AI – szansa dla systemu ochrony zdrowia?

Grafika: freepik.com

Skrócić kolejki

Jaki jest główny problem polskiej ochrony zdrowia? W badaniu przeprowadzonym przez IPSOS w październiku 2024, 64% ankietowanych odpowiedziało, że największym wyzwaniem systemu opieki zdrowotnej jest „dostęp do leczenia/długi czas oczekiwania”. Choć ta oczywista intuicja jest mało konkretna, to właśnie o tym najczęściej myślimy w kontekście poprawy sytuacji systemu. Polska nie cierpi na zły poziom usług medycznych. Przez ostatnich kilkadziesiąt lat dokonaliśmy w tym aspekcie olbrzymiego progresu. Polscy medycy są szanowani na świecie, prezentują wysoki poziom merytoryczny. Polski pacjent, który dostanie się na oddział czy do lekarza specjalisty, najczęściej dostanie odpowiednią pomoc, stosowną do aktualnej wiedzy medycznej. Medycy bezpośrednio po ukończeniu studiów w Polsce łatwo znajdują zatrudnienie w zamożniejszych krajach Zachodu, co – choć oznacza tzw. drenaż mózgów i marnowanie publicznych pieniędzy na kształcenie kadr dla innych krajów – świadczy o ich wysokim poziomie. To nie poziom kształcenia i wiedza lekarzy stoją za naszymi systemowymi problemami, choć mówimy w dużym uproszczeniu, bo pól do naprawy w tym aspekcie jest również dużo. Powszechne przekonanie o tym, że głównym problemem są kolejki i dostępność usług zdrowotnych nie jest pozbawione podstaw merytorycznych.

Najważniejsze pytanie brzmi więc: jak skrócić czas oczekiwania do lekarzy i innych specjalistów? Jak sprawić, aby na umożliwiającą normalne funkcjonowanie operację móc pójść wtedy, kiedy jest to konieczne a nie dwa lata później?

Do najczęściej wymienianych zagadnień, będących źródłem problemów z dostępnością do usług zdrowotnych są: niedofinansowanie, braki kadrowe, niewydolne mechanizmy w systemie oraz zła alokacja środków. To gdzie jest punkt ciężkości tych problemów jest obiektem gorących sporów. Nie wnikając w szczegóły, gdyż nie to jest przedmiotem niniejszych rozważań, zastanówmy się nad potencjalną rolę nowych technologii w reformie systemu, skupiając się na wskazanych wyżej problemach.

Jakie narzędzia AI?

Na wstępie należy rozprawić się z prawdopodobnie nasuwającą się czytelnikowi intuicją odnośnie tego, o jakiego rodzaju zmianach w służbie zdrowia mówimy. Choć to wielkie modele językowe (large language models – LLM) kształtują wyobraźnię społeczną na temat AI, to nie one znajdują największe zastosowanie w różnych dziedzinach medycyny. Póki co nie zanosi się na to, żeby Chat GPT miał zastąpić nam lekarza rodzinnego. Użyteczne w wielu dziedzinach LLM posiadają wiele wewnętrznych ograniczeń, takich jak m.in. „halucynacje”, czyli skłonność modeli do wymyślania informacji nieistniejących i podawania ich jako faktów. Innym istotnym problemem są kwestie ochrony danych. W czasach, w których pacjent nie może być wywołany z poczekalni do gabinetu z nazwiska, wrzucanie ogromnej liczby danych wrażliwych do podlegających zjawisku emergencji (wyłanianie się dodatkowych umiejętności modeli AI, wykraczające poza te, zaprojektowane przez twórców) modeli wiązałoby się z trudnymi do przewidzenia konsekwencjami. Podstawowym i najważniejszym wyzwaniem jest jednak kwestia wiarygodności danych, na jakich program udziela odpowiedzi. Jak wiemy, LLM posługują się ogromnymi bazami, zawierającymi zarówno dane prawdziwe jak i fałszywe. Wielkie modele językowe „uczą się” na wszystkim, co zostanie do nich wpisane, a nie tylko na zdiagnozowanych i sprawdzonych przypadkach. Zaufanie diagnozie takiego modelu można porównać do zaufania znachorowi, który swoje kompetencje opiera wyłącznie na obserwacji rzeczywistości. Nowoczesna medycyna, od czasów szerokiego zastosowania w niej metody naukowej, opiera się na eksperymentalnej analizie interwencji i nie ogranicza się do przyjęcia za pewnik tego, co widać na pierwszy rzut oka.

