Od technologii do realnych rozwiązań wspierających lekarzy i pacjentów

Sztuczna inteligencja i narzędzia cyfrowe coraz częściej decydują o tym, jak gwałtownie i skutecznie system ochrony zdrowia potrafi reagować na potrzeby pacjentów. Dziś innowacja nie polega wyłącznie na tworzeniu nowych technologii, ale przede wszystkim na ich odpowiedzialnym testowaniu, dostosowywaniu do lokalnych warunków i integrowaniu z codzienną praktyką kliniczną. Dopiero wtedy technologia zaczyna wspierać zespoły medyczne, a tym samym pacjentów.

Adam Krenke
dyrektor ds. strategii w Roche Polska

– Realna wartość technologii nie wynika z samego jej istnienia, ale z tego, jak skutecznie i bezpiecznie działa w środowisku pacjentów – komentuje Adam Krenke, dyrektor ds. strategii w Roche Polska. – W tym kontekście szczególnie ważne stają się inicjatywy tworzące warunki do praktycznej weryfikacji nowych rozwiązań. W Roche rozwijamy nie tylko zaawansowane narzędzia diagnostyczne i terapeutyczne, ale także projekty pozwalające oceniać technologię w realistycznych warunkach klinicznych. Poland Healthcare Datathon jest jednym z przykładów działań, które pozwalają sprawdzić, jak AI funkcjonuje w praktyce. To istotny sygnał: jeżeli chcemy wykorzystywać AI w ochronie zdrowia odpowiedzialnie, musimy przede wszystkim rozumieć jej ograniczenia, a nie tylko entuzjastycznie podkreślać potencjał – dodaje.

Dlaczego lokalne dane są tak ważne?

Większość światowych modeli sztucznej inteligencji powstaje na zagranicznych zbiorach danych, najczęściej z USA lub Europy Zachodniej. Podczas procesu trenowania model uczy się pewnych zależności i wyciąga na ich bazie wnioski. Ze względu na to, iż medycyna jest głęboko osadzona w lokalnym kontekście – w demografii, strukturze chorób, dokumentacji i praktykach klinicznych – możemy mieć do czynienia z sytuacjami, w których algorytm dobrze działający w populacji amerykańskiej będzie dużo mniej skuteczny lub będzie wyciągał błędne wnioski dla populacji polskiej. Dlatego tak ważne staje się zapewnienie tego, iż algorytmy stosowane w polskich szpitalach były trenowane lub walidowane na bazie zbiorów danych odzwierciedlających naszą populację.

Dostęp do zanonimizowanych danych z Uniwersyteckiego Centrum Klinicznego w Gdańsku pokazał, iż praca na reprezentatywnych zbiorach pozwala uchwycić zjawiska istotne dla polskiej populacji. Jak podkreśla Adam Krenke, „dopiero kiedy modele pracują na danych odzwierciedlających realne warunki kliniczne, zaczynają dawać sygnały, które można bezpiecznie wykorzystać w praktyce”. Analizy prowadzone w ramach Healthcare Datathonu ujawniły m.in. zależności między jednostkami chorobowymi a ryzykiem nieplanowanej rehospitalizacji oraz różnice wynikające z wieku i chorób współistniejących.

To pokazuje, iż skuteczne i wiarygodne modele mogą powstać tylko wtedy, gdy są trenowane na danych odzwierciedlających lokalne realia kliniczne. Bez tego choćby najbardziej zaawansowany algorytm może dawać błędne wyniki i pozostawiać niepewność, co wyklucza go z zastosowania w codziennej praktyce.

Modele językowe w praktyce klinicznej

Duże modele językowe coraz częściej pojawiają się w dyskusjach o przyszłości medycyny. Ich możliwości są szerokie – potrafią porządkować dokumentację, streszczać historię choroby, wspierać analizę danych tekstowych i ułatwiać komunikację z pacjentem. Właśnie dlatego budzą tak duże zainteresowanie środowiska medycznego.

