Inteligencja sztuczna w sektorze zdrowotnym wykracza poza stadium eksperymentalne, aby stać się podwaliną nowoczesnej służby zdrowia. Sposób, w jaki obecnie określimy zasady dostępu do danych, technologii i finansowania, przesądzi o tym, czy AI zredukuje rozbieżności w zdrowiu, czy też odwrotnie — wykreuje nową elitarną grupę “superzdrowych”, a pozostali poniosą konsekwencje postępu.
— Sztuczna inteligencja to już nie odległa wizja przyszłości. Nawet mniejsze szpitale rejonowe wprowadzają algorytmy do praktyki klinicznej. Zgodnie z raportem Centrum e-Zdrowia korzysta z nich już ponad 13 proc. placówek — oznajmia Ligia Kornowska, dyrektor ds. innowacji medycznych w Polskiej Federacji Szpitali oraz liderka inicjatywy Koalicja AI w Zdrowiu.
Algorytmy najczęściej wspomagają lekarzy w analizie obrazów oraz wczesnym rozpoznawaniu zmian. Ilość wdrożeń zwiększa się dwukrotnie każdego roku.
Pomimo tego, że AI przyśpiesza postęp medycyny personalizowanej, odkrywanie leków i diagnostykę, nad sektorem unosi się istotne ryzyko, że najbardziej innowacyjne terapie staną się usługą premium, niedostępną dla ogółu.
Wybierz jedno z poniższych pytań i zobacz, jak AI 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 dwóch prędkości: elita superzdrowych kontra reszta
Podczas tegorocznego Światowego Forum Ekonomicznego w Davos liderzy debatowali nad niebezpieczeństwem “świata dwóch prędkości”. Mowa o scenariuszu, w którym najbardziej zaawansowane technologie docierają głównie do najzamożniejszych systemów i prywatnych instytucji. W kontekście medycyny jest to szczególnie delikatna kwestia.
Zdaniem Ligii Kornowskiej kluczowym momentem będzie powszechne wdrożenie analityki predykcyjnej. Jest to zasadnicza zmiana podejścia: przejście od medycyny reaktywnej do proaktywnej.
- Tekst powstał w ramach akcji redakcyjnej: AI. Kod długowieczności
AI, analizując olbrzymie zbiory danych, pozwala nie tylko leczyć, ale i prognozować ryzyko oraz personalizować profilaktykę. W przyszłości tego typu technologie mogą w znacznym stopniu wydłużyć życie w dobrym zdrowiu oraz stymulować rozwój trendu długowieczności (longevity).
Posiada to również swoją negatywną stronę: “superzdrowie” może stać się przywilejem osiągalnym tam, gdzie biznes dostrzega największy zysk z inwestycji. To nie jedyny problem, z którym współczesna medycyna musi się uporać podczas wdrażania AI.
- Czytaj także: Tyle płacą lekarzom i pielęgniarkom. Liczby wciąż szokują, a w lipcu znowu wzrosną
AI dziedziczy nasze uprzedzenia
Specjaliści z branży medycznej, z którymi rozmawiam, są zgodni: zasadniczym problemem nie jest sama AI, a fakt, że doskonale kopiuje i potęguje błędy zawarte w danych.
— Systemy uczą się na danych historycznych, a te często zawierają istniejące przekonania i nierówności. Jeżeli dane wejściowe są niereprezentatywne, algorytmy będą te nierówności po prostu powielać — wyjaśnia dr hab. Piotr Sankowski, dyrektor Instytutu Badawczego IDEAS i profesor w Instytucie Informatyki Uniwersytetu Warszawskiego.
Jak dodaje, to właśnie zamiar powierzenia sztucznej inteligencji pełnych decyzji dotyczących zarządzania procesem leczenia albo finansowania opieki zdrowotnej stanowi największe wyzwanie.
Algorytmy trenowane na wąskiej grupie danych
Tradycyjna medycyna nie jest wolna od dyskryminacji. Jej normy przez dekady kształtowano na ograniczonych populacjach badawczych i w nierównych strukturach społecznych, co pozostawiło w systemie liczne uprzedzenia.
Jednym z najbardziej znanych przykładów jest niewystarczająca reprezentacja kobiet w badaniach klinicznych w XX wieku. Z obawy przed potencjalnym wpływem eksperymentalnych terapii na przebieg ciąży wiele projektów badawczych eliminowało kobiety z uczestnictwa w testach. W rezultacie leki testowano głównie na organizmach mężczyzn, a uzyskane rezultaty były uogólniane na całą populację. W rzeczywistości oznaczało to, że kobiety częściej doświadczały efektów ubocznych leków, a objawy wielu schorzeń opisano zgodnie z “męskim wzorcem”.
Jak przypomina Ligia Kornowska, skala problemu w USA była dramatyczna: aż 80 proc. leków wycofywanych z rynku z powodu działań niepożądanych dotyczyło efektów obserwowanych u kobiet. Spowodowało to powstanie wytycznych zobowiązujących badaczy do uwzględniania w badaniach klinicznych kobiet, dzieci i mniejszości etnicznych.
Mimo że powoli zaczynamy rozliczać naukę z tych uprzedzeń, przed nami długa droga. Według danych World Economic Forum obecnie jedynie 6 proc. prywatnych inwestycji w innowacje zdrowotne dotyczy zdrowia kobiet, z czego większość i tak skupia się na zdrowiu reprodukcyjnym i nowotworach.
