy administracji publicznej działają w granicach i na podstawie przepisów prawa. W zależności od przyjętego kształtu rozporządzenia Parlamentu Europejskiego i Rady, prawo krajowe może wymagać dostosowań w celu zapewnienia realizacji praw i obowiązków określonych w rozporządzeniu. Mając na uwadze intensyfikację działań regulatorów w tym zakresie, można oczekiwać, że kwestie związane ze stosowaniem sztucznej inteligencji zostaną uregulowane w ciągu najbliższych kilku lat” – zauważa Katarzyna Byszek, Associate Manager, Accenture Research.

Wyzwaniem dla analityków w medycynie jest radzenie sobie z nieustrukturyzowanymi danymi, np. powstającymi w trakcie wywiadu lekarza z pacjentem, wpisanymi do dokumentacji medycznej. Struktura takiego wywiadu może się znacznie różnić. Potrzebne są rozwiązania, które pozwolą na standaryzację zakresu danych, w konsekwencji porównywalności zebranych danych i ich analizy, w celu opracowania rekomendacji w zakresie wczesnego wykrywania, diagnozowania, leczenia i monitorowania stanu zdrowia pacjentów. Takim rozwiązaniem może być np. wirtualny asystent lekarza.

Katarzyna Byszek, Associate Manager, Accenture Research

Problem z danymi

Niestety, wspomniane wcześniej cenne zbiory danych poszczególnych państw UE nie są ze sobą w żaden sposób powiązane, jak choćby w USA, gdzie ustawy Kongresu zobligowały wszystkie szpitale i jednostki, aby je anonimizować i przesyłać do centralnego repozytorium. Dzięki czemu firmy technologiczne mogą testować silniki sztucznej inteligencji na konkretnym i wciąż rosnącym zbiorze danych. Tego typu rozwiązań systemowych brakuje także w Polsce.

„Szpitale nie chcą przekazywać danych w ilościach hurtowych firmom prywatnym, nawet w formie zanonimizowanej. Wciąż bowiem na rynku produktów AI stykamy się z mocno niedojrzałą sytuacją, gdzie firmy – zarówno te duże jak i małe, kilkuosobowe startupy – przychodzą do nas z pomysłami, mówiąc – dajcie nam wasze dane, a my wam przygotujemy narzędzie. Szpitale po pierwsze boją się, że te raz wypuszczone dane będą później krążyć między firmami, a po drugie, nie ma jasnego stanowiska prawnego czy można je przekazywać nawet do celów naukowo-badawczych” – tłumaczy Marcin Wojciechowski, szef Działu Teleinformatyki w Uniwersyteckim Centrum Klinicznym w Gdańsku. „Szpitale oczekują też sytuacji odwrotnej. Czekają na firmy, które zgłoszą się do nich z działającymi już sieciami neuronowymi generującymi jakieś wyniki czy gotowym portfolio narzędzi opartych na AI, do których można od razu te dane wrzucić” – dodaje.

Fundamentalną kwestią jest również proces zbierania danych. „Wyzwaniem dla analityków w medycynie jest radzenie sobie z nieustrukturyzowanymi danymi, np. powstającymi w trakcie wywiadu lekarza z pacjentem, wpisanymi do dokumentacji medycznej. Struktura takiego wywiadu może się znacznie różnić, jedne są bardziej, inne mniej szczegółowe. Potrzebne są rozwiązania, które pozwolą na standaryzację zakresu danych, w konsekwencji porównywalności zebranych danych i ich analizy, w celu opracowania rekomendacji w zakresie wczesnego wykrywania, diagnozowania, leczenia i monitorowania stanu zdrowia pacjentów. Takim rozwiązaniem może być np. wirtualny asystent lekarza. Obecnie rozwiązania w analizie nieustrukturyzowanych danych są jeszcze niszowe, testowane i na małą skalę wprowadzane m.in. w USA” – tłumaczy Katarzyna Byszek.

Brak zaufania do AI

Z badań takich jak choćby Accenture „Digital Health Survey 2020” wynika, że większość pacjentów ufa lekarzom w podejmowaniu decyzji w procesie leczenia, ale jak się okazuje, zaufanie to spada wraz ze wzrostem udziału sztucznej inteligencji w procesie decyzyjnym. To kolejny istotny problem. Natomiast z badań, które analitycy Accenture przeprowadzili wśród lekarzy w tym roku, wynika, że choć większość z nich nie korzysta obecnie z rozwiązań wykorzystujących AI, to są oni zainteresowani zastosowaniem ich w przyszłości, w szczególności w celu wczesnego wykrywania i diagnozowania chorób. Te same badania wskazują jednak, że lekarze nie mają wiedzy na temat działania sztucznej inteligencji, a większość z nich nie miała też żadnego szkolenia w tym zakresie.

