Umělá inteligence ve zdravotnictví

Umělá inteligence ve zdravotnictví je využití umělé inteligence (AI) k analýze a pochopení složitých lékařských a zdravotnických dat. V některých případech může překonat nebo rozšířit lidské schopnosti tím, že poskytuje lepší či rychlejší způsoby diagnostiky, léčby nebo prevence onemocnění.

Diagram komplexnosti umělé inteligence poskytuje pohled na umělou inteligenci, strojové učení, hluboké učení a generativní umělou inteligenci. Obsahuje odlišné rysy i jejich překrytí.

Vzhledem k tomu, že používání umělé inteligence ve zdravotnictví je relativně nové, pokračuje výzkum jejího použití v různých podoborech medicíny a příbuzných odvětvích. Programy umělé inteligence se aplikují například při diagnostice, rozvoji léčebných protokolů, vývoji léků, personalizované medicíně nebo monitorování pacientů. Rentgenové snímky jsou nejběžnějšími zobrazovacími metodami prováděnými na radiologických oddělení, proto je potenciální pomoc AI s interpretací snímků zvláště pozoruhodná.

Používání umělé inteligence také představuje etické obavy související se soukromím dat, automatizací úloh a umocňováním již existujících předsudků. Vedoucí představitelé ve zdravotnictví mimoto často brání novým technologiím, což vede k pomalému a nepředvídatelnému přijetí umělé inteligence. Naproti tomu existuje také několik případů, kdy byla AI použita ve zdravotnictví bez řádného testování. Meta-studie navíc zjistily, že odborná literatura o této problematice často trpí nedostatečnou reprodukovatelností.

Historie

Diagram postupu strojového učení ukazuje import dat, proces, zpracování, vizualizaci, modelování a hodnocení modelu.

Díky rychlému technologickému rozvoji koncem 20. století a v 21. století se zdravotní péče a mnoho druhů lékařských vyšetření změnilo. Vývoj zvýšil význam lékařské informatiky a postupně i umělé inteligence jako oboru, který umožňuje vytvářet například prediktivní systémy za využití metod strojového učení. Pokročilé technologie, které byly zavedeny do diagnostiky a terapie, umožnily generování velkého objemu dat. Přímé propojení přístrojů s počítači se tak stalo nutností.

Dnes již někteří výrobci dodávají přístroje se softwarem, který má metody AI integrované. Řada systémů umožňuje lékaři vstoupit do interakce se systémem během tvorby řešení a následně ho podle svých znalostí korigovat. V případech vysoké interpersonální rozmanitosti dat je tento postup velmi výhodný.

Využití v různých oblastech zdravotnictví

Diagnostika

Stálou výzvou ve zdravotnictví je přesná a včasná diagnostika. Rozpoznání zdravotního stavu a symptomů je složitý proces. Umělá inteligence může lékařům pomoci svými schopnostmi se zpracováním dat, a tím ušetřit čas a zlepšit přesnost. Díky strojovému učení může být schopna pomoci lékařům při diagnostice pacientů prostřednictvím analýzy hromadných elektronických zdravotních záznamů. AI může včas předpovědět například Alzheimerovu chorobu a demenci tím, že prozkoumá velké množství podobných případů a možné léčby.

Rozhodování lékařů by umělá inteligence mohla podpořit i v naléhavých situacích, například na pohotovosti, kdy algoritmy mohou pomoci upřednostňovat závažnější případy a zkrátit čekací dobu. Systémy pro podporu rozhodování rozšířené o AI mohou nabízet návrhy v reálném čase a rychlejší interpretaci dat, aby napomohly rozhodování zdravotníků.

Nedávný vývoj ve statistické fyzice, strojovém učení a inferenčních algoritmech se také zkoumá z hlediska jejich potenciálu při zlepšování lékařských diagnostických přístupů.

Radiologie

Logo společnosti DeepMind

Metody umělé inteligence v medicíně se aplikují hlavně u zobrazovacích metod. V radiologii se využívají algoritmy, které jsou schopny analyzovat velké množství lékařských snímků s pozoruhodnou přesností v krátkém čase.