Zobacz więcej:
HtmlCode
Utrwalanie podziałów społecznych
Problem ograniczonej reprezentacji dotyczy także innych grup. W wielu krajach dane kliniczne opisują przede wszystkim pacjentów z uprzywilejowanych części społeczeństwa — dobrze udokumentowanych, lepiej ubezpieczonych, mieszkających w dużych miastach. W rezultacie algorytmy diagnostyczne mogą gorzej działać u osób żyjących poza tym głównym nurtem: u osób o innym pochodzeniu etnicznym, u seniorów albo u pacjentów z niższym statusem społeczno-ekonomicznym.
Ligia Kornowska podkreśla, że nawet bardzo dobry algorytm może działać gorzej w innej populacji niż ta, na której był trenowany. Przykładem jest narzędzie do analizy mammografii stworzone na danych pacjentek ze Stanów Zjednoczonych. W USA znacząco poprawiało wykrywalność nowotworów, jednak w Wielkiej Brytanii jego skuteczność była wyraźnie niższa. To dowód na to, że w medycynie AI 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 biedniejszych 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 drogie procedury — algorytm “uznał”, że można ich leczyć taniej, automatyzując tym samym społeczną niesprawiedliwość.
To tutaj zaczynają się prawdziwe trudności: bez demokratyzacji dostępu do danych, AI pozostanie luksusową opcją dla nielicznych.
Regulacyjne blokady i czasochłonny proces budowania podstaw
Bez dostępu do dużych i kompletnych zbiorów klinicznych nie jest możliwe sprawdzenie, czy nowe technologie są bezpieczne i efektywne w różnych grupach społecznych.
Piotr Sankowski zwraca uwagę na problem rozproszenia: skutecznej AI nie da się wytrenować na danych z jednego szpitala. Potrzebna jest skala i różnorodność, ale tu pojawia się systemowy paraliż.
— Dane medyczne są wyjątkowo trudne do anonimizacji, co sprawia, że ich udostępnianie przez publiczne szpitale jest procesem skomplikowanym i długotrwałym — wyjaśnia Sankowski. Jednym z największych wyzwań rozwoju AI w medycynie jest więc pogodzenie prywatności pacjentów z potrzebą dostępu do danych.
— W Europie bardzo silnie 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. — Wciąż nie jesteśmy mentalnie przygotowani na to, że odpowiednio zabezpieczone i zanonimizowane dane są bezcennym zasobem dla nauki — ocenia.
- PRZECZYTAJ: Bartosz Węglarczyk: Jak AI zmienia medycynę. Stoimy u progu przełomu
Peryferia innowacji: cyfrowe czarne skrzynki
Priorytet ochrony prywatności, choć uzasadniony, bez rozsądnych regulacji staje się przeszkodą dla rozwoju. 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 wracają jako kosztowne “czarne skrzynki”, trenowane na populacjach o innej charakterystyce, co rodzi pytania o ich skuteczność u polskiego pacjenta.
Aby uniknąć roli technologicznego zaplecza, potrzebujemy nowych modeli współdziałania. Eksperci wskazują na uczenie sfederowane (federated learning), które pozwala trenować modele AI 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 ochronie zdrowia wymaga ogromnych inwestycji w infrastrukturę, bazy danych i kompetencje, ale bierność będzie kosztować jeszcze więcej. Michał Gontkiewicz podkreśla, że w dłuższej perspektywie mogą one obniżać koszty leczenia — dzięki wcześniejszej diagnostyce, mniejszej liczbie powikłań i lepszemu dopasowaniu 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 AI skoncentruje się w rękach kilku globalnych graczy, powiększając przepaść między zamożnymi i ubogimi systemami.
— Poważnym problemem jest niedofinansowanie systemu ochrony zdrowia. Brakuje środków zarówno na badania nad AI, jak i na wdrażanie takich rozwiązań w publicznym systemie — alarmuje Sankowski.
Jego zdaniem potrzebne jest porzucenie przekonania, że “rynek sam to ureguluje”, na rzecz przemyślanej polityki państwa wspierającej rozwój i rozpowszechnianie technologii tam, gdzie mogą przynieść największe korzyści zdrowiu publicznemu.
— Największym wyzwaniem są obecnie dwa aspekty. Po pierwsze, przekonanie społeczeństwa do korzystania z dobrych narzędzi opartych na sztucznej inteligencji. Po drugie, stworzenie odpowiednich regulacji prawnych, które pozwolą bezpiecznie wprowadzać takie rozwiązania do systemu ochrony zdrowia — dodaje dr Gontkiewicz.
Partner, nie rywal. Lekarz w dobie algorytmów
W debacie publicznej często pojawia się pytanie, czy AI 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 wygrywali ci specjaliści, którzy potrafili wykorzystywać nowe narzędzia — wyjaśnia dr Gontkiewicz.
Jak przyznaje, ludzie od dawna poszukują prostych odpowiedzi na swoje problemy zdrowotne. Kiedyś był to “doktor Google”, dziś coraz częściej są to chatboty. — Naszym zadaniem jest edukowanie pacjentów, że takie narzędzia mogą być pomocne, ale 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 natychmiast — nawet penicylina czy ultrasonografia potrzebowały lat, aby stać się standardem. Zdaniem Ligii Kornowskiej podobnie będzie w przypadku sztucznej inteligencji, ponieważ w ochronie zdrowia stawką jest przede wszystkim bezpieczeństwo pacjenta.
Jednak przy rosnących brakach kadrowych w systemie ochrony zdrowia AI 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 AI 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.