Równocześnie wyniki testów przeprowadzonych na polskich danych wskazują, iż działanie tych modeli wymaga dokładnej oceny przed ich szerszym zastosowaniem. Adam Krenke zwraca uwagę, iż „duże modele językowe mogą usprawnić wiele procesów związanych z dokumentacją czy analizą danych, jednak ich skuteczność jest silnie zależna od sposobu formułowania zapytań. Testy pokazały, iż choćby niewielka zmiana w treści pytania może prowadzić do odpowiedzi brzmiącej wiarygodnie, ale niespójnej z wiedzą medyczną, praktyką kliniczną lub obowiązującymi standardami, co pokazuje, iż modele są wrażliwe na kontekst i nie zawsze przewidywalne”.

LLM-y mogą zatem stać się wartościowym narzędziem wspierającym lekarzy, szczególnie w obszarach administracyjnych czy analitycznych, czyli tam, gdzie liczy się czas, dokładność i porządkowanie informacji. Nie zastąpią jednak procesu diagnostycznego. Ich użycie wymaga jasnych zasad, odpowiednich metryk oceny i świadomości, iż poprawna forma językowa odpowiedzi nie gwarantuje jej wiarygodności klinicznej.

AI przyspiesza badania nad lekami

Sztuczna inteligencja przekształca nie tylko diagnostykę, ale także cały proces tworzenia nowych terapii.

– Koncepcja Lab in the Loop, stosowana już w wybranych projektach badawczych Roche, to dziś jedno z najbardziej efektywnych podejść w badaniach nad nowymi terapiami – łączy dane laboratoryjne z modelami AI w ciągłym cyklu zwrotnym – wyjaśnia Adam Krenke. – Algorytmy analizują wyniki eksperymentów, wskazują najbardziej obiecujące kierunki dalszych badań i natychmiast uczą się na nowych danych z przeprowadzanych eksperymentów. To znacząco skraca czas potrzebny na identyfikację cząsteczek o realnym potencjale terapeutycznym. Przy złożoności procesów biologicznych i ogromnej liczbie możliwych kombinacji AI pozwala gwałtownie wyłonić te, które mają największe szanse powodzenia, szczególnie w tak wymagających obszarach jak onkologia, neurologia czy choroby autoimmunologiczne – podkreśla.

Warunkiem skuteczności tego podejścia jest trening modeli na reprezentatywnych danych. Dlatego tak ważne jest włączanie również zanonimizowanych danych z lokalnych ośrodków klinicznych, co podnosi wiarygodność predykcji i lepiej odzwierciedla potrzeby populacji, dla której terapie są rozwijane.

Niezbędne ramy dla technologii wysokiego ryzyka

Zastosowanie sztucznej inteligencji w ochronie zdrowia wymaga podejścia, które łączy innowacyjność z odpowiedzialnością. najważniejsze jest zapewnienie wysokiej jakości danych, jasne określenie roli modeli w procesie klinicznym oraz stały nadzór ekspertów nad ich działaniem.

Nie chodzi jednak wyłącznie o spełnienie wymagań regulacyjnych. W ochronie zdrowia równie istotnym elementem jest zaufanie – zarówno ze strony pacjentów, jak i personelu medycznego. Aby narzędzia AI mogły funkcjonować w praktyce klinicznej, muszą działać przewidywalnie, mieć jasno określoną rolę i być wdrażane w sposób transparentny. Technologie te powinny wspierać decyzje kliniczne, a nie je zastępować.

W tym kontekście inicjatywy takie jak Datathon są szczególnie wartościowe. Umożliwiają testowanie modeli w kontrolowanych, reprezentatywnych warunkach i identyfikowanie zarówno ich potencjału, jak i obszarów wymagających dopracowania, zanim zostaną zastosowane w codziennej praktyce.

Dalsze kroki w rozwoju AI w medycynie

Odpowiedzialne wdrażanie sztucznej inteligencji wymaga równowagi między innowacją a bezpieczeństwem. najważniejsze są: dostęp do lokalnych danych, kooperacja interdyscyplinarna oraz krytyczna ewaluacja tych narzędzi w warunkach odzwierciedlających rzeczywistość kliniczną. Dzięki temu możliwe jest budowanie rozwiązań, które realnie wspierają zespoły medyczne, podnoszą jakość opieki i usprawniają pracę systemu ochrony zdrowia.

materiał partnera