Polska AI dla zdrowia ma analizować dokumentację, wskazywać brakujące badania i ostrzegać przed opóźnieniami leczenia. Pierwszy cel to rak płuca.
Lekarz ma przed sobą wyniki badań, historię choroby, skierowania i kolejne terminy konsultacji. Każda informacja może mieć znaczenie, ale sprawdzenie, czy niczego nie pominięto, zajmuje po prostu czas. Polscy naukowcy chcą powierzyć dużą część tej pracy sztucznej inteligencji. Politechnika Wrocławska i Dolnośląskie Centrum Onkologii, Pulmonologii i Hematologii rozpoczynają budowę własnego systemu AI dla medycyny. Pierwszym zadaniem będzie pomoc w prowadzeniu pacjentów z rakiem płuca. Docelowo technologia ma trafić również do innych szpitali w Polsce.
AI przypilnuje badań po to, żeby pacjent po prostu nie tracił czasu
W przypadku leczenia nowotworów ogromne znaczenie ma nie tylko sama trafność diagnozy, ale także to, jak gwałtownie pacjent przechodzi przez kolejne etapy opieki. Badania obrazowe, wyniki laboratoryjne, konsultacje specjalistyczne i decyzje dotyczące terapii muszą zostać odpowiednio skoordynowane.
Ogromny problem pojawia się wtedy, gdy informacje są rozproszone pomiędzy różnymi systemami, a personel musi manualnie sprawdzać, czy dokumentacja jest kompletna. Brak jednego wyniku może opóźnić konsylium, a przedłużające się oczekiwanie na kolejne badanie przesunąć rozpoczęcie leczenia.
Właśnie tutaj ma pomóc projekt Polska AI dla zdrowia. System będzie analizował informacje o przebiegu diagnostyki i wskazywał sytuacje wymagające uwagi personelu. Ma rozpoznawać brakujące wyniki, identyfikować ryzyko opóźnień i pomagać ustalić, na jakim etapie leczenia znajduje się konkretny pacjent.
Nie chodzi zatem o zastąpienie onkologa algorytmem, który samodzielnie ogłosi diagnozę albo wybierze terapię. AI ma przede wszystkim dopilnować, żeby lekarz otrzymał adekwatne informacje we właściwym momencie i nie musiał poświęcać godzin na ich manualne wyszukiwanie. To zadanie może wydawać się mniej spektakularne od automatycznego wykrywania guzów na zdjęciach, ale jego znaczenie może być jednak ogromne.
Zaczynają od raka płuca. To nie przypadek
Pierwsze rozwiązanie powstanie we współpracy z Dolnośląskim Centrum Onkologii, Pulmonologii i Hematologii we Wrocławiu. Ośrodek zajmuje się rocznie ponad 1,4 tys. nowych pacjentów z rakiem płuca i dysponuje rozbudowaną dokumentacją dotyczącą ich diagnostyki oraz leczenia. To daje naukowcom możliwość pracy na rzeczywistych procesach medycznych, a nie wyłącznie na przygotowanych do eksperymentu przykładach.
Wrocławscy lekarze już wcześniej wykorzystywali analizę danych do usprawniania ścieżek diagnostycznych. Według przedstawicieli placówki w ciągu 2 lat udało się zwiększyć wykrywalność raka płuca w pierwszym i drugim stadium zaawansowania dzięki lepszemu monitorowaniu procesu diagnostycznego.
Nowy system ma pomóc rozwijać takie działania na większą skalę. Zamiast manualnie analizować historię każdego pacjenta, personel otrzyma narzędzie, które będzie wyłapywało potencjalne problemy i przedstawiało je w uporządkowany sposób. Nie oznacza to jednak, iż gotowe AI już udowodniło skuteczność w wykrywaniu nowotworów. Projekt dopiero się rozpoczyna, a jego pierwszym mierzalnym celem będzie usprawnienie organizacji diagnostyki i leczenia.
To ma być coś większego niż medyczny chatbot
Politechnika Wrocławska nie zamierza ograniczyć się do pojedynczej aplikacji stworzonej dla jednego szpitala. Naukowcy chcą zbudować bazowy model sztucznej inteligencji, na którym będzie można rozwijać różne narzędzia medyczne.
Punktem wyjścia są m.in. doświadczenia zdobyte podczas tworzenia polskich modeli językowych. Pisaliśmy już o rozwoju PLLuM, który uczono rozumienia polskich dokumentów i specjalistycznego języka wykorzystywanego przez instytucje publiczne. W medycynie zadanie jest jednak znacznie trudniejsze. Sama analiza tekstu nie wystarczy, ponieważ informacje o pacjencie występują w wielu postaciach. Są to opisy wizyt, wyniki badań laboratoryjnych, obrazy diagnostyczne, historia choroby i harmonogramy kolejnych procedur.
