Najczęściej wykorzystywana jest w diagnostyce obrazowej i laboratoryjnej. Bardzo istotnym aspektem są także prace nad nowymi lekami, które znacząco przyspieszają dzięki algorytmom AI. W wykorzystaniu tej technologii wiodącą rolę będzie odgrywać dostęp do szerokiej bazy danych.
– Sztuczna inteligencja już w praktyce jest stosowana w systemie ochrony zdrowia. Myślę, że jeszcze parę lat zabierze nam, zanim będzie ona wykorzystywana w codziennej praktyce we wszystkich szpitalach, natomiast już dziś widzimy wiele zastosowań, które pomagają zarówno pacjentom, jak i lekarzom, np. na etapie diagnostyki – mówi agencji Newseria Adam Krenke, dyrektor ds. strategii w Roche Polska.
AI wspiera diagnostykę i decyzje kliniczne
Według danych Centrum e-Zdrowia najczęściej AI wspiera radiologów w analizie tomografii komputerowej, a także pomaga w podejmowaniu decyzji klinicznych. Dzięki temu skraca się czas potrzebny na postawienie diagnozy, a tym samym rośnie szansa na szybsze wdrożenie terapii. Coraz częściej pojawiają się też rozwiązania oparte na AI wspierające obsługę pacjentów, np. chatboty czy analizę danych z elektronicznej dokumentacji medycznej. W całym sektorze, nie tylko w szpitalach, narzędzia AI wdraża ok. 4,7 proc. podmiotów leczniczych, co pokazuje, że skala wdrożeń wciąż rośnie, ale pozostaje ograniczona poza dużymi ośrodkami.
AI przyspiesza badania nad nowymi lekami
Eksperci podkreślają, że sztuczna inteligencja nie zastąpi lekarzy, ale będzie ich realnym wsparciem – od przewidywania pogorszenia stanu pacjenta, przez analizę interakcji lekowych, po wsparcie w komunikacji z chorymi. Aby jednak rozwiązania te były skuteczne, muszą powstawać w ścisłej współpracy środowiska naukowego, klinicznego i technologicznego. Roche rozwija koncepcję „Lab in the Loop”, w której dane z badań laboratoryjnych i klinicznych służą do trenowania modeli AI wspierających tworzenie nowych leków. Te modele wskazują kolejne kroki eksperymentalne, co przyspiesza proces odkrywania nowych terapii.
– Proces tworzenia nowego leku zajmuje ponad 10 lat i pochłania kilka miliardów dolarów. Ludzki organizm składa się z 37 bln komórek, mamy 10 tys. różnych rodzajów komórek w ciele, 20 tys. genów, które tworzą nasze ciało, i komórki, czytając odpowiedni fragment tego genomu, odpowiadają na niego, więc liczba kombinacji, które mogą pójść nie tak w tym procesie, jest niewiarygodnie duża. Jeżeli już mamy zidentyfikowaną chorobę, to samych małych cząsteczek, które mogą być potencjalnie kandydatami na lek, jest 1060 – tłumaczy Adam Krenke.
Dane pacjentów kluczem do skutecznych algorytmów
Dzięki sztucznej inteligencji możliwe jest nie tylko szybsze typowanie obiecujących cząsteczek, ale i trafniejsze przewidywanie odpowiedzi pacjentów na leczenie. Takie podejście zwiększa szanse na skuteczne terapie w onkologii, neurologii czy chorobach autoimmunologicznych.
– Stworzyliśmy algorytm wytrenowany na bazie wszystkich eksperymentów, które dotychczas w firmie Roche były przeprowadzone na przestrzeni lat. Mierząc się z nowym problemem, pytamy algorytm: wygeneruj nam wszystkie możliwe cząsteczki, które potencjalnie są w stanie adresować dany cel terapeutyczny. Później zawężamy te wyniki i kilkaset tych najbardziej obiecujących syntetyzujemy, wprowadzamy do laboratorium i badamy. Na bazie tych wyników możemy zasilić nimi algorytm, stworzyć kolejne zapytanie i cały czas ulepszać te propozycje – podkreśla przedstawiciel Roche.
Polskie dane w treningu algorytmów AI
Kluczowe znaczenie dla rozwoju AI ma reprezentatywność danych, na których uczą się algorytmy.
– Niezwykle ważne jest to, żeby dane polskich pacjentów były udostępniane, oczywiście w bezpieczny, zanonimizowany sposób, aby te algorytmy, które są trenowane z wykorzystaniem tych danych, mogły odzwierciedlać specyfikę naszej populacji – tłumaczy Adam Krenke.
Obecnie znacząca część danych, na których trenowane są globalne algorytmy, pochodzi z populacji amerykańskich czy zachodnioeuropejskich. Włączenie zanonimizowanych danych klinicznych z polskich szpitali pozwoli na dokładniejsze odwzorowanie specyfiki lokalnej i podniesienie jakości wyników. Taki proces już się odbywa w polskich ośrodkach akademickich i klinicznych. Uniwersyteckie Centrum Kliniczne w Gdańsku oraz Gdański Uniwersytet Medyczny prowadzą projekty AI (od predykcji w SOR po systemy monitoringu IoT) i budują środowisko, w którym pomysły można szybko testować i wdr
