Sztuczna inteligencja w opiece zdrowotnej wykracza poza etap eksperymentalny, ewoluując w kluczowy element współczesnej medycyny. To, w jaki sposób obecnie uregulujemy dostęp do danych, technologii i funduszy, przesądzi o tym, czy SI zredukuje nierówności w zdrowiu, czy też odwrotnie — utworzy nową elitarną grupę „superzdrowych”, a pozostali poniosą koszty postępu.
— Sztuczna inteligencja to już nie futurystyczna koncepcja. Nawet mniejsze szpitale rejonowe implementują algorytmy w praktyce klinicznej. Zgodnie z raportem Centrum e-Zdrowia korzysta z nich już przeszło 13 proc. placówek — relacjonuje Ligia Kornowska, dyrektor ds. innowacji medycznych w Polskiej Federacji Szpitali oraz liderka inicjatywy Koalicja AI w Zdrowiu.
Algorytmy zazwyczaj wspomagają lekarzy w analizowaniu obrazów i wczesnym identyfikowaniu zmian. Ilość wdrożeń rośnie dwukrotnie każdego roku.
Mimo że SI przyśpiesza rozwój medycyny spersonalizowanej, poszukiwanie leków i diagnostykę, nad branżą wisi poważne zagrożenie, że najbardziej innowacyjne terapie staną się niedostępną dla większości usługą premium.
Wybierz jedno z niżej podanych pytań i sprawdź, jak SI może wpłynąć na medycynę.
HtmlCode
Czytaj także w BUSINESS INSIDER
"Dwa kryzysy w każdym kraju". Wybitny naukowiec i autor "Sapiens" wieszczy przyszłość z AI
Świat o dwóch prędkościach: elita superzdrowych versus reszta
Podczas tegorocznego Światowego Forum Ekonomicznego w Davos przywódcy rozmawiali o niebezpieczeństwie „świata o dwóch prędkościach”. Mowa o scenariuszu, w którym najbardziej zaawansowane technologie trafiają głównie do najzamożniejszych systemów i korporacji prywatnych. W kontekście medycyny jest to szczególnie delikatna kwestia.
Zdaniem Ligii Kornowskiej kluczowym momentem będzie powszechne wprowadzenie analityki predykcyjnej. Jest to zasadnicza zmiana modelu: przejście od medycyny reaktywnej do proaktywnej.
- Tekst powstał w ramach akcji redakcyjnej: AI. Kod długowieczności
SI, analizując rozległe zbiory informacji, umożliwia nie tyle leczenie, ile przewidywanie ryzyka i personalizowanie profilaktyki. W rezultacie tego typu technologie mogą znacząco przedłużyć życie w dobrym zdrowiu i wspierać rozwój trendu długowieczności (longevity).
Ma to również swoją negatywną stronę: „superzdrowie” może stać się przywilejem dostępnym tam, gdzie biznes dostrzega największy zysk z inwestycji. To tylko jeden z problemów, z którymi musi uporać się współczesna medycyna, wdrażając SI.
- Czytaj także: Tyle zarabiają lekarze i pielęgniarki. Kwoty wciąż szokują, a w lipcu znów wzrosną
AI dziedziczy nasze stereotypy
Eksperci z branży medycznej, z którymi rozmawiam, są zgodni: zasadniczą kwestią nie jest sama SI, lecz fakt, że idealnie powtarza i wzmacnia błędy zapisane w danych.
— Systemy uczą się na danych historycznych, które często zawierają istniejące uprzedzenia i nierówności. Jeżeli dane wejściowe są niereprezentatywne, algorytmy będą te nierówności po prostu replikować — objaśnia dr hab. Piotr Sankowski, dyrektor Instytutu Badawczego IDEAS i profesor w Instytucie Informatyki Uniwersytetu Warszawskiego.
Jak dodaje, to właśnie zamiar powierzenia sztucznej inteligencji kompleksowych decyzji dotyczących zarządzania procesem leczenia lub finansowania opieki zdrowotnej stanowi największe wyzwanie.
Algorytmy szkolone na wąskiej grupie danych
Tradycyjna medycyna nie jest wolna od dyskryminacji. Jej zasady przez lata budowano na ograniczonych populacjach badawczych i w nierównych strukturach społecznych, co pozostawiło w systemie liczne stereotypy.
Jednym z najbardziej znanych przykładów jest niewystarczająca reprezentacja kobiet w badaniach klinicznych w XX wieku. Z obawy przed możliwym wpływem eksperymentalnych terapii na przebieg ciąży wiele projektów badawczych eliminowało kobiety z uczestnictwa w testach. W konsekwencji leki testowano głównie na organizmach mężczyzn, a otrzymane rezultaty uogólniano na całą populację. W praktyce oznaczało to, że kobiety częściej doświadczały skutków ubocznych leków, a objawy wielu chorób opisywano według „męskiego modelu”.