Nejčastěji v této oblasti najdeme algoritmy hlubokého učení. Zejména se jedná o konvoluční neuronové sítě používané pro analýzu rentgenových snímků, CT a MRI. AI může být užitečná zejména v prostředích, kde poptávka po lidských odborných znalostech převyšuje nabídku nebo kde jsou údaje příliš složité na to, aby je mohli lidé efektivně interpretovat.

Společnost patřící pod Google, DeepMind, vytvořila systém DeepMind AI, který s vysokou přesností dokázal ze snímků sítnice odhalit oční choroby, jako jsou diabetická retinopatie a makulární degenerace.

Onkologie

Umělá inteligence nachází v onkologii uplatnění v takové míře, že se její dosah nedá odhadnout. Aplikuje se při diagnostice rakoviny, stratifikaci rizik, molekulární charakterizaci nádorů a objevování léků na rakovinu. Zvláštní výzvou v onkologické péči je schopnost přesně předpovědět, které léčebné protokoly budou pro každého pacienta nejvhodnější na základě jeho individuálních genetických, molekulárních a nádorových charakteristik.

Pacientům s onkologickým onemocněním se jejich život radikálně změní, stejně jako jejich okolí. Jedním ze způsobů, jak se se změnou vypořádat je dostatečná informovanost o nemoci i o zvolené léčbě. Povědomí vede k vyšší motivaci, lepší adherenci k léčbě a zvyšuje spokojenost pacienta i jeho rodiny. Z důvodu nedostatku času pro komunikaci s pacienty v rámci stávající klinické praxe není možné naplnění optimální informovanosti.

Tento problém řeší AIcope. Ten extrahuje údaje z elektronických lékařských záznamů o pacientkách s diagnózou karcinom prsu a sjednocuje je s informacemi z veřejných datových zdrojů o nemocech a lécích. Poté se spočítají podobnosti mezi pacientkami a vytvoří se personalizované modely pro predikci průběhu, komplikací onemocnění a léčby nově diagnostikovaných pacientek.

Pro podaní těchto informací citlivou a intuitivní formou se rozvíjí webová rozhraní pro dotazování a průzkum znalostí a predikcí, která jsou vyvíjena společně s lékaři, pacienty a klinickými psychology. Pomocí umělé inteligence zlepší informovanost pacientů o jejich onemocnění. Mohou také zjednodušit výběr terapeutického postupu na podkladě biologického profilu jejich nádoru, klinického stavu a jejich preferencí, s plnou podporou ošetřujícího lékaře. Vyvíjený systém je modulární a univerzální. I přesto, že se zatím pracuje s daty pacientek s diagnózou karcinomu prsu, lze jej upravit pro jiná onemocnění či nahradit některé jeho části.

Centrum umělé inteligence v onkologii se ve spolupráci s Masarykovou univerzitou a Fakultní nemocnicí Brno zabývá analýzou obrazů nádorů mozku, jejichž diagnóza je založená na zobrazení magnetickou rezonancí (MRI). Cílem je vyvinout automatizované metodické postupy, které umožní segmentaci i klasifikaci jednotlivých druhů mozkových nádorů.  Za pomoci metod hlubokého učení jsou vyvíjeny algoritmy automatizované segmentace v obrazech MRI a klasifikace jednotlivých druhů tumorů. Všechny obrazy jsou ručně tříděny kvůli trénování algoritmů hlubokého učení, a také pro vyhodnocování jejich přesností.

Chirurgie

Vývoj počítačové techniky a umělé inteligence výrazně usměrnil pokroky výsledků klinické medicíny. Objev týkající se umělých neuronových sítí (UNS) lze považovat za revoluční. V chirurgii se nejvíce uplatňuje robotika. Většinou zatím nejde o přístroje vybavené plnou autonomií, ale jsou řízené člověkem. Spojení AI s lidským faktorem může být optimálním řešením. Lze očekávat, že se v blízké budoucnosti umělé neuronové sítě začnou využívat zejména v předoperační a pooperační době.

Dermatologie

Běžně používaným nástrojem v dermatologii je lékařské zobrazování (jako je rentgen a fotografie). Vývoj hlubokého učení byl silně spojen se zpracováním obrazu. Postupy, které vycházejí právě z hluboké učení, byly použity k porovnávání obrazů kožních lézí ve statisících klinických případů ověřených skupinou dermatologických expertů. Strojové učení má velký potenciál pro zpracování snímků pro lepší diagnostiku.

