Innowacje w medycynie

Bez algorytmów nie ma medycyny przyszłości. To się już dzieje na świecie i w Polsce też korzystamy z tego typu rozwiązań. Danych, które pomogą leczyć pacjentów jest już tak wiele, że człowiek nie radzi sobie z ich interpretacją. To one są kluczem do skuteczniejszej, bardziej spersonalizowanej i pozbawionej wielu skutków ubocznych terapii. W rozmowie z Polityką Zdrowotną Paweł Ciesielka z firmy Proacta, opracowującej algorytmy dla medycyny wyjaśnia, kto tak naprawdę leczy.

Zacznijmy od podstaw i wyjaśnijmy trudne sformułowanie. Co to są algorytmy predykcyjne oparte na AI?

To tylko brzmi skomplikowanie. To budowanie modelu w oparciu o duże ilości danych pacjenta. Ten model pozwala przewidywać różne sytuacje związane z pacjentem, np. na podstawie wyników badań tej osoby wykrywać jakieś schorzenia lub przewidywać u niej ryzyka związane z jakimiś schorzeniami. Algorytm pozwoli też lekarzowi dobrać bardziej spersonalizowaną czy korzystniejszą terapię na podstawie danych, które pobierze od pacjenta.

W jakich obszarach te algorytmy mają zastosowanie?

Najszerzej wykorzystuje się je w diagnostyce. Już teraz na całym świecie AI jest wykorzystywana do analizy zdjęć rentgenowskich, MRI czy CT. Ponieważ radiologów jest stosunkowo mało, te algorytmy od kilku lat bardzo szeroko wspierają tego typu diagnostykę. Są firmy, które po wykonaniu zdjęć klatki piersiowej, wrzucają to w system informatyczny. Jeśli system uznaje, że wszystko jest ok, to takie zdjęcia czasem nawet nie trafia do lekarza radiologa, tylko automatyczny opis jest wysyłany bezpośrednio do jednostki medycznej, która zamawiała opis. Takie wsparcie radiologów staje się codziennością.

Algorytmy pomagają też przy wstępnej diagnozie?

Tak, również przy personalizacji leczenia te dane z badań w wielu przypadkach są wstępnie analizowane przez algorytmy. Wszelkie urządzenia monitorujące, które nosi się na ciele, począwszy od modnych opasek telemetrycznych, które obserwują na bieżąco różne parametry, przez bardziej zaawansowane urządzenia, mierzące m.in. tętno, ciśnienie, stężenie glukozy. Na podstawie tak zebranych indywidualnych danych określa się różne ryzyka. Dane możemy również czerpać z bardziej medycznych urządzeń, np. holterów. Teraz mogą mieć postać plastrów, które nakleja się bezpośrednio na ciało. Pacjent jest monitorowany nie przez 24 godziny na dobę czy przez 48, ale w dłuższych okresach albo stale. Są tacy pacjenci, którzy są monitorowani w trybie ciągłym.

Jak to wygląda w praktyce?

Gdy idziemy na EKG to maszyna monitoruje pracę serca, rysuje wykres, dostajemy z nim wydruk. Lekarz na nim zaznacza, co jest prawidłowym zakresem, a gdzie są nieprawidłowości. Teraz są firmy, zajmujące się prowadzeniem stałego monitoringu. Dane z urządzenia, np. z EKG, spływają do nich stale i tego już nie analizują ludzie, tylko właśnie algorytmy. Mogą ostrzegać pacjentów z określonymi schorzeniami o zbliżających się niepokojących zdarzeniach.

Algorytmy wyręczają lekarza?

Najczęściej są wsparciem. One sprawdzają, czy wszystko jest ok, ewentualnie wykrywają subtelne rzeczy, które mogły być przeoczone przez człowieka. Były robione badania, w których zestaw zdjęć radiologicznych wysłany został do radiologów, którzy je oceniali i opisywali. Te automatyczne algorytmy predykcyjne często były dużo lepsze w wykrywaniu subtelnych zmian niż radiolodzy.

Czyli w takich sytuacjach lepiej ufać AI? Ona się nie myli?

Może się mylić. Tak jak czasem mylą się ludzie. Jednak praktyka pokazuje, że algorytmy mylą się znacznie rzadziej. Cały proces jest tak pomyślany, że mamy poziomy pewności wyników. Weźmy przykład radiologa. Lekarz dostaje konkretny materiał i ma pozakreślane elementy, na które musi zwrócić uwagę. Już nie musi ich sam szukać. Takie działanie oszczędza czas specjalisty, tym samym sprawia, że może on więcej uwagi poświęcić innym pacjentom. Jeśli tym specjalistom ułatwi się pracę, to będą oni mogli dużo szybciej przetwarzać informacje o pacjentach niż gdyby tego wsparcia nie mieli. Proszę zauważyć, że danych, które spływają do lekarzy jest już tak dużo, że oni nie mają szans, by je wszystkie zweryfikować i przetworzyć.

