Oprócz powszechnie znanych zastosowań w diagnostyce obrazowej sztuczna inteligencja (AI) może przynieść ogromne korzyści w tzw. klasteringu pacjentów w oparciu o kryteria niedostrzegalne dotychczasowymi metodami i różnicowaniu leczenia tak, by przyniosło optymalne efekty. Zastosowanie AI do znajdowania wzorców w elektronicznej dokumentacji medycznej przyspiesza odkrywanie fenotypów – mówi dr hab. n. med. Robert Zymliński, prof. UMW, dziekan Wydziału Lekarskiego, kierownik Kliniki Intensywnej Terapii Kardiologicznej Uniwersytetu Medycznego we Wrocławiu, przewodniczący Asocjacji Intensywnej Terapii Kardiologicznej PTK.
– Na czym polega klastrowanie chorych kardiologicznych i czemu służy? Jaka jest w tym rola sztucznej inteligencji?
Prof. Robert Zymliński – Klastrowanie, czyli grupowanie pacjentów – to coś, co tak naprawdę robimy od lat. Natomiast sztuczna inteligencja i różne subtechniki wchodzące w jej skład umożliwiają nam inne, dużo bardziej zaawansowane i efektywne wykorzystywanie dostępnych danych. Pozwalają na szersze, bardziej precyzyjne opisanie pacjentów, interesujących nas zjawisk, na wykazanie często zupełnie nieoczywistych związków między dostępnym parametrami. To unikalna możliwość kompleksowej oceny związku pomiędzy np. stanem zdrowia pacjenta, objawami, reakcjami na leczenie bądź też brakiem oczekiwanej odpowiedzi na terapię. AI umożliwia profilowanie ryzyka w określonych grupach chorych w oparciu o dostępne parametry. Jednak obecnie najbardziej obiecująca i pożądana z klinicznego punktu widzenia jest możliwość personalizacji medycyny, dostosowywania terapii do potrzeb konkretnego pacjenta. Mamy bowiem bardzo zróżnicowaną populację chorych – z rozlicznymi chorobami współistniejącymi, w różnym wieku, z różną historią chorobową, o różnych potrzebach. Klastering pozwala dostosowywać terapię do tych specyficznych wymagań i potrzeb odpowiednio zidentyfikowanej grupy pacjentów. To przekłada się na zwiększenie efektywności leczenia w kontekście poprawy jakości życia i rokowania. Pozwala też na identyfikację najlepszej z perspektywy pacjenta praktyki, jaką można u niego zastosować. To także szansa na lepszą diagnostykę, służącą szybszemu wykrywaniu chorób, to również pewne wątki naukowe, które pozwalają lepiej zrozumieć istotę choroby, ukierunkować badania poprzez zdefiniowanie rzeczywistych potrzeb pacjentów.
– Które ukryte wzorce i cechy pacjentów, niewidoczne dla klinicystów przy użyciu standardowych metod oceny, może zidentyfikować sztuczna inteligencja?
– Myślę, że pokazanie nowych, wartościowych zależności między różnymi zmiennymi oraz wzorce czasowe mają największe znaczenie. Mówiąc o wzorcach czasowych, chodzi mi o to, że wykorzystując AI możemy analizować przebieg choroby, trudną z perspektywy klasycznych narzędzi dynamikę charakterystyczną dla wybranej choroby w czasie rzeczywistym, estymując w ten sposób dalszy jej przebieg i odpowiednio na to reagować. Istnieją różne relatywnie proste algorytmy, jak na przykład asystent pacjenta z niewydolnością serca, który zbiera określone proste dane, analizuje je i w sytuacji wykazania niekorzystnych zjawisk informuje pacjenta np. o konieczności zwrócenia uwagi na systematyczne stosowanie leków lub wskazuje na potrzebę wizyty u lekarza. I chyba to, co jest najciekawsze w AI, to możliwość wykrywania różnych nieznanych anomalii. Coś, czego my nie jesteśmy w stanie stosując klasyczne, analogowe techniki stwierdzić. Identyfikacja nietypowych, nieznanych dotychczas zależności może prowadzić do bardzo ważnych klinicznie wniosków.
– Przykładowo, mamy pacjenta z niewydolnością serca. Co klinicyści widzą, a czego nie, ale „zobaczy” to sztuczna inteligencja?
