Kodėl medicina pagaliau pradeda rimtai žiūrėti į dirbtinį intelektą
Dar prieš dešimt metų mintis, kad kompiuteris galėtų diagnozuoti vėžį tiksliau nei patyręs gydytojas, skambėjo kaip mokslinė fantastika. Šiandien tai ne tik realybė – tai jau įdiegta praktika dešimtyse ligoninių visame pasaulyje. Dirbtinis intelektas sveikatos priežiūroje nebėra ateities projektas, kurį aptarinėja konferencijų salėse. Jis veikia čia ir dabar: analizuoja rentgeno nuotraukas, prognozuoja pacientų rizikas, padeda farmacijos kompanijoms rasti naujus vaistus greičiau nei bet kada anksčiau.
Bet kartu su entuziazmu ateina ir rimti klausimai. Kas atsako, kai algoritmas klysta? Kaip pacientas turėtų jausti, žinodamas, kad jo diagnozę patvirtino ne tik gydytojas, bet ir mašina? Ir ar tikrai DI sprendžia sveikatos priežiūros problemas, ar tiesiog perkelia jas į kitą lygmenį?
Šiame straipsnyje pabandysime išnarplioti, kas iš tikrųjų vyksta šiame sankirtoje tarp technologijų ir medicinos – be pernelyg optimistinių pažadų ir be nepagrįstos baimės.
Diagnostika: kai algoritmas mato tai, ko nemato akis
Viena iš sričių, kur DI jau aiškiai pranoksta žmogų, yra medicininių vaizdų analizė. Kalbame apie rentgeno nuotraukas, MRT skenavimus, dermatoskopijos vaizdus, akių dugno nuotraukas. Čia dirbtinis intelektas, tiksliau – giluminio mokymosi modeliai, pasiekia rezultatų, kurie prieš kelerius metus atrodė neįmanomi.
Konkretus pavyzdys: „Google DeepMind” sukurtas modelis, analizuojantis akių dugno nuotraukas, sugeba aptikti diabetinę retinopatiją ir geltonosios dėmės degeneraciją su tikslumu, prilygstančiu geriausių specialistų lygiui. Tai kritiškai svarbu, nes pasaulyje trūksta oftalmologų – ypač besivystančiose šalyse, kur milijonai žmonių praranda regėjimą dėl laiku nenustatytos ligos.
Panašiai veikia ir onkologijoje naudojami įrankiai. „PathAI” ir kitos kompanijos kuria sistemas, kurios analizuoja histologinius preparatus – audinių mėginius po mikroskopu – ir identifikuoja vėžines ląsteles su tikslumu, kuris kartais viršija patologų rezultatus. Svarbu suprasti, kaip tai techniškai veikia: modelis yra apmokytas ant šimtų tūkstančių pažymėtų vaizdų, kur ekspertai iš anksto nurodė, kur yra patologiniai pakitimai. Modelis išmoksta atpažinti subtilius raštus, kurių žmogaus akis paprasčiausiai nepajėgia pastebėti dėl nuovargio, dėmesio ribotumų ar tiesiog dėl to, kad tam tikri požymiai yra per smulkūs.
Praktinis patarimas gydytojams: DI diagnostikos įrankius verta traktuoti kaip antrą nuomonę, o ne kaip galutinį sprendimą. Geriausi rezultatai pasiekiami tada, kai žmogaus ekspertizė ir algoritmo tikslumas veikia kartu – tai vadinama „augmentuota diagnostika”. Jei jūsų ligoninė dar nenaudoja tokių įrankių, verta pasidomėti FDA patvirtintais sprendimais, kurių sąrašas jau viršija 500 pozicijų.
Prognozavimas ir prevencija: žinoti, kas nutiks, dar prieš tai nutinkant
Diagnostika – tai reakcija į jau egzistuojančią problemą. Bet tikroji DI galia medicinoje galbūt slypi kitur – gebėjime numatyti, kas nutiks, ir veikti iš anksto. Tai vadinama prediktyvine analitika, ir ji jau keičia tai, kaip ligoninės valdo pacientų srautus, kaip gydytojai identifikuoja rizikos grupes ir kaip valdoma lėtinių ligų prevencija.