Testowany pod kątem poprawnego diagnozowania, Chat GPT wykazał zaledwie 49% skuteczności. Ponad połowie analizowanych przez niego przypadków klinicznych postawił on nieprawidłowe rozpoznanie[1]. Z tego powodu w kontekście adaptacji AI do systemów ochrony zdrowia będziemy przede wszystkim mówili o wyspecjalizowanych modelach, stworzonych do rozwiązywania konkretnych problemów.

Tego typu programy są trenowane na danych uprzednio zebranych i zweryfikowanych przez człowieka. Przy odpowiednim przetestowaniu i walidacji w warunkach klinicznych, możemy mieć przekonanie co do trafności jego diagnoz, prognoz czy propozycji terapii porównywalnej do trafności aktualnej wiedzy medycznej.

Diagnostyka

Tego typu narzędzia są dziś w coraz większym stopniu stosowane do pomocy przy diagnostyce wielu chorób z różnych gałęzi medycyny. Wyniki tak opracowanych programów są bardzo obiecujące. Algorytm AI wykazał wyższą skuteczność w wykrywaniu raka piersi w badaniu mammograficznym niż radiolodzy (90% vs 78%)[2]. Program oparty na uczeniu maszynowym z lepszą czułością i swoistością (miary opisujące zdolność narzędzia pomiarowego do, odpowiednio, wykrycia choroby lub wykrycia jej braku) wykrywał zapalenie płuc w przebiegu COVID-19 niż lekarz (95,4% i 66% vs 50,6% i 73%)[3]. DeepRhythmAI, czyli model do wykrywania artymii serca na podstawie zapisu EKG 14-krotnie rzadziej mylił się w swojej diagnozie od wykształconego diagnostyka[4]. Wysoko wyspecjalizowane programy coraz częściej okazują się być skuteczniejsze od wykwalifikowanych ludzi.

W pewnej perspektywie czasowej rozwój tych narzędzi może zrewolucjonizować diagnostykę medyczną. Odpowiednio dobrany program to nie tylko wyższa skuteczność wykrywania chorób, ale również krótszy czas oczekiwania na wynik badania i konieczność zatrudniania mniejszej liczby specjalistów. Pacjent, który szybciej i z większą pewnością otrzyma wynik badania nie „korkuje” systemu, może sprawniej trafić do odpowiedniego specjalisty i na wcześniejszym etapie rozpocząć leczenie. Z punktu widzenia systemu ubezpieczeniowego to właśnie wydaje się być największą korzyścią wdrażania tego typu rozwiązań. Późniejsza prawidłowa diagnoza wielu chorób oznacza często konieczność bardziej zaawansowanych (i oczywiście droższych) procedur medycznych. Przykładowo: wczesne wykrycie zwężenia tętnicy szyjnej z powodu istnienia blaszki miażdżycowej daje możliwość wstawienia stentu, który skutecznie udrażnia krążenie domózgowe. Jest to zabieg relatywnie drogi i będzie dla NFZ kosztem kilkudziesięciu tysięcy złotych.  W przypadku braku wykrycia zwężenia na czas, u pacjenta może dojść do udaru mózgu, który wiąże się z długą i kosztowną hospitalizacją, wielomiesięczną rehabilitacją i szeregiem innych kosztów dla systemu. Koniec końców operację udrożniania tętnic i tak należy pacjentowi przeprowadzić, aby udar się nie powtórzył. Do drogiego zabiegu musimy dodać kilkukrotnie większe koszty jego niewykonania na czas.

