Czy Big data zrobi rewolucję w medycynie?

Wraz z ogłoszeniem Nowego (polskiego) Ładu przedstawiono założenia programu inwestycji w służbę zdrowia. W jednym z punktów można znaleźć informację o dalszym postępie cyfryzacji. Ma powstać System Informacji Medycznej, który umożliwi przekazywanie danych dotyczących zdarzeń medycznych pacjenta. Czy to realna zmiana, czy tylko pudrowanie trupa, jakim jest rodzima służba zdrowia?

Rozwój cyfryzacji jest konieczny, aby wejść w kolejny etap współczesnej medycyny. Takim ma być właśnie posiadanie bogatej bazy pacjentów. Dzięki danym można (w końcu!) stosować przekrojowe rozwiązania technologiczne. Wiele razy pisząc o sztucznej inteligencji mówiliśmy, że dane to składnik kluczowy dla uczenia maszynowego.

Big data to oszczędność

Bez danych nie jest możliwe systemowe wykorzystanie np. rozwiązań sztucznej inteligencji. Dzięki zbiorom danych możliwe jest także tworzenie usług szeroko dostępnych, masowych i wielokrotnie tańszych. Oszczędności przekładają się też na inne obszary. Mając dane możemy w końcu wykorzystać je do tworzenia predykcji.

Pojawia się jednak pytanie, czy cyfryzacja opieki medycznej realizowana przez ministerstwo jest jedyną drogą, jaka jest dostępna? Chyba niekoniecznie.

Wiele krajów korzysta ze sztucznej inteligencji w celu optymalizacji wydatków. Słowem, kierunek rozwoju IT na świecie bardzo często ma charakter optymalizacyjny. Nic nie wskazuje na to, aby ten sposób myślenia o technologii pojawił się w ramach prezentowanego nowego ładu.

Przyszłość jest tuż obok

Współczesna, światowa medycyna opiera się na trzech głównych filarach. Po pierwsze umiejscowienia pacjenta w centrum. Wokół doświadczenia pacjenta buduje się wszystkie usługi, które jako całość powinny być holistyczne. W przypadku np. chorób onkologicznych oprócz szybko dostępnych usług umożliwiających leczenie i diagnostykę, tak samo ważne jest zdrowie psychiczne i wsparcie w okresie walki z chorobą. Zarówno dla pacjenta jak i dla jego najbliższych. Tak to wygląda w scenariuszu skandynawskim, który zakłada wsparcie dla bliskich pacjenta oraz włączanie chorych do społecznościami, które już przez ten proces przechodziły. Efektywność walki nowotworowej jest więc korelowana między innymi z dietą, rehabilitacją, stanem psychicznym. Nie wspominając o dostępności terapii, które jest spersonalizowana.

Medycyna spersonalizowana jest natomiast kolejnym filarem zmian jakie zaszły na rynku zdrowotnym. Personalizacja na różnych poziomach i w różnych szerokościach geograficznych ma inny obraz. Dobrym przykładem jest chociażby pełna cyfrowa kontrola przyjmowania terapii realizowana w Stanach Zjednoczonych. W USA od jakiegoś czasu w przypadku wielu terapii, stosuje pełną kontrolę przyswajalności poszczególnych leków.
Są one indywidualne dla pacjenta i co za tym idzie, zmieniają się, tak jak zmienia się nasz organizm.

Mówiąc w skrócie: nie ma ogólnie określonej dawki leku w przypadku chorób przewlekłych. Są zalecenia. Resztę określa się indywidualnie analizując przyswajanie leków dzień po dniu. Umożliwia to robienie korekt w podawaniu lekarstw, terapii w celu maksymalizacji ich skuteczności.

Ostatnim elementem jest wczesna diagnostyka. To na nią przeznacza się ogromne nakłady i ona jest przyszłością rozwoju medycyny. Słowem zapobieganie, wczesne wykrycie, a nie leczenie, gdy jest już za późno. Dla przykładu w Polsce mamy jeden z najwyższych wskaźników przeżycia odnotowuje się u pacjentek z rakiem piersi. Warunkiem jest wykrycie go we wczesnym stadium. Różnica jest spora: przeżywalność w momencie wykrycia we wczesnym stadium u nas to 94,5%, w późnym stadium to już 40%. Czas ma kolosalne znaczenie.

Big Data to nie wszystko. Ważna jest interpretacja

Aby można było przewidzieć większość schorzeń niezbędne jest posiadanie wywiadu o pacjencie. Są kraje, jak Szwecja, gdzie udaje się zebrać wywiad medyczny do dwóch pokoleń wstecz. Część chorób o podłożu genetycznym wcześniej występujących w rodzinie drastycznie zwiększa ryzyko wystąpienia ich u pacjenta. Wczesna diagnostyka to też działania przesiewowe. Mając informacje medyczne dotyczące grupy pacjentów, można określić kiedy powinno się wykonać badania kontrolne. Tu pojawia się miejsce na użycie sztucznej inteligencji. Ta jest w stanie reagować na nowe dane i tworzyć predykcje, korekty dotyczące kontroli stanu zdrowia. Czyli inteligentne zapobieganie.