Jak przypomina Ligia Kornowska, skala problemu w USA była drastyczna: aż 80 proc. leków wycofywanych z rynku z powodu działań niepożądanych dotyczyło efektów obserwowanych u kobiet. To doprowadziło do wydania wytycznych obligujących badaczy do uwzględniania w badaniach klinicznych kobiet, dzieci oraz mniejszości etnicznych.
Mimo że powoli zaczynamy rozliczać się z tych uprzedzeń, przed nami jeszcze długa droga. Według danych World Economic Forum obecnie jedynie 6 proc. prywatnych inwestycji w innowacje zdrowotne dotyczy zdrowia kobiet, z czego większość i tak koncentruje się na zdrowiu reprodukcyjnym i nowotworach.
Zobacz więcej:
HtmlCode
Utrwalanie podziałów społecznych
Problem ograniczonej reprezentacji dotyczy również innych grup. W wielu państwach dane kliniczne opisują przede wszystkim pacjentów z uprzywilejowanych części społeczeństwa — dobrze udokumentowanych, lepiej ubezpieczonych, zamieszkujących w dużych miastach. W rezultacie algorytmy diagnostyczne mogą słabiej działać u osób żyjących poza tym głównym nurtem: u osób o odmiennym pochodzeniu etnicznym, u seniorów lub u pacjentów o niższym statusie społeczno-ekonomicznym.
Ligia Kornowska podkreśla, że nawet bardzo dobry algorytm może działać gorzej w innej populacji niż ta, na której był uczony. Przykładem jest narzędzie do analizy mammografii stworzone na danych pacjentek ze Stanów Zjednoczonych. W USA znacznie poprawiało wykrywalność nowotworów, jednak w Wielkiej Brytanii jego skuteczność była wyraźnie niższa. To dowód na to, że w medycynie SI nie jest produktem uniwersalnym.
Innym, jeszcze bardziej niepokojącym przykładem jest algorytm używany przez amerykańskie firmy ubezpieczeniowe do planowania opieki nad pacjentami. System likwidacji szkód i planowania opieki, oceniając koszty leczenia, nauczył się „oszczędzać” na pacjentach z uboższych dzielnic i mniejszości etnicznych. Dane historyczne zasugerowały mu, że ci pacjenci „zawsze” mieli niższe wydatki, ponieważ po prostu mieli gorsze ubezpieczenia i rzadziej byli kierowani na kosztowne procedury — algorytm „uznał”, że można ich leczyć taniej, automatyzując tym samym nierówności społeczne.
To tutaj zaczynają się prawdziwe trudności: bez demokratyzacji dostępu do danych, SI pozostanie luksusową opcją dla wybranych.
Regulacyjne przeszkody i czasochłonny proces budowania podstaw
Bez dostępu do obszernych i kompletnych zbiorów klinicznych nie da się zweryfikować, czy nowe technologie są bezpieczne i efektywne w różnych grupach społecznych.
Piotr Sankowski zwraca uwagę na problem rozproszenia: skutecznej SI nie da się wyszkolić na danych z jednego szpitala. Potrzebna jest skala i różnorodność, ale tu pojawia się systemowy paraliż.
— Dane medyczne są niezwykle trudne do anonimizacji, co powoduje, że ich udostępnianie przez publiczne szpitale jest procesem złożonym i długotrwałym — wyjaśnia Sankowski. Jednym z najważniejszych wyzwań rozwoju SI w medycynie jest zatem pogodzenie prywatności pacjentów z koniecznością dostępu do danych.
— W Europie bardzo mocno ograniczamy dostęp do danych medycznych. Z jednej strony to korzystne, ponieważ chronimy prywatność pacjentów. Z drugiej jednak utrudnia to rozwój nowych technologii — tłumaczy dr Michał Gontkiewicz, przewodniczący Zespołu do spraw e-zdrowia Naczelnej Izby Lekarskiej. — Ciągle nie jesteśmy mentalnie przygotowani na to, że odpowiednio zabezpieczone i zanonimizowane dane stanowią bezcenne paliwo dla nauki — ocenia.
- PRZECZYTAJ: Bartosz Węglarczyk: Jak AI zmienia medycynę. Stoimy u progu przełomu
Peryferia innowacji: cyfrowe czarne skrzynki
Priorytet ochrony prywatności, choć słuszny, bez rozsądnych regulacji staje się barierą wzrostu. Dr Michał Gontkiewicz przestrzega przed scenariuszem, w którym Polska traci najbardziej utalentowanych inżynierów na rzecz rynku amerykańskiego. Ten drenaż kapitału i know‑how oznacza dla nas podwójną stratę: tracimy twórców i musimy płacić za licencje do technologii, na których kształt nie mieliśmy wpływu.