Oczywiście, sytuacja nie jest zawsze taka prosta. Jeśli przyjmiemy bezduszną perspektywę osoby, która ma na względzie dobro systemu a nie pacjenta, to nasuwa się pytanie: Czy pacjent niezdiagnozowany na czas zawsze jest kosztem? A co, jeśli część osób zostanie zdiagnozowana wcześniej, przez co pochłonie większe koszty z powodu dłuższego czasu leczenia i dłuższego życia? Tak, analizując poszczególne przypadki w budżecie NFZ znajdziemy wielu pacjentów, którzy są ogromnym stratą finansową dla systemu pomimo prawidłowo i wcześnie przeprowadzanej diagnostyki. Są więc przypadki, mówiąc brutalnie, w których ochronie zdrowia bardziej opłacałoby się „nie dowiedzieć się” na czas o schorzeniu. Szczególnie w przypadku chorób ciężkich i mało wyleczalnych, korzystniejsze dla NFZ byłoby żeby pacjent zgłosił się z diagnozą jak najpóźniej, ponieważ rokowania i tak są niekorzystne. Pomimo tego, ogólnie rzecz biorąc, zjawisko niższych kosztów w przypadku wczesnej wykrywalności jest zdecydowanie korzystniejsze dla systemu, gdyż w zdecydowanej większości chorób leczenie wczesne jest mniej kosztowe niż leczenie późne (czego przykładem była wymieniona wyżej miażdżyca). Po drugie, analizując możliwości systemu nie wolno nam zapominać o naczelnym jego przeznaczeniu, jakim jest zapewnienie jak najlepszego zdrowia dla jak największej liczby osób. Uznawanie chorób trudno wyleczalnych jako czystego kosztu mija się z tym celem.

Diagnostyczne narzędzia AI mogą więc pomóc przyśpieszyć i uczynić pewniejszą diagnostykę, zredukować oczekiwanie na wyniki badań, co szybciej zaprowadzi pacjenta na odpowiednią ścieżkę leczenia. Oczywiście nie przyśpieszy to samego oczekiwania na ewentualny zabieg, ale w przypadku wielu chorób odpowiednią wczesną interwencją jest farmakologia czy zmiana stylu życia. Wczesna i dokładna wiedza o potencjalnym zagrożeniu zdrowotnym to sumarycznie niższe koszty dla systemu.

Profilaktyka

W kontekście powyższych rozważań o przyśpieszeniu diagnostyki chorób warto pochylić się nad tematem z tym powiązanym. Profilaktyka jest medycyną przyszłości. To banalne stwierdzenie nie oznacza jedynie, że lepiej jest zapobiegać chorobom niż ich leczyć. Wysoka skuteczność badania na nic się nie zda, jeśli pacjent zwyczajnie nie wykona go na czas. Nie bez powodu duże pieniądze z NFZu idą na programy profilaktyczne dla grup ludzi szczególnie narażonych na dane schorzenia. One nie tylko dadzą szanse  na dłuższe i lepsze życie wielu ludziom, ale również umożliwią systemowi optymalizować koszty, dzięki wcześniejszemu leczeniu. Czy narzędzia AI mogą pomóc nam lepiej adresować programy profilaktyczne?

W amerykańskim badaniu z 2019 roku[5] autorzy analizują przydatność użycia algorytmu, pozwalającego przewidzieć ryzyko hospitalizacji z powodu różnych chorób na poziomie podstawowej opieki zdrowotnej. Stosowanie dokumentacji elektronicznej umożliwiło lepszą analizę danych od pacjentów i doprowadziło do prób tworzenia modeli przewidujących wystąpienie w przyszłości określonych zdarzeń medycznych. W badaniu większość lekarzy i pielęgniarek deklarowała stosowanie tego rozwiązania u swoich pacjentów. Rozważając algorytmy, pozwalające prognozować ryzyko występowania określonych schorzeń, nie mówimy o odległej przyszłości medycyny, ale o już stosowanych rozwiązaniach. Medycyna korzysta z modeli predykcyjnych, umożliwiając lepszą opiekę pacjentom oraz optymalizując koszty systemów ochrony zdrowia. W tę koncepcję doskonale wpasowują się algorytmy AI i uczenia maszynowego, które niejednokrotnie lepiej i szybciej analizują dane niż człowiek. W Polsce doskonale znamy programy przesiewowego wykrywania chorób, chociażby z akcji badania w mammobusach kobiet po 50. roku życia. Przy odpowiednim gromadzeniu danych, z zapewnieniem ich bezpieczeństwa i rzetelności, idea programu profilaktycznego może wejść na dużo wyższy poziom. Tworzenie u każdego pacjenta profilu, opartego na nie jednym a wielu czynnikach zdrowotnych, może pozwolić lepiej adresować konieczność wykonania badań i potencjalnie wczesnego wykrycia choroby. Dzięki temu możemy uzyskać skuteczniejsze badania przesiewowe pod kątem wielu wyleczalnych chorób, zapobiegając niepotrzebnym hospitalizacjom.

