Medycyna i AI: Profesor AGH o realnych zastosowaniach

Innym obszarem, w którym AI już teraz skutecznie działa, jest wspomaganie decyzji klinicznych. Systemy wykorzystujące sztuczną inteligencję dostarczają lekarzom informacji i rekomendacji w oparciu o analizę ogromnych ilości danych medycznych (wyników badań, historii chorób, aktualnej wiedzy medycznej). Pomagają one w doborze optymalnych metod leczenia, przewidywaniu ryzyka powikłań i personalizacji terapii.
Sztuczna inteligencja może w nagłych wypadkach sprawnie wykonywać triage (triaż). W medycynie jest to procedura szybkiej oceny stanu pacjentów, aby ustalić priorytety w udzielaniu pomocy. Stosuje się ją głównie w przypadku masowych zdarzeń, takich jak katastrofy czy wypadki, gdzie zasoby są ograniczone, aby uratować jak największą liczbę osób.
Nie bez znaczenia jest też to, że AI jest wykorzystywana do automatyzacji zadań administracyjnych, takich jak przetwarzanie i generowanie dokumentacji medycznej, co odciąża personel medyczny od czasochłonnych obowiązków biurokratycznych i pozwala skupić się na pacjentach.

Są jednak także obszary, w których wbrew pierwotnym zapowiedziom mimo dużego wysiłku informatyków i lekarzy nie udało się jeszcze osiągnąć zamierzonych celów AI w medycynie. Takim niespełnionym marzeniem była pełna personalizacja terapii w oparciu o dane genetyczne i medyczne. Do tego jeszcze ciągle jest daleko i wszystkich pacjentów cierpiących na tę samą chorobę leczy się tak samo.
Zapowiadane były przez entuzjastów AI predykcyjne modele zdrowia zapobiegające chorobom. Optymistycznej wierzono, że zaawansowana sztuczna inteligencja będzie w stanie analizować ogromne zbiory danych (w tym z urządzeń noszonych jako wszyte w ubranie i mających stały kontakt z ciałem pacjenta) i na tej podstawie przewidywać ryzyko wystąpienia określonych chorób. Gdyby to się udało - można by było wykrywać choroby na tyle wcześnie, by im zapobiec, zanim się rozwiną. Ale tego ciągle jeszcze nie ma.

Problemem medycyny jest bardzo rozwinięta specjalizacja. Każdy lekarz widzi tylko swój odcinek. Tymczasem twórcy AI zapewniali, że dzięki ich metodom będzie możliwa w pełni zautomatyzowana analiza wszystkich danych medycznych jednocześnie. Dzięki temu łudzono się możliwością uzyskania kompleksowego obrazu stanu zdrowia pacjenta. Celu tego nie osiągnięto.
Gdy powstały systemy generatywnej AI (między innymi sławny ChatGPT) łudzono się, że uwolnią one lekarzy od udzielania odpowiedzi na często zadawane pytania. Niestety, ryzyko uzyskiwania odpowiedzi błędnych (tak zwanych halucynacji) sprawiło, że tego zastosowania AI w medycynie nie zaakceptowali ani lekarze, ani pacjenci, ani nawet prawnicy.
Powyższy przegląd zagadnień, w których AI w medycynie spełniła nadzieje oraz takich, gdzie zawiodła, prowadzi do pytania, co jest tu główną przeszkodą?
Eksperci są zgodni, że obok niedofinansowania i braku specjalistów zasadniczą barierą są ograniczenia dostępu do baz danych pacjentów. Sztuczna inteligencja rozwija się dzięki procesom maszynowego uczenia. A jak się uczyć, gdy dostęp do danych jest dramatycznie utrudniony?