Jak to może działać w przypadku konkretnych schorzeń?

My robimy algorytmy, które pozwalają lekarzowi szybko przeanalizować pacjenta. Dużo zrobiliśmy np. w obszarze diagnostyki raka piersi, zaczynając od analizy zdjęć mammograficznych, czyli wykrywania zmian na tych zdjęciach, oceniania, czy jest to zmiana złośliwa, czy zwapnienie itd. Mamy też algorytmy, które uczyliśmy na danych pacjentów leczonych z powodu raka piersi. U takiej osoby możemy na podstawie podstawowych informacji o niej, jej nowotworze, danych genetycznych nowotworu i tej osoby dobrać najodpowiedniejsze indywidualne postępowanie terapeutyczne. Mamy tu do dyspozycji różne markery, także takie, które są refundowane przez NFZ, które można, a nawet trzeba wykonać w takich przypadkach przed niektórymi terapiami. Jest tu zatem wiele danych,  które należy wziąć pod uwagę, by podjąć decyzję, jak leczyć.

Jak lekarz może używać algorytmów?

Mając dane pacjenta w systemie informatycznym, lekarz może przepuścić je przez algorytm predykcyjny i ten algorytm może mu podpowiedzieć, że np. pacjenci w konkretnej grupie wiekowej, takiej płci, z takim rodzajem nowotworów, takiej wielkości, z takimi markerami genetycznymi, w takim zaawansowaniu byli leczeni na różne sposoby, różnymi sekwencjami, i że w ich przypadku najpierw była chemioterapia, potem mastektomia, a potem hormonoterapia. Analizujemy wszystkie przypadki, które były przeprocesowane przez jednostkę medyczną i sprawdzamy, jaka była najlepsza terapia i jakie mogą być najlepsze efekty dla danej osoby. Nie jest to już tylko statystyka, że jak to jest nowotwór piersi i marker taki, to mamy jedną słuszną terapię. Możemy w kilka sekund sprawdzić dane kilku tysięcy pacjentów i to, w jaki sposób można najlepiej leczyć dany typ nowotworu. Oczywiście, to lekarz na końcu podejmuje decyzję o postępowaniu, ale algorytm mu to ułatwia. Mamy taki moduł, wykorzystywany w raku piersi, który zarządza w pełni tą terapią, nie tylko podpowiada lekarzowi, co ma być robione, ale zarządza podaniami tych leków, terminami podań tych leków. Czasem widać, że np. nieterminowe podawanie leku daje dużo gorsze skutki dla całej terapii.

W jak wielu miejscach algorytmy stosuje się już w medycynie?

W badaniach klinicznych do doboru prób klinicznych na podstawie danych genetycznych. Algorytmy są też używane do oceny ryzyk na podstawie różnych danych demograficznych, obrazowych itd. Ale to w onkologii jest szczególnie istotne, bo jest dużo danych branych pod uwagę, które decydują o leczeniu. W kardiologii dane z EKG są już analizowane przez algorytmy sztucznej inteligencji. To jeszcze w tym momencie nie jest tak szeroko stosowane, by było w każdym szpitalu, ale jest coraz szerzej wykorzystywane w urządzeniach czy systemach. W ubiegłym roku została w Polsce stworzona biała księga AI w praktyce klinicznej, by zacząć systematyzować i mówić, jak to powinno działać, jakie powinny być ograniczenia, by to było bezpieczne. Są teraz programy rządowe, które mają na celu stworzenie centrów danych po to, by można było wykorzystać algorytmy w analizy i co za tym idzie tworzeniu modeli. 

Jakie wnioski płyną z białej księgi?

Lekarze oczekują, że wszystko, co robią algorytmy będzie transparentne, że będą wiedzieli, jak działa dany algorytm. Nie chcą jakiejś „magicznej skrzynki”, która pokazuje im jakiś wynik. Chcą wiedzieć, na czym oparte są wnioski algorytmu. Wtedy to jest dla nich wiarygodne i bardziej temu ufają.

To nieuchronna przyszłość?

Tak, bez tych algorytmów medycyna nie będzie działała w przyszłości. To się już dzieje na świecie i w Polsce też to następuje. Danych jest coraz więcej, a ich wykorzystanie wpłynie na dobro pacjenta, bo będzie go można leczyć lepiej i bardziej precyzyjnie. Terapię będzie można jeszcze bardziej spersonalizować. Trzeba jednak zwrócić dużą uwagę na to, na jakich danych te algorytmy są uczone i wprowadzać regulacje dotyczące tego, by były one certyfikowane. Konieczne jest, by jednostki medyczne, które ich używają były pewne, że dane, na jakich opierają się algorytmy są dostosowane do danej populacji. Bo jeśli algorytm zostanie oparty na danych np. z Azji, gdzie jest inna genetyka, inne markery niż stosowane u nas, to wprowadzi nas to w błąd. Muszą być też wprowadzone regulacje, że np. nie używamy ogólnie danych ze świata, tylko że muszą one być potwierdzone w danym obszarze, by można ich było bezpiecznie używać.