Dodatkowo, odpowiednia analiza danych może pomóc zapobiegać przedłużającym się i nawracającym pobytom na oddziałach szpitalnych, czyli w profilaktyce wtórnej. Już 12 lat temu badacze z Bostonu opracowali algorytm pozwalający identyfikować pacjentów, których ponownej hospitalizacji można było uniknąć na podstawie danych przy wypisie (ich odsetek określono jako 8,5%)[6].

Eksperci wskazują, że europejskie systemy ochrony zdrowia muszą transformować się z reaktywnych na proaktywne. Według raportu Deloitte „Przyszłość ochrony zdrowia w Europie”, wydatki na leczenie powinny zostać zredukowane z 83% do 49% sumarycznych wydatków na zdrowie. 51% kosztów w 2040 roku miałoby być wydawane na zapobieganie chorobom, profilaktykę i promocję zdrowia[7]. Transfer środków na profilaktykę i przewidywanie chorób długotrwale ma zwiększać wydajność systemów ubezpieczeniowych z korzyścią dla zdrowia obywateli. Rozwój uczenia maszynowego będzie sprzyjał medycynie opartej na modelach predykcyjnych. Dzięki rozwojowi modelowania AI już dziś jesteśmy w stanie coraz lepiej prognozować występowanie pewnych zdarzeń, zarówno na poziomie ubezpieczyciela jak i w gabinecie lekarskim i jest to bardzo obiecujący kierunek na przyszłość.

Lepsze leczenie

Choć systemowo największe nadzieje wiąże się z rozwojem sztucznej inteligencji w dziedzinie diagnozowania i profilaktyki, rewolucja technologiczna nie pozostaje bez znaczenia dla możliwości leczenia pacjentów. Przykładowo, algorytmy oparte na uczeniu maszynowym mogą pomagać dobierać adekwatne leczenie onkologiczne na podstawie unikalnego genomu pacjenta. W onkologii już teraz wykorzystuje się radioterapię adaptacyjną, dzięki której, przy wykorzystaniu elementów sztucznej inteligencji, lekarz jest w stanie dokładniej naświetlać komórki nowotworowe (te rozwiązania są już stosowane w polskich ośrodkach). W chirurgii są używane roboty, które w czasie rzeczywistym mogą analizować anatomię pacjenta i podpowiadać operatorowi taką metodę prowadzenia cięcia, która będzie najmniej obciążająca z punktu widzenia gojenia ran i rekonwalescencji, a nawet autonomicznie taką operację przeprowadzać (Smart Tissue Autonomous Robot – STAR). Za pomocą wytrenowanych na dużych bazach danych modeli AI, udoskonalane są techniki operacyjne wszczepiania endoprotez stawów (system OrthoIntel Orthopedic Intelligence). Również w innych dziedzinach medycyny są rozwijane narzędzia pomocne w procesie leczenia.

Jak to wpłynie na kondycję systemu ochrony zdrowia? Trudno jednoznacznie powiedzieć, lecz nie wydaje się to być kierunek aż tak obiecujący jak rozwój diagnostyki. Z jednej strony pojawia się oczywista korzyść dla pacjenta. Z systemowego punktu widzenia lepsze leczenie często będzie oznaczać mniej nawrotów choroby, mniej koniecznych wizyt lekarskich i rzadsze hospitalizacje. Patrząc inaczej, trudno pominąć fakt, iż wykorzystanie nowych technologii np. w medycynie zabiegowej wydaje się raczej zwiększać koszty leczenia, niż je redukować. Jeżeli przewaga technologii nad tradycyjnymi metodami jest znacząca, to lepszy stan zdrowia pacjenta będzie korzystne również dla ubezpieczyciela. Jeżeli będzie niewielka, być może koszty przeważą nad zyskami. W przypadku udoskonalania leczenia korzyść systemowa nie zawsze jest oczywista, lecz z pewnością również tutaj rządzący powinni uważnie śledzić poszczególne gałęzi rozwoju narzędzi nowych technologii w kontekście udoskonalania systemu.

