facebook LinkedIN LinkedIN - follow
IT pro veřejný sektor a zdravotnictví , AI a Business Intelligence , Veřejný sektor a zdravotnictví

Umělá inteligence se zabydluje ve zdravotnictví

Petr Moláček


Ani si to moc neuvědomujeme, ale umělou inteligenci (AI) již dnes běžně používáme v sociálních médiích, k navigování při jízdě autem nebo k online nakupování. Kde ale AI budeme stále více využívat, je zdravotnictví. Už dnes má pozoruhodné výsledky především v diagnostice nemocí, v řízení léčby, ve farmacii a dalších.


Podle řady současných výzkumů může umělá inteligence fungovat při úlohách, jako je třeba diagnostika onemocnění, minimálně stejně dobře nebo i lépe než lidé. Nadšení pro rychlé využití AI je ale třeba zchladit konstatováním, že před nasazením je nutné projít nákladnými klinickými zkouškami a schvalovacím procesem. Pojďme se tedy podívat na potenciál, který umělá inteligence zdravotní péči nabízí, ale i na některé překážky jejího rychlejšího uplatnění.

Jaké druhy AI jsou pro zdravotní péči relevantní

O umělé inteligenci se velmi často hovoří a píše v jednotném čísle. Ve skutečnosti ji tvoří sada technologií, z nichž většina má pro uplatnění ve zdravotní péči poměrně okamžitý význam.

Strojové učení, neuronové sítě a hluboké učení

Strojové učení (ML – Machine learning) je přizpůsobování datových modelů pomocí statistických technik. Ve zdravotnictví je nejběžnějším využitím tradičního strojového učení prediktivní medicína. Tedy zjišťování pravděpodobnosti, zda na základě různých atributů a kontextu léčby budou konkrétní léčebné postupy u pacienta účinné. Valná většina aplikací pro strojové učení a přesnou medicínu také vyžaduje data, podle kterých se systémy dále učí pod dohledem neboli supervizí.

Technologie neuronové sítě (ANN – Artificial neural network) se ve zdravotnickém výzkumu úspěšně využívají již několik desetiletí. Poměrně běžně se používají ke klasifikaci dat pro určení pravděpodobnosti, zda pacient může konkrétní nemocí onemocnět.

Komplexní nástroj hlubokého učení (ML – Deep learning) se schopností samoučení z přibývajících dat se stále více uplatňuje například v radiomice neboli analýze obrazových dat, kde slouží k detekci klinicky relevantních obrazových vzorů nad rámec toho, co může lidské oko vnímat. Velmi časté využití je také v onkologii při rozpoznávání potenciálních rakovinných lézí na rentgenových snímcích.

Zpracování přirozeného jazyka

Hluboké učení se rovněž využívá k rozpoznávání řeči ve formě zpracování přirozeného jazyka (NLP – Natural language processing). To zahrnuje aplikace, jako je rozpoznávání řeči, analýza textu, překlady a další využití, související s jazykem.

Ve zdravotnictví je dominantním využitím aplikace NLP tvorba, porozumění a klasifikace klinické dokumentace a zpracování publikovaného výzkumu. Systémy NLP tak mohou být využity pro analýzu nestrukturovaných klinických poznámek o pacientech, připravovat zprávy (např. o radiologických vyšetřeních), přepisovat interakce pacientů při vyšetření a další.

Diagnostické a léčebné aplikace

Diagnostika a léčba onemocnění je předmětem zájmu AI již desítky let. Tyto systémy ale nebyly v klinické praxi šířeji akceptovány. Jednak nebyly podstatně lepší než živí diagnostici, a navíc byly špatně integrovatelné do pracovních klinických postupů a do systémů pro správu zdravotních záznamů pacientů.

To se však začíná měnit, i když se jedná zatím spíše o jednotlivé instalace ve výzkumných laboratořích a v technologických firmách. Výzkumníci se přitom nejvíce zaměřují na analýzu obrazových vstupů, což jsou většinou radiologické snímky, dále skeny sítnice nebo zobrazení genomických struktur.

Na vlastních řešeních implementací AI také pracují významné technologické firmy i startupy. Google ve spolupráci s poskytovateli zdravotní péče pracuje na vytváření predikčních modelů, které by varovaly lékaře před vysoce rizikovými stavy, jako jsou sepse a srdeční selhání. Další firmy, jako Enlitic a řada dalších startupů, se věnují vývoji algoritmů k interpretaci obrazů s využitím AI. Jiné firmy se zaměřují na diagnostiku a léčbu určitých druhů rakovin na základě genetických profilů.

Prediktivní modely k předpovídání ohrožení populací konkrétními chorobami nebo k předpovědi opětovného přijetí pacientů do nemocnic používají rovněž zdravotní pojišťovny a poskytovatelé zdravotní péče.

Aplikace pro zapojení pacientů a dodržování léčby

Angažovanost pacientů a dodržování nastavené léčby je považováno za významný problém a výzvu na cestě k dosažení efektivní zdravotní péče. Aktivní zapojení pacientů totiž podstatně zlepšuje výsledky jejich léčby, využití zdravotnických kapacit a financí.

Slibnou oblastí výzkumu je oblast propojení strojového učení a systémů k řízení zdravotní péče skupin obyvatel a populací. Takové systémy umožňují personifikovaně jednotlivým pacientům připravit výstrahy, zprávy a další relevantní cílený obsah, který v důležitých okamžicích vyvolá u pacientů potřebné akce.