Skąd bierzecie dane?

Dostajemy je od firm i uczymy nasze modele wykonywania konkretnego zadania, czyli np. przewidywanie ryzyka. Współpracujemy z jednostkami medycznymi, szpitalami onkologicznymi, z firmami, które są producentami tzw. urządzeń nasobnych i dla nich wytwarzany algorytmy. Współpracujemy z firmami międzynarodowymi, m.in. amerykańskimi, które wytwarzają takie produkty. Wykorzystywane przez nas dane są anonimizowane i depersonalizowane, więc my dostajemy suche fakty, dane demograficzne, sytuację kliniczną, dane obrazowe czy dane genetyczne, behawioralne. Na ich podstawie wytwarzamy algorytmy albo sieci neuronowe, w zależności od potrzeb. Na przykład dla jednej z amerykańskich organizacji stworzyliśmy algorytm, który pozwala na ocenę tego, czy osoba, która jest przyjmowana do szpitala ma ryzyko zgonu w ciągu kolejnych trzech miesięcy. Przeanalizowaliśmy miliony różnych przypadków i dysponując różnymi danymi z klinik amerykańskich o stanie pacjenta, zastosowanych terapiach i procedurach, podawanych lekach oraz danych z urządzeń medycznych. Nasz algorytm przewidywał to z dokładnością predykcji AUCROC na poziomie 0.92.

Co się potem dzieje z danymi?

Po wytworzeniu algorytmu dane zostają trwale usunięte z naszego centrum przetwarzania danych.

Czy algorytmy współpracują z zaleceniami programów lekowych?

Tak. Jeśli coś jest niemożliwe do realizacji, algorytm ich nie sugeruje. Jeśli lekarz uznałby, że lepiej w danej sytuacji zastosować lek z trzeciej linii, a nie z pierwszej, ale program lekowy na to nie pozwala, to algorytm na pewno nie zasugeruje takiego rozwiązania. Zaproponuje inne, ale też skuteczne. Braliśmy udział przy wytwarzaniu algorytmów dla badań klinicznych i tam wychodziło, że lek który jest stosowany w nowotworach płuc, daje dobre efekty w nowotworach piersi. Jednak, żeby go zastosować, potrzebna jest legislacja, która często trwa latami. Lekarze słusznie stwierdzili, że ta informacja jest im niepotrzebna, bo nie da się jej zastosować.

Czy wasze algorytmy mogłyby być wykorzystane w systemie ochrony zdrowia do skrócenia kolejek do specjalistów?

Algorytmy mogłyby pomóc, ponieważ pewne procedury w diagnostyce czy terapii są niepotrzebne, stosuje się je niejako jako metodę prób i błędów albo w ciemno, licząc na efekt. Jednak my tworzymy również algorytmy, które służą do komunikacji, bo żeby te algorytmy mogły działać lepiej, musi być komunikacja z pacjentem w obie strony. Podam przykład pacjenta w trakcie terapii onkologicznej, który dostaje np. chemioterapię, potem idzie do domu i występują u niego skutki uboczne działania leku. Zazwyczaj pacjent czeka z informacją o tym, co się z nim działo do następnej wizyty. Gdyby miał możliwość przedstawienia tego od razu, natychmiast można by wprowadzić zmianę w terapii. Inny przykład: pacjent przed jednodniową chemioterapią ma podwyższoną temperaturę. Nie może o tym poinformować, bo zwyczajnie trudno mu się dodzwonić. Przyjeżdża więc, wizyta nie może się odbyć, dostaje kolejny termin. Ale ta „jego” niewykorzystana wizyta przepada, nikt nie może z niej skorzystać, kolejka się wydłuża. Gdyby pacjent był monitorowany zdalnie przez urządzenie na ciele, od razu byłoby wiadomo, że wizytę można zaproponować komuś innemu. Pracujemy również nad tym, by system monitorowania pacjenta sam raportował o jego stanie, by zapobiegać marnowaniu czasu.

Czy stosowanie tych algorytmów zmniejszyło liczbę błędów medycznych?

Nie dysponujemy takimi danymi. Może są międzynarodowe statystyki, ale w Polsce nikt nie chce się dzielić informacjami o błędach medycznych. Natomiast są algorytmy, które mogą zapobiegać takim błędom, np. wystąpieniu sepsy u konkretnego pacjenta.