Sztuczna inteligencja coraz szybciej wkracza do medycyny

Krystyna Knypl

Każdy sektor systemu opieki zdrowotnej testuje różne technologie, aby poprawić wyniki leczenia pacjentów, przyspieszyć badania i obniżyć koszty. Firmy farmaceutyczne sięgają po sztuczną inteligencję, aby przyspieszyć badania nad lekami i znaleźć nowe zastosowania dla starych leków, podczas gdy giganci w dziedzinie elektronicznych rejestrów medycznych i nowe firmy tworzą nowe modele prowadzenia opieki medycznej.

W miarę jak rośnie rola sztucznej inteligencji, rosną też pytania związane z zastosowaniem tej metody w medycynie. W jaki sposób inwestorzy i administratorzy systemów opieki zdrowotnej mogą oddzielić prawdziwie innowacyjne technologie od tych, które nie okażą się przydatne? Co będzie potrzebne systemom opieki zdrowotnej i firmom farmaceutycznym, aby zintegrować tę technologię z istniejącymi od dawna metodami? W jaki sposób twórcy technologii, systemy opieki systemy opieki zdrowotnej i organy regulacyjne zapewnią, że wszyscy skorzystają z nowych metod opieki zdrowotnej - i że nie pogłębią one istniejących problemów w medycynie?

Mniejsze koszty?

W miarę jak medycyna testuje zautomatyzowane narzędzia uczenia maszynowego, wiele osób ma nadzieję, że tanie narzędzia wspomagające pomogą zmniejszyć luki w opiece zdrowotnej w krajach o ograniczonych zasobach finansowych. Jednak nowe badania sugerują, że to właśnie te kraje są najmniej reprezentowane w danych wykorzystywanych do projektowania i testowania większości klinicznych AI - co może jeszcze bardziej pogłębić te luki.

Naukowcy wykazali, że narzędzia AI często nie sprawdzają się w rzeczywistych szpitalach. Nie wszystko można automatycznie przenieść: algorytm stworzony na jednej populacji pacjentów o określonym zestawie cech niekoniecznie sprawdzi się w innej. Te niepowodzenia spowodowały rosnące zapotrzebowanie na kliniczną sztuczną inteligencję, która powinna być dostosowana do zróżnicowanych grup pacjentów, reprezentujących różne przedziały wiekowe, płeć i wiek. reprezentujących różne grupy wiekowe, płciowe, rasowe, etniczne i inne.

Stany Zjednoczone oraz Chiny liderami badań nad AI

Ponad połowa danych wykorzystywanych w AI w służbie zdrowia pochodzi z USA i Chin. W przeglądzie ponad 7000 prac dotyczących AI, z których wszystkie zostały opublikowane w 2019 r. ponad połowa baz danych wykorzystanych w pracach pochodziła z USA i Chin, a kraje o wysokim dochodzie stanowiły większość

Musimy być znacznie bardziej zróżnicowani pod względem zbiorów danych, których używamy do tworzenia i walidacji tych algorytmów" - uważa Leo Anthony Celi, redaktor z pisma PLoS Digital Health. Największą obawą jest to, że algorytmy, które tworzymy, przyniosą korzyści tylko tej populacji, która uczestniczy w tworzeniu zbioru danych.

Taka struktura danych pacjentów nie jest niespodziewana, biorąc pod uwagę dominację Chin i USA w infrastrukturze uczenia maszynowego i badaniach. Do stworzenia zbioru danych potrzebna jest elektroniczna dokumentacja medyczna, przechowywanie danych w chmurze, szybkość i moc komputera. I to właśnie z tych powodów Stany Zjednoczone  i Chiny przechowuje się najwięcej danych.

Ustalono ponadto, że badacze chińscy i amerykańscy napisali ponad 40% prac na temat aspektów klinicznych AI. Stwarza to globalną tendencyjność w reprezentacji pacjentów i należy zwrócić uwagę na te  tendencje i zająć się nimi. Wiadomo, że algorytmy mogą działać inaczej w sąsiadujących ze sobą szpitalach, które obsługują różne populacje pacjentów. Mogą one nawet tracić moc z biegiem czasu w tym samym szpitalu.

Różnice między szpitalem w São Paulo a szpitalem w Bostonie będą znacznie większe i potencjalnie skala i wielkość błędów będzie większa. Jednym z popularnych celów badań nad kliniczną sztuczną inteligencją w krajach o niskich zasobach są  badania przesiewowe w kierunku chorób oczu. Wykorzystując przenośny oftalmoskop, algorytm mógłby rozpoznawać  retinopatię cukrzycową na tyle wcześnie, by podjąć skuteczną interwencję.

Jednak w 172 krajach, w których mieszka 3,5 miliarda ludzi, nie ma publicznego repozytorium danych okulistycznych, z którego można by czerpać dane. Jest to – jak określono w publikacji -  pustynia danych, która często dotyka także innych dziedzin medycyny.

Dlatego też konieczne są inwestycje w programy do gromadzenia danych i łączenia zasobów uczenia maszynowego w krajach, w których dane te są słabo reprezentowane. Na przykład jedno z konsorcjów gromadzi ekspertów z Meksyku, Chile, Argentyny i Brazylii, aby zidentyfikować najlepsze praktyki w gromadzeniu danych.

Prace te mogą również pomóc w podwojeniu wysiłków na rzecz testowania istniejących modeli w obszarach, w których występują różnice w danych. Jeśli gromadzenie i porządkowanie danych lokalnych nie jest jeszcze możliwe, walidacja może pomóc w zapewnieniu, że algorytmy opracowane w krajach bogatych w dane mogą być mogą być przynajmniej bezpiecznie stosowane w innych środowiskach. Po drodze wysiłki te mogą stać się podstawą do długoterminowego gromadzenia danych i ostatecznego rozwoju międzynarodowych repozytoriów danych. Dzięki ilościowemu określeniu międzynarodowych nierówności w badaniach nad sztuczną inteligencją można poprawić sytuację.

Jedna z niedawno opublikowanych prac, której kierownikiem był Joe Zhang z Imperial College London opisuje stworzenie pulpitu nawigacyjnego, który śledzi publikacje badań nad kliniczną sztuczną inteligencją, w tym narodowość pierwszego autora każdej pracy. Pierwszym krokiem do rozwiązania problemu jest jego zmierzenie.

Źródło ilustracji

https://en.wikipedia.org/wiki/Robotics

Źródła informacji:

https://www.statnews.com/wp-content/uploads/2022/05/STAT-eBook-artificial-intelligence.pdf

https://www.tehrantimes.com/news/467647/Iran-ranks-13th-worldwide-in-artificial-intelligence

Krystyna Knypl

GdL 5/2022