Innowacje powstają tam, gdzie dane są dostępne, a do nas powracają jako kosztowne „czarne skrzynki”, szkolone na populacjach o odmiennej charakterystyce, co rodzi wątpliwości co do ich efektywności u polskiego pacjenta.
Aby uniknąć roli technologicznego zaplecza, potrzebujemy nowych modeli współpracy. Eksperci wskazują na uczenie sfederowane (federated learning), które umożliwia szkolenie modeli SI na danych z wielu szpitali bez ich fizycznego kopiowania do jednej bazy — oraz na stworzenie systemu „dawstwa danych medycznych„: idei, która na wzór krwiodawstwa mogłaby stać się nowym fundamentem solidarności społecznej w erze cyfrowej.
- PRZECZYTAJ: Zdrowie zaczyna się od wiedzy. Tak łatwo monitorować podstawowe parametry
Problem z finansowaniem i polityką wobec AI
Rozwój sztucznej inteligencji w opiece zdrowotnej wymaga ogromnych nakładów na infrastrukturę, bazy danych i kompetencje, ale bierność będzie kosztować jeszcze więcej. Michał Gontkiewicz zaznacza, że w dalszej perspektywie mogą one obniżać koszty leczenia — dzięki wcześniejszej diagnostyce, mniejszej liczbie powikłań i lepszemu dostosowaniu terapii.
Piotr Sankowski przypomina, że ekonomiści — m.in. laureat Nagrody Nobla Michael Spence — ostrzegają przed pozostawieniem tej technologii wyłącznie logice globalnego rynku. Bez ingerencji państwa SI skupi się w rękach kilku globalnych graczy, powiększając przepaść między zamożnymi i ubogimi systemami.
— Sporym problemem jest niedofinansowanie systemu opieki zdrowotnej. Brakuje środków zarówno na badania nad SI, jak i na wdrażanie takich rozwiązań w publicznym systemie — alarmuje Sankowski.
Jego zdaniem niezbędne jest porzucenie przekonania, że „rynek sam to ureguluje”, na rzecz przemyślanej polityki państwa wspierającej rozwój i dyfuzję technologii tam, gdzie mogą one przynieść największe korzyści zdrowiu publicznemu.
— Największym wyzwaniem są dzisiaj dwa elementy. Po pierwsze, przekonanie społeczeństwa do korzystania z dobrych narzędzi opartych na sztucznej inteligencji. Po drugie, stworzenie odpowiednich regulacji prawnych, które umożliwią bezpieczne wprowadzanie takich rozwiązań do systemu opieki zdrowotnej — dodaje dr Gontkiewicz.
Partner, nie konkurent. Lekarz w erze algorytmów
W debacie publicznej często pojawia się pytanie, czy SI zastąpi lekarzy. — Nie obawiałbym się takiego scenariusza. Bardziej prawdopodobne jest to, że sztuczna inteligencja wyprze tych lekarzy, którzy nie będą chcieli z niej korzystać. W historii medycyny zawsze zwyciężali ci specjaliści, którzy potrafili wykorzystywać nowe narzędzia — objaśnia dr Gontkiewicz.
Jak przyznaje, ludzie od dawna poszukują prostych odpowiedzi na swoje dolegliwości zdrowotne. Kiedyś był to „doktor Google”, dziś coraz częściej są to chatboty. — Naszym zadaniem jest uświadamianie pacjentów, że takie narzędzia mogą być pomocne, lecz nie zastąpią bezpośredniego kontaktu z lekarzem — dodaje.
- ZOBACZ: Puściłem kierownicę w nowym aucie, żeby zobaczyć, co zrobi. Musiałem się tłumaczyć
Medycyna nigdy nie akceptowała nowych technologii z dnia na dzień — nawet penicylina czy ultrasonografia potrzebowały lat, by stać się standardem. Zdaniem Ligii Kornowskiej podobnie będzie w przypadku sztucznej inteligencji, ponieważ w opiece zdrowotnej najważniejsze jest bezpieczeństwo pacjenta.
Niemniej jednak, przy rosnących niedoborach kadrowych w systemie opieki zdrowotnej SI może odegrać istotną rolę we wsparciu lekarzy i zwiększeniu dostępności leczenia. Odpowiednio wdrożone narzędzia mogą skracać kolejki i pomagać w szybszej diagnostyce, odciążając przeciążony system. To, czy SI stanie się pomostem do lepszej opieki zdrowotnej, czy przeszkodą pogłębiającą nierówności, zależy od decyzji politycznych i etycznych podejmowanych właśnie teraz.
Dziękujemy, że przeczytałaś/eś nasz artykuł do końca. Bądź na bieżąco! Obserwuj nas w Google.