Vienas iš geriausiai dokumentuotų pavyzdžių – sepsio prognozavimas. Sepsis yra gyvybei pavojinga infekcija, kuri kasmet nužudo milijonus žmonių visame pasaulyje, dažnai todėl, kad diagnozuojama per vėlai. „Epic Systems” – viena didžiausių elektroninių sveikatos įrašų sistemų – sukūrė algoritmą, kuris analizuoja paciento gyvybinius rodiklius, laboratorinių tyrimų rezultatus ir kitus duomenis realiuoju laiku bei perspėja medikus, kai sepsio rizika pradeda augti. Kelios studijos parodė, kad tokios sistemos gali sumažinti sepsio mirtingumą iki 20 procentų.
Kitas pavyzdys – širdies ir kraujagyslių ligų prevencija. Tradiciškai gydytojai naudoja tokius įrankius kaip Framingham rizikos skalė, kuri įvertina kelis pagrindinius veiksnius ir pateikia bendrą rizikos procentą. DI modeliai gali analizuoti šimtus kintamųjų vienu metu – ne tik cholesterolio lygį ir kraujospūdį, bet ir miego įpročius, fizinio aktyvumo duomenis iš išmaniųjų laikrodžių, net tam tikrus genetinius žymenis – ir sukurti daug tikslesnį individualios rizikos profilį.
Čia svarbu paminėti ir tam tikrą riziką: prognozavimo modeliai gali turėti įsišaknijusių šališkumų. Jei modelis buvo apmokytas daugiausia ant baltaodžių vyrų duomenų – o taip istoriškai dažnai buvo – jo prognozės gali būti mažiau tikslios kitoms demografinėms grupėms. Tai ne teorinė problema: 2019 metais „Science” žurnale publikuotas tyrimas parodė, kad plačiai naudojamas JAV sveikatos priežiūros algoritmas sistemiškai neįvertino juodaodžių pacientų poreikių. Todėl prieš diegiant bet kokį prognozavimo įrankį, būtina patikrinti jo veikimą skirtingose populiacijose.
Vaistų kūrimas: nuo dešimtmečių iki metų
Tradicinis vaisto kūrimo procesas yra neįtikėtinai brangus ir lėtas. Vidutiniškai nuo molekulės atradimo iki vaisto patekimo į rinką praeina 10–15 metų ir išleidžiama daugiau nei milijardas dolerių. Ir vis tiek apie 90 procentų klinikinių tyrimų baigiasi nesėkme. Tai sisteminė problema, kurią DI pradeda spręsti iš kelių pusių.
Pirma – molekulių projektavimas. Tradiciškai mokslininkai tiria jau žinomų junginių bibliotekas, ieškodami tų, kurie galėtų sąveikauti su tam tikru baltymu. DI gali generuoti naujas molekules nuo nulio, optimizuodamas jas pagal norimas savybes – efektyvumą, saugumą, biologinį prieinamumą. „Insilico Medicine” 2023 metais pranešė, kad jų DI sukurtas vaistas nuo idiopatinės plaučių fibrozės pasiekė antrosios fazės klinikinius tyrimus – ir nuo atradimo iki klinikos praėjo vos ketveri metai, o ne įprastiniai dešimt.
Antra – klinikinių tyrimų optimizavimas. DI gali padėti atrinkti tinkamus pacientus tyrimams, numatyti, kurie pacientai greičiausiai reaguos į gydymą, ir net aptikti ankstyvus saugumo signalus. Tai ne tik pagreitina procesą, bet ir daro tyrimus etiškesnius – mažiau pacientų gauna neveiksmingą gydymą.
Trečia – vaistų perpanaudojimas. Kartais vaistai, sukurti vienai ligai, veikia ir kitai. DI gali analizuoti milžiniškus biologinių duomenų masyvus ir identifikuoti tokias galimybes. COVID-19 pandemijos metu šis metodas buvo naudojamas ieškant jau patvirtintų vaistų, kurie galėtų padėti prieš SARS-CoV-2.
Svarbu suprasti: DI neišsprendžia visų vaistų kūrimo problemų. Biologiniai sistemų sudėtingumas toks, kad net geriausi modeliai daro klaidų. Bet jis gali dramatiškai sumažinti pradinę atrankos erdvę ir nukreipti tyrėjų dėmesį į perspektyviausius kandidatus.