„Takie szkolenia, w czasie których byłoby wyjaśnione w jakiej skali można wykorzystać AI i jak działa, np. w procesie wsparcia leczenia, są bardzo ważne, mogą bowiem zwiększyć świadomość o działaniu algorytmów i pomóc w odejściu od traktowania AI jako ‘black box’ – przekonuje Katarzyna Byszek. „Jeśli lekarze będą wiedzieć na jakiej podstawie generowane są rekomendacje w zakresie procesu leczenia, to możliwe, że będą z nich chętniej korzystać przy podejmowaniu decyzji. Edukacja i działania promujące wiedzę na temat AI są kluczowe w rozpowszechnieniu zastosowań tej technologii przez lekarzy, ale także w zwiększeniu zaufania i akceptacji pacjentów na temat wykorzystania AI w procesie leczenia” – dodaje.

Etyka w rozwiązaniach AI

Sztuczna inteligencja może rzeczywiście odegrać ogromną rolę w poprawie poziomu opieki zdrowotnej, jednak tylko wtedy, gdy będzie projektowana, wdrażana i stosowana w sposób etyczny. Na tę kwestię zwraca uwagę opublikowany przez WHO w czerwcu 2021 roku raport „Ethics and governance of artificial intelligence for health”. Ostrzega on przed nadmiernym przecenianiem korzyści płynących z technologii AI dla zdrowia, zwłaszcza gdy wdrażanie jej odbywać się będzie kosztem podstawowych inwestycji i strategii wymaganych do osiągnięcia powszechnego objęcia opieką zdrowotną. Wyzwania i zagrożenia te związane są m.in. z nieetycznym gromadzeniem i wykorzystywaniem danych dotyczących zdrowia pacjentów, bezpieczeństwem cybernetycznym, a także swego rodzaju uprzedzeniami, które mogą być zakodowane w algorytmach.

We wspomnianym raporcie specjaliści WHO wskazują 6 zasad, które należy traktować jako podstawę do zarządzania AI, aby ograniczyć ryzyko i zmaksymalizować możliwości jej wykorzystania.

1. Zapewnienie ochrony ludzkiej autonomii –pełna kontrola nad systemami opieki zdrowotnej, ochrona prywatności pacjentów, zapewnienie poufności i ochrony danych przez stosowne regulacje prawne.

2. Promowanie dobrej obsługi i bezpieczeństwa pacjentów – twórcy technologii AI winni spełniać wszelkie wymogi regulacyjne w zakresie jej bezpieczeństwa i jakości (konieczne są środki kontroli jakości).

3. Zapewnienie przejrzystości i zrozumiałości – opracowanie bądź wdrożenie technologii AI wymaga przekazania odpowiedniej dokumentacji i łatwo dostępnych informacji, które ułatwią konsultację oraz debatę, jak dane rozwiązanie zaprojektowano i w jaki sposób powinno ono być wykorzystywane.

4. Wspieranie odpowiedzialności –zainteresowane strony winny dopilnować, aby technologie AI były stosowane w odpowiednich warunkach i przez przeszkolone osoby.

5. Zapewnienie sprawiedliwej i szerokiej implementacji społecznej – rozwiązania AI powinny być umożliwione do wykorzystania bez względu na wiek, płeć, dochody, rasę, pochodzenie etniczne, orientację seksualną, zdolności czy inne cechy.

6. Promowanie zrównoważonego i responsywnego AI – zarówno twórcy, jak i użytkownicy powinni w sposób ciągły i przejrzysty oceniać aplikacje AI w trakcie ich rzeczywistego użytkowania, aby ustalić, czy odpowiadają one oczekiwanym wymaganiom.

Dane, kompetencje oraz świadomość

Pracownicy służby zdrowia ankietowani przez specjalistów McKinsey podkreślają z kolei, że trzy najważniejsze kwestie, na których powinny skupić się w przyszłości organizacje opieki zdrowotnej w kontekście wdrażania rozwiązań AI to: poprawa jakości danych, utworzenie multidyscyplinarnych zespołów o odpowiednich umiejętnościach oraz zidentyfikowanie właściwych przypadków użycia takich rozwiązań.

„Sukces wdrożenia sztucznej inteligencji w segmencie Health Care przede wszystkim opierał się będzie na świadomości oczekiwań wobec  rozwiązań AI oraz kompetencji w zarządzaniu nimi. Trzeba bowiem pamiętać, że to nie są gotowe produkty z pudełka, tylko żyjące systemy, które muszą być zasilane nowymi, solidnymi danymi, trenowane i ulepszane. Jeśli nie będziemy ich nieustannie tuningować, bardzo szybko zaczną dawać coraz gorsze wyniki, a lekarze nie będą chcieli z nich korzystać” – uważa Marcin Wojciechowski. „Idealnym, zdrowym konstruktem byłaby więc następująca triada – szpital jako dostawca danych i odbiorca narzędzi klinicznych, powiązana z nim uczelnia medyczna, będąca ekspertem naukowo-merytorycznym, i wreszcie partner technologiczny, który wie jak tworzy się takie narzędzia, zasila je danymi czy trenuje. Powoli próbuje się nawet zbliżać do siebie tych trzech partnerów. Jednak bez odpowiednich zmian systemowo-prawnych próby te kończyć się będą na formalnych przepychankach, a AI w medycynie będzie pozostawać jedynie hot trendem, o którym wiele się mówi, ale nie robi nic konkretnego” – podsumowuje.