Rostoucí pozornost si získává tzv. navrhování behaviorální „architektury výběru“ (Choice Architecture). Ta se využívá při návrhu struktur personifikovaných výběrů možností a funkcí tak, aby ve finále posunula pacientovo chování očekávaným způsobem. Systémy poskytovatele zdravotní péče mohou vytvářet individuální doporučení ve spolupráci s pacientovými biosenzory, chytrými hodinkami, smartphony a dalšími nástroji. Doporučení lze dále sdílet dalším zdravotníkům a pacientům, nebo zaměstnavatelům, rodinným příslušníkům apod.

Administrativní aplikace

Využití umělé inteligence je sice v oblasti administrativy o něco méně revoluční v porovnání s péčí o pacienty, na druhou stranu ale může podstatně zvýšit efektivitu a navýšit potřebné kapacity. Ty jsou ve zdravotnictví velmi potřebné, protože například průměrný lékař v ČR tráví administrativou přes 40 % svého pracovního času.

Pro tuto oblast je relevantní technologie robotické automatizace procesů (RPA – Robotic Process Automation). Ta může být využita pro celou řadu úkonů, kde je možné se rozhodovat na základě jasných kritérií. Může se to pak týkat například zpracování klinické dokumentace, ekonomické agendy a výkazů pro zdravotní pojišťovny nebo správy zdravotních záznamů.

Podobně pokročilá může být automatizace administrativních procesů v kombinaci s kognitivními technologiemi (strojové učení, umělá inteligence nebo zpracování přirozeného jazyka). Zdravotnické organizace získávají zkušenosti s využitím chatbotů pro interakci s pacienty při jejich vzdáleném třídění pro organizaci jejich vhodného ošetření. Tyto aplikace založené na NLP tak mohou být užitečné pro sjednávání návštěv lékaře nebo při doplňování zdravotní dokumentace.

Dopady na pracovníky ve zdravotnictví

Samozřejmě že velká pozornost je v souvislosti s nástupem AI do zdravotnictví věnována obavám, že tato technologie povede k automatizaci procesů, k rušení pracovních míst a přeskupení pracovní síly. Nejpravděpodobněji automatizovanými pracovními místy budou práce s digitálními informacemi spíše než práce v přímém kontaktu s pacientem. Na druhou stranu existují reálné možnosti, že pro práci a vývoj technologií AI nová pracovní místa budou vznikat.

Etické důsledky

Se záměrem využití AI ve zdravotnictví přichází také celá řada etických otázek. Rozhodnutí o zdravotní péči dnes jsou vydávána výhradně lidmi a používání inteligentních technologií k jejich vydávání vyvolává otázky ohledně odpovědnosti, transparentnosti, souhlasu pacienta a ochrany jeho soukromí.

Snad nejobtížněji řešitelnou otázkou vzhledem k dnešním technologiím je transparentnost. Výsledky vyšetření zpracované algoritmy AI, zejména pak algoritmy hlubokého učení používané pro analýzu obrazu, nebude totiž prakticky možné pacientům interpretovat nebo vysvětlit. Systémy AI také nepochybně budou dělat chyby v diagnostice a v léčbě pacientů a může být obtížné určit, kdo za ně ponese odpovědnost.

S přibývajícím nasazením umělé inteligence ve zdravotnictví se setkáme s mnoha etickými, lékařskými, pracovními a technologickými změnami. Je důležité, aby zdravotnické instituce, vládní a regulační orgány vytvořily standardizované struktury pro monitorování klíčových problémů, odpovědně reagovaly a zavedly trvalé mechanismy kontroly a řízení k omezení negativních důsledků.

Budoucnost AI ve zdravotnictví

Největší výzvou pro nasazení AI ve zdravotní péči bude zajištění jejich přijetí v každodenní klinické praxi. Systémy AI musí být schváleny regulačními orgány, standardizovány a integrovány do klinických a dalších systémů, aby fungovaly podobným způsobem jako dnešní zdravotnické systémy. Omezené použití AI v klinické praxi se proto očekává do 5 let a rozsáhlejší použití do 10 let.

Je evidentní, že systémy AI humánní klinické lékaře ve velkém měřítku nenahradí, ale spíše zvýší jejich možnosti v péči o pacienty. V průběhu času se mohou lékaři v humánní medicíně posouvat směrem k úkolům, které čerpají z jedinečných lidských dovedností. Těmi jsou zejména empatie, přesvědčování a strategická integrace. A tak snad jedinými poskytovateli zdravotní péče, kteří časem přijdou o zaměstnání, mohou být ti, kteří budou spolupráci s umělou inteligencí odmítat.

Petr Moláček Petr Moláček
Autor článku je konzultantem ve společnosti Principal.engineering, s. r. o.
Chcete získat časopis IT Systems s tímto a mnoha dalšími články z oblasti informačních systémů a řízení podnikové informatiky? Objednejte si předplatné nebo konkrétní vydání časopisu IT Systems z našeho archivu.

Inzerce

Konec papírování, digitalizujte a usnadněte si práci!

IT Systems 3/2024V aktuálním vydání IT Systems jsme se zaměřili na vývoj digitalizace ve světě peněz, tedy v oblasti finančnictví a pojišťovnictví. Dozvíte se například, proč je aktuální směrnice PSD2 v inovaci online bankovnictví krokem vedle a jak by její nedostatky měla napravit připravovaná PSD3. Hodně prostoru věnujeme také digitalizaci státní správy a veřejného sektoru, která nabírá obrátky.