Elektroniniai sveikatos įrašai ir administracinė našta
Čia reikia kalbėti apie problemą, kurią gydytojai puikiai žino, bet kuri retai patenka į antraštes: administracinė našta. Tyrimai rodo, kad amerikiečių gydytojai praleidžia vidutiniškai du valandas prie kompiuterio kiekvienai valandai, praleistai su pacientu. Didelė dalis to laiko – dokumentavimas elektroninėse sveikatos įrašų sistemose, kodavimas, receptų rašymas, draudimo autorizacijos.
DI čia gali padėti keliais konkrečiais būdais:
- Automatinis dokumentavimas: Tokios kompanijos kaip „Nuance” (dabar „Microsoft”) kuria sistemas, kurios klauso gydytojo ir paciento pokalbio bei automatiškai generuoja vizito užrašus. Gydytojas vėliau tik peržiūri ir patvirtina. Ankstyvieji tyrimai rodo, kad tai gali sutaupyti 1–2 valandas per dieną.
- Intelektualūs paieškos įrankiai: Vietoj to, kad gydytojas rankiniu būdu naršytų po paciento istoriją, DI gali iš karto pateikti aktualią informaciją – paskutinius tyrimus, alergijas, ankstesnius gydymus.
- Automatinis kodavimas: Medicininių procedūrų ir diagnozių kodavimas draudimui yra nuobodus ir klaidų kupinas procesas. DI gali jį automatizuoti su dideliu tikslumu.
Lietuvos kontekste tai ypač aktualu. „Espbi IS” sistema, nors ir pažangesnė nei daugelio šalių analogai, vis dar reikalauja daug rankinio darbo. Integruoti DI pagalbininkus į tokias sistemas techniškai įmanoma – klausimas yra politinė valia ir finansavimas.
Etika, privatumas ir algoritminis šališkumas
Negalima kalbėti apie DI medicinoje neaptariant tamsiųjų pusių. Ir čia ne apie apokaliptinius scenarijus – apie realias, jau dabar egzistuojančias problemas.
Privatumas: DI modeliai mokosi iš duomenų. Medicininiai duomenys yra vieni jautriausių – jie gali atskleisti genetines ligas, psichikos sutrikimus, priklausomybes. Kai ligoninė perduoda pacientų duomenis technologijų kompanijai modelio apmokymui, kyla rimtų klausimų apie sutikimą, duomenų saugumą ir galimą piktnaudžiavimą. 2019 metais paaiškėjo, kad „Google” gavo prieigą prie milijonų amerikiečių medicininių įrašų be aiškaus pacientų sutikimo – tai sukėlė didelį skandalą ir teisinius klausimus, kurie dar nėra iki galo išspręsti.
Atskaitomybė: Kai DI algoritmas rekomenduoja gydymą ir tas gydymas kenkia pacientui, kas atsako? Gydytojas, kuris pasitikėjo algoritmu? Kompanija, kuri jį sukūrė? Ligoninė, kuri jį diegė? Teisinė bazė čia dar labai neišvystyta tiek Europoje, tiek JAV.
Skaidrumas: Daugelis geriausių DI modelių yra „juodosios dėžės” – net jų kūrėjai negali tiksliai paaiškinti, kodėl modelis priėmė konkretų sprendimą. Medicinoje tai problema: gydytojas turi sugebėti paaiškinti pacientui, kodėl buvo pasirinktas vienas ar kitas gydymas. Sprendžiamoji dirbtinio intelekto (XAI – Explainable AI) sritis bando tai spręsti, bet dar toli nuo pilno sprendimo.
Rekomendacija reguliuotojams ir ligoninėms: Prieš diegiant bet kokį DI sprendimą, reikia atlikti etikos vertinimą, patikrinti modelio veikimą skirtingose demografinėse grupėse ir nustatyti aiškią atskaitomybės grandinę. ES Dirbtinio intelekto aktas, kuris pradeda veikti 2024–2026 metais, klasifikuoja medicininius DI įrankius kaip aukštos rizikos sistemas ir nustato griežtus reikalavimus – tai teisingas žingsnis.
