– Sztuczna inteligencja już w praktyce jest stosowana w systemie ochrony zdrowia.
Myślę, iż 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 agencji Newseria Adam Krenke, dyr. ds. strategii w firmie Roche Polska.
Według danych Centrum e-Zdrowia najczęściej AI wspiera radiologów w analizie tomografii komputerowej
Coraz mocniej do ochrony zdrowia wkracza sztuczna inteligencja. W Polsce w 2024 r. korzystało z niej już 13,2% szpitali, czyli niemal 2-krotnie więcej niż rok wcześniej – wynika z badania Centrum e-Zdrowia. Najczęściej wykorzystywana jest w diagnostyce obrazowej i laboratoryjnej. Bardzo istotnym aspektem są także prace nad nowymi lekami, które znacząco przyspieszają dzięki algorytmom AI. W wykorzystaniu tej technologii wiodącą rolę będzie odgrywać dostęp do szerokiej bazy danych.
Według danych Centrum e-Zdrowia najczęściej AI wspiera radiologów w analizie tomografii komputerowej, a także pomaga w podejmowaniu decyzji klinicznych. Dzięki temu skraca się czas potrzebny na postawienie diagnozy, a tym samym rośnie szansa na szybsze wdrożenie terapii. Coraz częściej pojawiają się też rozwiązania oparte na AI wspierające obsługę pacjentów, np. chatboty, czy analizę danych z elektronicznej dokumentacji medycznej. W całym sektorze, nie tylko w szpitalach, narzędzia AI wdraża ok. 4,7% podmiotów leczniczych, co pokazuje, iż skala wdrożeń wciąż rośnie, ale pozostaje ograniczona poza dużymi ośrodkami.
Proces tworzenia nowego leku zajmuje ponad 10 lat i pochłania kilka miliardów dolarów
Eksperci podkreślają, iż sztuczna inteligencja nie zastąpi lekarzy, ale będzie ich realnym wsparciem – od przewidywania pogorszenia stanu pacjenta, przez analizę interakcji lekowych, po wsparcie w komunikacji z chorymi. Aby jednak rozwiązania te były skuteczne, muszą powstawać w ścisłej współpracy środowiska naukowego, klinicznego i technologicznego. Roche rozwija koncepcję „Lab in the Loop”, w której dane z badań laboratoryjnych i klinicznych służą do trenowania modeli AI wspierających tworzenie nowych leków. Te modele wskazują kolejne kroki eksperymentalne, co przyspiesza proces odkrywania nowych terapii.
– 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. o ile już mamy zidentyfikowaną chorobę, to samych małych cząsteczek, które mogą być potencjalnie kandydatami na lek, jest 1060 – tłumaczy Adam Krenke.
Stworzyliśmy algorytm wytrenowany na bazie wszystkich eksperymentów, które dotychczas w firmie Roche były przeprowadzone na przestrzeni lat
Dzięki AI możliwe jest nie tylko szybsze typowanie obiecujących cząsteczek, ale i trafniejsze przewidywanie odpowiedzi pacjentów na leczenie. Takie podejście zwiększa szanse na skuteczne terapie 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 – podkreśla przedstawiciel Roche.
Niezwykle ważne jest to, żeby dane polskich pacjentów, aby te algorytmy, które są trenowane z wykorzystaniem tych danych, mogły odzwierciedlać specyfikę naszej populacji
Kluczowe znaczenie dla rozwoju AI ma reprezentatywność danych, na których uczą się algorytmy. – 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 – tłumaczy Adam Krenke.