– Pacjent z niewydolnością serca to idealny przykład, bo ta populacja chorych jest niezwykle wymagająca, trudna. Standardowo każdego chorego oceniamy na podstawie algorytmu postępowania, który rekomendują nam wytyczne. Wymienione są w nich parametry kliniczne, laboratoryjne, wyniki badań obrazowych. Więc w jakimś sensie możemy go opisać, ale problem polega na tym, że liczba badań, które musimy wykonać, jest często tak duża, że nikt w trakcie codziennej praktyki nie jest w stanie tego przeprowadzić szybko i równie szybko przeanalizować. Wykorzystując sztuczną inteligencję, mając odpowiednio przygotowany, nauczony algorytm, wprowadzając do niego dane, uzyskane z systemów szpitalnych, możemy stworzyć jego profil, w oparciu o który możemy ukierunkować dalsze postępowanie, diagnostykę, leczenie. Problem polega na tym, że my danych zbieramy coraz więcej, ale nie mamy możliwości ich pełnego wykorzystanie. To jest ogromny potencjał, a sztuczna inteligencja pozwala na ich szybkie zanalizowanie i kliniczne wykorzystanie.
– Czyli AI sama wszystkiego nie zrobi. Potrzebuje człowieka, jego wiedzy. Potrafi to, czego ją nauczymy?
– Dotknęła Pani kluczowej sprawy, z której wiele osób nie zdaje sobie sprawy. Algorytmy, które wykorzystujemy, pierwotnie wymagają bardzo mozolnej, wręcz benedyktyńskiej pracy związanej z przygotowaniem baz danych, treści, które będą stanowić substrat do analiz, pozwalających im się uczyć. Dla przykładu, w opublikowanym niedawno badaniu dotyczącym możliwości zastosowania AI we wczesnym wykrywaniu kardiomiopatii rozstrzeniowej na podstawie EKG do algorytmu wprowadzono prawie milion bardzo dobrze opisanych elektrokardiogramów i kilkaset tysięcy badań echokardiograficznych. Tym samym jakość danych ma fundamentalne znaczenie w przygotowywaniu algorytmu, dlatego że on sam niczego nie wymyśli, a jego decyzje opierają się na tych informacjach, wzorcach, które my przygotujemy. Dlatego algorytmy wymagają bazowych danych bardzo wysokiej jakości.
– Czy Pan już posiłkuje się sztuczną inteligencją, na przykład w fenotypowaniu chorych?
– Tak. Wykorzystujemy to np. w badaniach naukowych u chorych. Przeprowadziliśmy m.in. klastering pacjentów z niewydolnością serca. Udało nam się znaleźć nieoczekiwane zależności, które pozwoliły podzielić chorych w zupełnie inny sposób niż dotąd to robiliśmy. Zidentyfikować tych, którzy mają lepsze bądź gorsze rokowanie, którzy będą lepiej lub gorzej odpowiadać na zastosowane leczenie, mają zróżnicowane ryzyko pogorszenia funkcji nerek. To było możliwe właśnie dzięki klasteringowi. Algorytm mając odpowiednie dane, identyfikuje zależności między różnymi parametrami, czasami nieoczywistymi, prowadząc do bardzo ciekawych i ważnych klinicznie wniosków.
– Czy na podstawie informacji od sztucznej inteligencji możliwe jest dobieranie konkretnej terapii?
– Tak, są potwierdzające taką strategię badania. Przykładowo okazuje się, że wśród – wydawać by się mogło – dobrze poznanych chorych z kardiomiopatią rozstrzeniową można precyzyjnie wyodrębnić tych, którzy odniosą większą korzyść z klasycznej terapii farmakologicznej, można zidentyfikować pacjentów z większym ryzykiem nagłego zgonu sercowego z uwagi na arytmię albo grupę, u której choroba ma etiologie pozapalną i tu leczenie immunosupresyjne może być pomocne. To jest coś nowego i stanowi o nowej jakości pracy naukowej oraz klinicznej. Co ważne, algorytmy te coraz częściej w profilowaniu chorych wykorzystują np. badania omiczne, które przenoszą nas na zupełnie inny poziom.
– Czy korzystając z pomocy sztucznej inteligencji, informujecie o tym pacjentów?