Wykorzystanie sztucznej inteligencji w służbie zdrowia, czy raczej proces cyfryzacji może mieć bardzo różne oblicza. Rząd brytyjski, inwestując w sztuczną inteligencje stara się radykalnie przyśpieszyć diagnostykę raka. NHS (National Health Services) informuje, że masowe stosowanie sztucznej inteligencji umożliwi milionom Brytyjczyków dostęp do badań na wczesnym etapie. Zarazem odciąży i po części zredukować personel medyczny. Program, który jest rozwijany w Wielkiej Brytanii zakłada, że do 2028 roku sztuczna inteligencja będzie w stanie rozpoznawać trzy czwarte wszystkich chorób onkologicznych we wczesnym stadium.

W Stanach Zjednoczonych używa się np. sztucznej inteligencji do poprawy wyników mammografii. American Cancer Society informuje, że jest bardzo wysoki odsetek danych dających fałszywe wyniki. Dokładnie jedna na dwie kobiety historycznie dostawała nieprawidłowe wyniki i podejrzenie wystąpienia raka. Zastosowanie sztucznej inteligencji w sposób masowy przy mammografii pozwoliło na przyśpieszenie realizacji całego procesu 30 razy. Dodatkowo pozwoliło na zwiększenie dokładności do 99%. Dzięki temu zmniejszono potrzebę wykonywania niepotrzebnych biopsji co przełożyło się na zwiększenie oszczędności oraz poprawę stanu pacjentów. Nikt nie chce otrzymać fałszywej informacji o raku.

Niepełne dane prowadzą do grobu

Problem błędnej interpretacji danych w USA prowadził do 10% wszystkich zgonów w (niestety nie mamy takich danych oficjalnych w Polsce). Powodem były niekompletne dane dotyczące pacjentów. Często też dochodziło do złego opisu stanu chorobowego przez nich samych.

W Bostonie powstał projekt opierający się na sztucznej inteligencji, który sprawdza objawy pacjentów, aby wykluczyć zły wywiad. Następnie wykorzystuje się algorytmy do diagnozowania i leczenia chorób. Chatbot rozmawia z pacjentem i decyduje, jakie powinny być kolejne kroki. Rozwiązanie nazywa się Buoy Helath. Stosowane jest miedzy innymi w szpitalu Harvard Medical School.

Big Data w służbie optymalizacji

Inny przykład wdrożenia i wspierania działań ludzkich poprzez AI to działania firmy o nazwie Enlitic. Platforma firmy analizuje niestrukturyzowane dane medyczne (obrazy radiologiczne, badania krwi, EKG, genomikę, historię choroby pacjenta) aby zapewnić w czasie rzeczywistym dokładny perfekcyjny wgląd w dane. W tym wypadku technologia bazująca na sztucznej inteligencji pełni zadanie weryfikacji przed ewentualną złą interpretacją.

Wdrożenia sztucznej inteligencji mogą mieć też charakter czystej optymalizacji. W Ohio w USA wdrożono AI w celu automatyzacji najbardziej powtarzalnych zadań w branży opieki zdrowotnej. Pozwoliło to na skupieniu się personelu nad nad zadaniami wyższego poziomu. Platforma automatyzuje wszystko, zaczynając od sprawdzenia uprawnień po migrację danych. Rozwiązanie o nazwie Olive łatwo integruje się z istniejącym oprogramowaniem i narzędziami szpitala, co wyeliminowało koszta migracji danych pomiędzy systemami.

Kolejnym przykładem implementacji sztucznej inteligencji jest platforma Oventus, która pozwala na nadanie priorytetów wybranym chorobom oraz urazom. Dodatkowo mając dane o priorytetach śledzi czas oczekiwania w szpitalu. W razie potrzeby wyznaczy najszybsze trasy przejazdu karetek w przypadku określonych zgłoszeń. To temat, który bardzo dobrze znamy z izb przyjęć w Polsce. Traktowanie wszystkich jednakowo, bez nadawania priorytetów powoduje ogromne komplikacje. Pacjenci z migreną przebywają w jednej kolekcje z pacjentami, którzy mają urazy fizyczne oraz wszelkie inne stany chorobowe. Kto raz był na izbie przyjęć doskonale wie, że brak priorytetowania systemowego zwyczajnie zapycha się wydajność polskich szpitali.

Szpital Johns Hopkins Hospital ogłosił niedawno partnerstwo z GE. Celem jest wdrożenia rozwiązania predykcyjnego w zakresie poprawy przepływu pacjentów kierowanych na operacje. Określenie priorytetów przez wspomaganie sztucznej inteligencji pozwoliło na wzrost wydajności w przyjmowaniu pacjentów o 60%. Dodatkowo zwiększono do 21% wzrost wypisów pacjentów przed południem, co przełożyło się na lepsze samopoczucie pacjentów.

Zwiększanie wydajności, to prawdziwy cel cyfryzacji

Świat sięga bardzo często po rozwiązania AI w celu optymalizacji już istniejącej infrastruktury. Korzystanie ze sztucznej inteligencji w medycynie, w zależności od wdrożenia dość często pozwala na poprawę efektywności i płynności. Dodatkowo do usunięcia kolejek, odetkania zatłoczonych placówek przez chociażby wskazane priorytety w przyjmowaniu pacjentów, czy zmianę zasad wypisywania. Miejmy nadzieje, że Polsce stosunek do technologii się zmieni. Potrzebna jest optymalizacja już prowadzonych działań, aby wprowadzić większą wydajność. Od tego przecież są algorytmy i nowa technologia. Od oszczędzania i zmniejszania wydatków przy zwiększaniu dostępności już istniejących usług.