Paciento perspektyva: kai technologija susitinka su žmogumi
Visa ši techninė diskusija lengvai gali nutolti nuo to, kas iš tikrųjų svarbu: kaip tai paveikia žmogų, gulintį ligoninės lovoje ar sėdintį gydytojo kabinete?
Viena vertus, DI gali padaryti sveikatos priežiūrą prieinamesnę. Išmanieji simptomu tikrintojai – tokios programėlės kaip „Ada” ar „Babylon Health” – leidžia žmonėms gauti pirminę orientaciją, ar jų simptomai reikalauja skubios pagalbos, ar galima palaukti. Tai ypač vertinga regionuose, kur trūksta gydytojų, ar naktį, kai klinikos uždarytos.
Kita vertus, yra rizika, kad technologija sukurs naują nelygybę. Žmonės, kurie gerai moka naudotis technologijomis, turės prieigą prie geresnių DI įrankių, o vyresni ar mažiau išsilavinę pacientai gali likti nuošalyje. Be to, yra pavojus, kad gydytojai, pernelyg pasitikėdami algoritmais, praras kritinį mąstymą – tai vadinama „automatizacijos šališkumu”.
Svarbu ir tai, kad medicina nėra tik duomenų analizė. Gydytojo ir paciento santykis turi emocinį, žmogiškąjį matmenį, kurio algoritmas negali pakeisti. Kai žmogus sužino, kad serga sunkia liga, jam reikia ne tik tikslios diagnozės – jam reikia žmogaus, kuris paaiškins, palaikys, atsakys į klausimus. DI gali padėti gydytojui turėti daugiau laiko tam žmogiškajam momentui, automatizuodamas rutininius darbus. Bet tai reikalauja sąmoningo pasirinkimo – technologiją naudoti kaip įrankį, o ne kaip pakaitalą.
Kai algoritmai ir stetoskopai dirba kartu – ką tai reiškia praktiškai
Apibendrinant visa tai, kas pasakyta, galima drąsiai teigti: DI sveikatos priežiūroje nėra nei stebuklas, nei grėsmė – tai įrankis. Kaip ir bet kuris kitas įrankis medicinoje, nuo stetoskopo iki MRT aparato, jo vertė priklauso nuo to, kaip jis naudojamas, kas jį naudoja ir kokiame kontekste.
Šiandien jau aišku, kad tam tikrose srityse – medicininių vaizdų analizėje, prognozavime, vaistų kūrime – DI gali padaryti medicinę pagalbą tikslesnę ir greitesnę. Tai realūs, išmatuojami privalumai, kurie jau dabar gelbsti gyvybes.
Tačiau sėkmingam diegimui reikia kelių dalykų vienu metu: techniškai patikimų ir skaidrių modelių, tvirtos duomenų apsaugos infrastruktūros, aiškios teisinės atskaitomybės sistemos ir – galbūt svarbiausia – gydytojų, kurie supranta tiek technologijos galimybes, tiek jos ribas. Tai reiškia, kad medicinos universitetai turi keisti mokymo programas ir įtraukti duomenų raštingumo bei DI pagrindus. Tai reiškia, kad ligoninių vadovai turi investuoti ne tik į programinę įrangą, bet ir į žmonių mokymą. Ir tai reiškia, kad politikai turi kurti reguliavimo sistemas, kurios neslopina inovacijų, bet apsaugo pacientus.
Lietuva čia turi ir galimybių, ir iššūkių. Turime gerą skaitmeninės sveikatos infrastruktūrą, stiprų IT sektorių ir palyginti nedidelę, bet gerai išsilavinusią medicinos bendruomenę. Trūksta aiškios nacionalinės strategijos ir finansavimo. Bet svarbiausia – trūksta kultūrinio pasirengimo: tiek gydytojų, kurie baiminasi, kad DI „atims darbus” (tai mažai tikėtina artimiausioje ateityje), tiek pacientų, kurie nežino, kaip vertinti algoritmų vaidmenį jų gydyme.
Diskusija apie DI medicinoje negali vykti tik tarp technologų ir reguliuotojų. Ji turi vykti ir su gydytojais, ir su pacientais, ir su etikais. Nes galiausiai kalbame ne apie tai, ką gali padaryti algoritmas – kalbame apie tai, kokią mediciną norime turėti.