– W praktyce klinicznej nie jest ona jeszcze powszechnie stosowana. Największe kliniczne wykorzystanie AI ma miejsce w diagnostyce obrazowej – to obszar, w którym te technologie wspomagają nas od wielu lat. Jest coraz więcej technologii dostępnych w diagnostyce inwazyjnej w kardiologii, gdzie przyspieszenie interpretacji wyniku badania ma kluczowe znaczenie, zwłaszcza że wiele procedur ma charakter hybrydowy, wykorzystujący klasyczne obrazowanie RTG wraz z ultrasonografią wewnątrznaczyniową i badaniami czynnościowymi. W tych przypadkach informujemy chorych o zastosowaniu takich algorytmów. W pracach naukowych, kiedy włączamy pacjenta do badania, informujemy go o tym, że dane będą analizowane przy pomocy takiej technologii. Mamy np. teraz bardzo ciekawy projekt realizowany z grantu Agencji Badań Medycznych, dotyczący regionalnych centrów medycyny cyfrowej. Celem tego projektu jest stworzenie systemu ekstrakcji danych z systemów szpitalnych, które można będzie w pełni zdigitalizować i wykorzystywać w tzw. cyfrowej obróbce. To mają być wszystkie dane odpowiednio wysokiej jakości, dobrze zebrane w konkretnych punktach czasowych. Przykładowo, chory trafia na tydzień do szpitala z powodu zaostrzenia niewydolności serca. Dane dotyczące badań, które miał wykonane, trafiają do „hurtowni danych”, są kolekcjonowane i przygotowywane tak, aby mogły być wykorzystane w różny sposób, także do zasilenia algorytmów opartych na AI. To jest coś zupełnie nowego. Jak już powiedziałem, my tych danych zbieramy mnóstwo, ale one nie są uporządkowane, odpowiednio skatalogowane. Pacjenci, którzy są włączani do tego projektu, wyrażają świadomą zgodę i informujemy ich o tym, że zebrane od nich dane będą digitalizowane i poddawane dalszej analizie.
– Czy można zakładać, że w nieodległej przyszłości w wytycznych towarzystw naukowych pojawią się zalecenia dotyczące AI, czy też odniesienia dotyczące sztucznej inteligencji jako jednego z wiarygodnych źródeł?
– Może tak się zdarzyć. Odniesienie do AI będzie miało zapewne różne poziomy rekomendacji. Na pewno klastering, fenomaping pacjentów wywoła trochę zamętu, w dobrym tego słowa znaczeniu. Musimy mieć jednak świadomość, że to są ciągle prace bardzo zaawansowane, ale o charakterze badawczym. Dopiero w momencie przeniesienia tych działań na szerszą populację, po odniesieniu ich chociażby do populacji rejestrowych albo wdrożeniu algorytmów, aplikacji, pojawi się szansa na wprowadzanie tego do wytycznych. Pamiętajmy, że wytyczne muszą być oparte na silnych, potwierdzonych dowodach. Dlatego jakiejś stanowczej, radykalnej postawy ze strony twórców wytycznych w tym temacie na razie się nie spodziewam, bo sztuczna inteligencja to wciąż temat delikatny. Natomiast myślę, że mogą się pojawić propozycje algorytmów bazujących na AI, które pozwolą np. szybciej oceniać pacjentów w jakimś konkretnym kontekście. Szerokiego wprowadzenia sztucznej inteligencji do wytycznych jeszcze nie będzie również z powodu uwarunkowań formalno-prawnych i etycznych, które budzą pewne kontrowersje. W Europie toczą się prace nad zdefiniowaniem roli sztucznej inteligencji. Póki co, większość osób wypowiadających się na ten temat stoi na racjonalnym stanowisku, że to ma być narzędzie wspomagające, a nie wyręczające lekarzy. Bo finalnie za decyzje ktoś musi ponieść odpowiedzialność – czyli lekarz, który je podejmuje.
– Jakie są największe wyzwania związane z implementacją sztucznej inteligencji w praktyce klinicznej?
– To jest na pewno przygotowanie środowiska medycznego. Budowanie odpowiedzialności za to, co robimy, przede wszystkim w kontekście jakości danych, a jest to teraz piętą achillesową. Dane muszą być odpowiedniej jakości, odpowiednio zorganizowane. Kolejnym wyzwaniem jest ochrona danych i prywatność. Następna rzecz – akceptacja nowych technologii przez wszystkie zawody medyczne. Brak zrozumienia tych algorytmów może prowadzić do nieporozumień i tym samym ograniczyć ich zastosowanie. Kolejnym wyzwaniem, o którym mówiłem w kontekście regionalnych centrów medycyny cyfrowej, jest integracja z systemami informatycznymi, którymi dysponują szpitale (systemy elektronicznej dokumentacji medycznej – EDM). Do tego, bez wątpienia, dochodzi konieczność poniesienia kosztów. System opieki zdrowotnej musi być na to przygotowany, bo opracowanie algorytmu oznacza określone wydatki. Potrzebne też będą: wyszkolenie personelu, aktualizacja infrastruktury, utrzymanie systemów. Z drugiej strony, gdyby przeprowadzono analizę ekonomiczną, to okazałoby się, że odpowiednio duża inwestycja w odpowiednie przygotowanie takiego projektu sprawi, że po kilku latach to się okaże opłacalne.
(rozmawiała Iwona Kazimierska)