Twórcy chcą, aby jeden system potrafił wykorzystywać różne rodzaje danych i dostrzegać zależności pomiędzy nimi. Przykładowo model powinien rozumieć, iż wykonane badanie jest częścią określonego etapu diagnostyki, a jego wynik może decydować o konieczności kolejnej konsultacji.
Takie rozwiązanie wymaga jednak znacznie więcej niż tylko dostrojenia popularnego chatbota do medycznego słownictwa. Potrzebne będą odpowiednio przygotowane dane, narzędzia integrujące szpitalne systemy oraz szczegółowe testy poprawności działania.
Dane pacjentów mają zostać w szpitalach
Jedną z największych przeszkód w budowaniu medycznej AI jest przede wszystkim dostęp do informacji. Algorytmy potrzebują ogromnych zbiorów danych, tymczasem dokumentacja medyczna należy do najbardziej wrażliwych kategorii informacji o człowieku.
Wrocławscy naukowcy chcą wykorzystać m.in. uczenie federacyjne. Jest to metoda, w której model może być trenowany na danych znajdujących się w różnych placówkach, bez konieczności gromadzenia wszystkich kart pacjentów w jednej centralnej bazie.
Poszczególne szpitale przetwarzają dane lokalnie, a do wspólnego systemu przekazywane są wyniki procesu uczenia. Dzięki temu można rozwijać model na podstawie informacji pochodzących z wielu ośrodków, zachowując większą kontrolę nad dokumentacją medyczną.
Pamiętajmy, iż nie oznacza to jednak pełnej anonimowości ani całkowitego braku zagrożeń. Takie rozwiązanie również wymaga odpowiednich zabezpieczeń, kontroli dostępu i sprawdzenia, czy na podstawie informacji przekazywanych podczas trenowania nie da się odtworzyć danych pacjentów.
Jest to szczególnie istotne w kontekście coraz częstszych incydentów dotyczących danych medycznych, w tym niedawnej sprawy systemu wykorzystywanego przez gabinety stomatologiczne. Im więcej informacji trafia do systemów informatycznych, tym większe znaczenie ma sposób ich przechowywania i wykorzystywania.
Pierwsze efekty za 18 miesięcy. Cały projekt potrwa 6 lat
Program Polska AI dla zdrowia przedstawiono 7 października podczas posiedzenia sejmowej podkomisji zajmującej się sztuczną inteligencją. Liderem technologicznym przedsięwzięcia została Politechnika Wrocławska, a głównym partnerem klinicznym DCOPiH.
Harmonogram jest rozpisany na 6 lat. Pierwsze 6 miesięcy mają zająć przygotowania organizacyjne, uporządkowanie danych i ustalenie podstaw prawnych współpracy. Do 18. miesiąca ma powstać demonstrator wykorzystywany do pierwszych zadań wspomagających pracę personelu.
Do końca trzeciego roku planowana jest walidacja rozwiązania i przeprowadzenie pilotaży w kilku ośrodkach. Następne 3 lata mają zostać przeznaczone na rozwijanie wspólnego modelu oraz stopniowe rozszerzanie zastosowań.
Na początkowym etapie przedsięwzięcie będzie finansowane ze środków Politechniki Wrocławskiej i centrum onkologii. Nie ogłoszono jeszcze pełnego budżetu ani zagwarantowanego finansowania całego 6-letniego programu.
Autorzy zapowiadają również otwarcie współpracy na kolejne uczelnie, szpitale i partnerów technologicznych. Ostatecznym celem jest stworzenie platformy, którą można będzie wykorzystywać w różnych specjalizacjach medycznych, a nie tylko w onkologii.
Lekarz przez cały czas będzie podejmował decyzje
Najważniejszą kwestią pozostaje oczywiście odpowiedzialność. AI może wskazać brakujące badanie, uporządkować dokumentację czy zasugerować, iż pacjent zbyt długo czeka na kolejny etap diagnostyki. Nie powinna jednak samodzielnie decydować o rozpoznaniu choroby albo rozpoczęciu określonej terapii bez odpowiedniej weryfikacji.
Będzie miało to znaczenie dla zaufania pacjentów do nowego rozwiązania. Niedawne badanie pokazało, iż 46,7 proc. Polaków popiera wykorzystywanie sztucznej inteligencji jako wsparcia dla lekarzy. Akceptacja technologii nie musi jednak oznaczać gotowości do oddania jej pełnej kontroli nad leczeniem.
Właśnie dlatego o powodzeniu wrocławskiego projektu nie zdecyduje sam fakt stworzenia polskiego modelu AI. Najważniejsze będzie wykazanie, iż system rzeczywiście pomaga personelowi, ogranicza opóźnienia i działa bezpiecznie w codziennych warunkach szpitalnych.
Jeżeli uda się osiągnąć te cele, to korzyści mogą być naprawdę bardzo konkretne. Pacjent szybciej przejdzie przez kolejne badania, lekarz otrzyma bardziej kompletną dokumentację, a szpital będzie mógł wcześniej reagować na problemy organizacyjne.
*Grafika wprowadzająca wygenerowana przez AI