Digitalizace a telemedicína

Schopnost nabídnout jedinci přístup k digitálnímu světu je určitou mírou vyspělosti. Aby tento přístup mohl fungovat je potřeba nechat proudit systémem velké množství dat, což vyžaduje určitou míru integrace jednotlivých systémů a jejich um komunikovat. Naše zdravotnictví v těchto ohledech značně zaostává.

Zavádění nových přístupů ke zdravotnictví urychlila pandemie COVID-19, kdy se začala hojně využívat hlavně telemedicína. Ta zajišťuje poskytování lékařských služeb a dostupnost zdravotní péče na dálku. Telemedicína sebou nese ale i řadu bariér na straně pacientů i poskytovatelů zdravotních služeb. Mezi hlavní problémy patří nedostatek informací o možnostech a způsobech využívání telemedicíny a nedostatečná počítačová gramotnost. Rozšíření telemedicíny tedy vyžaduje hodně změn, a to například v technologické infrastruktuře a organizaci péče a práce. Podmínkou funkčnosti telemedicíny je koordinovaná spolupráce mezi různými institucemi a vzdělávání zdravotních pracovníků i pacientů.

Objevování léčiv

Nastupující oblastí, kde lze využít generativních AI metod, je chemie, konkrétně generativní chemie. Pomocí umělé inteligence se navrhují nové molekuly a chemické struktury, čímž se dá urychlit proces objevování nových léčiv. Firma Insilico Medicine za využití generativních algoritmů objevila spoustu možných léčiv proti plicní fibróze a několika typům nádorů.

Příležitosti a hrozby využití AI ve zdravotnictví

Umělá inteligence umožňuje zpracování velkého množství dat a jejich analýzu. Má velký potenciál v různých fázích péče, populačních a epidemiologických studií a dalších souvisejících oblastí. Často se využívá pro zpracování vícerozměrných a multimodálních dat. Metody AI poskytují rychlejší a efektivnější vyhledávání ve velkých zdrojích.

Jádrem rozhodovacích procesů jsou vždy data, informace a znalosti. Konečné doporučení či rozhodnutí systémů přímo závisí na množství dat a informací, ale i na jejich kvalitě. Data je proto potřeba důkladně ověřovat. Informace by měly být úplné, konzistentní, platné, přesné, čitelné, přístupné, důvěryhodné a užitečné. Získávání těchto údajů může mnohdy negativně ovlivnit soukromí pacientů. Nedostatek informací překáží vývoji a implementaci umělé inteligence. V konečném důsledku je současný potenciál umělé inteligence ve zdravotnictví brzděn obavami ze špatného nakládání se shromážděnými údaji. Výměna dat, informací a znalostí je žádoucí, klade však důraz na spolehlivou komunikaci odesílatele a příjemce.

Vzhledem k tomu, že umělá inteligence rozhoduje pouze na základě dat, která obdrží jako vstup, je důležité, aby tato data představovala přesné demografické údaje o pacientech. Pacienti nemají plné znalosti o tom, jak se prediktivní algoritmy vytvářejí nebo kalibrují. Proto mohou zdravotnické instituce nespravedlivě kódovat své algoritmy tak, aby diskriminovaly menšiny a upřednostňovaly zisky před poskytováním optimální péče. Dále by mohlo dojít k nesprávné interpretaci výsledků nebo nesprávně provedenému ověření navržených řešení.

Pro lékaře může být přínosná automatizace. Umělá inteligence může odvrátit vyhoření zdravotnických pracovníků a kognitivní přetížení. Lékaři, kteří ji využívají, budou poskytovat kvalitnější zdravotní péči než lékaři a zdravotnická zařízení, která tak nečiní.

Umělá inteligence výrazně usnadňuje zpracování velkého objemu dat a plnění rutinních úloh, finální rozhodnutí musí ale vždy činit lékař.

Odkazy

Reference

V tomto článku byl použit překlad textu z článku Artificial intelligence in healthcare na anglické Wikipedii.

Portály: Lékařství