„Sztuczna inteligencja już w praktyce jest stosowana w systemie ochrony zdrowia. Myślę, że jeszcze parę lat zabierze nam, zanim będzie ona wykorzystywana w codziennej praktyce we wszystkich szpitalach, natomiast już dziś widzimy wiele zastosowań, które pomagają zarówno pacjentom, jak i lekarzom, np. na etapie diagnostyki” – mówi Adam Krenke, dyrektor ds. strategii w Roche Polska.

AI skraca czas potrzebny na postawienie diagnozy, a tym samym zwiększa szanse na szybsze wdrożenie terapii. W sektorze medycznym rozwiązania oparte na sztucznej inteligencji wdraża dziś około 4,7 procent podmiotów leczniczych. Choć liczba ta może wydawać się niewielka, dynamika wzrostu sugeruje, że wkrótce technologia ta stanie się nieodłącznym elementem nowoczesnego leczenia.

Eksperci zgodnie podkreślają, że sztuczna inteligencja nie zastąpi lekarza. Może jednak znacząco odciążyć personel medyczny, przewidywać pogorszenie stanu pacjenta, analizować interakcje lekowe i wspierać komunikację z chorymi. Aby jednak była skuteczna, musi rozwijać się w oparciu o dane i doświadczenia kliniczne. Roche realizuje koncepcję „Lab in the Loop”, w której dane z badań laboratoryjnych i klinicznych służą do trenowania modeli wspierających tworzenie nowych leków.

„Proces tworzenia nowego leku zajmuje ponad 10 lat i pochłania kilka miliardów dolarów. Ludzki organizm składa się z 37 bln komórek, mamy 10 tys. różnych rodzajów komórek w ciele, 20 tys. genów, które tworzą nasze ciało, i komórki, czytając odpowiedni fragment tego genomu, odpowiadają na niego, więc liczba kombinacji, które mogą pójść nie tak w tym procesie, jest niewiarygodnie duża. Jeżeli już mamy zidentyfikowaną chorobę, to samych małych cząsteczek, które mogą być potencjalnie kandydatami na lek, jest 10⁶⁰” – tłumaczy Adam Krenke.

Algorytmy mogą w tym kontekście okazać się bezcennym wsparciem. Umożliwiają szybsze typowanie najbardziej obiecujących cząsteczek i trafniejsze przewidywanie reakcji pacjentów na leczenie. To szczególnie ważne w onkologii, neurologii czy chorobach autoimmunologicznych. „Stworzyliśmy algorytm wytrenowany na bazie wszystkich eksperymentów, które dotychczas w firmie Roche były przeprowadzone na przestrzeni lat. Mierząc się z nowym problemem, pytamy algorytm: wygeneruj nam wszystkie możliwe cząsteczki, które potencjalnie są w stanie adresować nam dany cel terapeutyczny. Później zawężamy te wyniki i kilkaset tych najbardziej obiecujących syntetyzujemy, wprowadzamy do laboratorium i badamy. Na bazie tych wyników możemy zasilić nimi algorytm, stworzyć kolejne zapytanie i cały czas ulepszać te propozycje” – dodaje Krenke.

Kluczem do sukcesu jest jednak jakość danych. „Niezwykle ważne jest to, żeby dane polskich pacjentów były udostępniane, oczywiście w bezpieczny, zanonimizowany sposób, aby te algorytmy, które są trenowane z wykorzystaniem tych danych, mogły odzwierciedlać specyfikę naszej populacji” – podkreśla przedstawiciel Roche.

W Polsce coraz częściej podejmowane są działania, które mają zapewnić, że krajowe dane staną się realnym zasobem rozwoju AI. Uniwersyteckie Centrum Kliniczne w Gdańsku i Gdański Uniwersytet Medyczny prowadzą projekty łączące badania kliniczne, IoT i analitykę danych. „Mamy bardzo dużą grupę pacjentów, to są dziesiątki czy nawet setki tysięcy hospitalizacji, setki tysięcy wizyt poradnianych, miliony badań laboratoryjnych, setki tysięcy badań obrazowych, dzięki temu mamy w skali roku ogromną bazę pacjentów. Staramy się te dane porządkować, dzięki temu mamy możliwość pracy z danymi i rozwijania narzędzi AI” – mówi Dariusz Szplit z UCK w Gdańsku.

Inicjatywy takie jak Poland Healthcare Datathon 2025 pokazują, że współpraca nauki, medycyny i technologii może przekładać się na konkretne efekty. Wydarzenie stało się przestrzenią dla inżynierów, klinicystów i naukowców, którzy w formule hackathonu pracowali nad analizą rzeczywistych, zanonimizowanych danych klinicznych. W ramach projektu przeprowadzono także pierwszą w Polsce ocenę dużych modeli językowych w języku polskim i na lokalnych danych medycznych dotyczących chorób neurologicznych.

„Szukaliśmy odpowiedzi na pytanie, na ile precyzyjnie modele sztucznej inteligencji, dostępne dziś dla pacjentów, są w stanie odpowiedzieć na pytania, z którymi mierzą się pacjenci ze stwardnieniem rozsianym. Choć stosowanie modeli językowych na własną rękę jest niewskazane, to taka ewaluacja służy edukacji oraz podnoszeniu świadomości społeczeństwa na ten temat” – wyjaśnia Adam Krenke.

Na podobnych zasadach rozwijane są rozwiązania, które mogą odmienić codzienną pracę lekarzy. W Gdańsku testowany jest system AdmedVoice – asystent głosowy zapisujący i katalogujący to, co mówi lekarz w trakcie wizyty lub operacji. Dzięki temu medyk nie musi samodzielnie wypełniać dokumentacji, co pozwala mu skupić się na pacjencie.

„Teraz pracujemy nad rozwiązaniem IoT, które monitoruje zarówno parametry pacjenta, jak i jego położenie w oddziale ratunkowym. Przykładowo pozwala to na uniknięcie sytuacji, w której pacjent opuści w sposób nieoczekiwany oddział ratunkowy, szczególnie dotyczy to osób starszych, które mogą się nie orientować w przestrzeni” – mówi Dariusz Szplit. Jak dodaje, system AI pomaga także w analizie polipragmazji – sytuacji, w której pacjent przyjmuje jednocześnie wiele leków. Uporządkowanie tych informacji i połączenie z bazami danych o lekach pozwala szybciej wychwycić potencjalne interakcje i zwiększyć bezpieczeństwo terapii.

Coraz więcej wskazuje na to, że sztuczna inteligencja w ochronie zdrowia nie jest już eksperymentem, lecz początkiem nowej ery medycyny. Ery, w której lekarz nie zostaje zastąpiony przez maszynę, lecz zyskuje sojusznika – niezmordowanego analityka danych, który pomaga ratować życie.

Źródło: Newseria
Foto: Newseria