Zagrożenia

Rozwój nowych technologii zawsze niesie z sobą różne zagrożenia i nie inaczej jest w przypadku AI. Jednym z głównych wyzwań i ograniczeń systemów opartych na sztucznej inteligencji jest jakość danych, na których są trenowane modele. W kontrze do powszechnego przekonania o wręcz galopującym rozwoju modeli AI, te które chcemy wykorzystywać w medycynie wymagają bardzo restrykcyjnego podejścia do ich trenowania.

Dopuszczenie do użycia programów o niskiej jakości może mieć fatalne w skutkach konsekwencje, trudne do porównania z czymś innym, co znamy z „tradycyjnej” medycyny.

Niedouczony student, który będąc już lekarzem popełni szereg błędów medycznych dość szybko ma szansę zdobyć złą sławę i być pociągniętym do odpowiedzialności prawnej. Modele AI nie posiadają rzecznika dyscyplinarnego ani nie posiadają zmysłu moralnego, który nakaże niepewnemu diagnozy specjaliście skonsultować się z bardziej doświadczonym kolegą. Stąd konieczna jest bardzo restrykcyjna polityka recenzji prac i ostrożne dopuszczanie do użytku tego typu nowych narzędzi. Nie bez znaczenia są również kwestie etyczno-prawne związane z AI, chociażby wspomniany wyżej brak osobowości prawnej modelu sztucznej inteligencji. Jeśli się pomyli, to do kogo pretensje może mieć pacjent? Kto naprawi jego błąd? W związku z tym należy podkreślić odległość utopijnych wizji maszyn leczących ludzi. Pod każdą decyzją kliniczną musi (i pewnie jeszcze długo będzie musiał) podpisać się żywy człowiek, a programy powinny wciąż pozostawać doradcami prawdziwych specjalistów, a nie autonomicznymi lekarzami nowego wzoru.

Niedostatki

Zmierzając do podsumowania, wróćmy jeszcze raz do głównych problemów naszego systemu ochrony zdrowia. Wczesne diagnozowanie i odpowiednie adresowanie terapii, korzystna alokacja środków na profilaktykę – w naprawie tych elementów z całą pewnością mogą mieć zastosowanie narzędzia oparte na AI. Choć całości patologii systemu nie są w stanie skompensować nowe technologie, to obserwujemy pojawianie się kolejnych rozwiązań, mogących redukować koszty, skracać kolejki i usprawniać działanie systemu.

Problemem, w którym technologia  zdaje się mieć najmniejsze zastosowanie są braki kadrowe. O ile być może AI jest w stanie zastąpić część specjalistów i administracji – choć i to jest póki co raczej melodia przyszłości – to już zupełnie odległe wydaje się załatanie za pomocą technologii ogromnych niedoborów, jakie mamy wśród takich zawodów jak pielęgniarka czy opiekunka medyczna. Choć w Chinach już testowane są futurystyczne wizje robotów, sprawujących opiekę pielęgnacyjną nad seniorami, to z wielu różnych przyczyn nie wydaje się to być kierunek realny w najbliższych latach w Polsce. Pacjenci, a w szczególności osoby starsze, wymagają kontaktu międzyludzkiego zarówno ze względów psychologicznych jak i z uwagi na skuteczność leczenia, w której osobista rozmowa i objęcie indywidualną opieką nadal ma duże, potwierdzone naukowo, działanie.

Między innymi z tego powodu nie można traktować rewolucji technologicznej jako jedynego remedium na problemy systemu opieki zdrowotnej. Inwestowanie w rozwój nowych narzędzi diagnostyki, prognozowania i leczenia nie skompensuje wszystkich strukturalnych problemów naszego systemu.

Podsumowanie

Amerykańska Agencja ds. Żywności i Leków zatwierdziła do tej pory ok. 1000 urządzeń opartych na uczeniu maszynowym i sztucznej inteligencji. Zdecydowana większość z nich została zarejestrowana w dziedzinie radiologii. Ostatnia dekada to gwałtowny wzrost liczby tego typu rozwiązań. Wiele z nich jest już wdrażanych do codziennej praktyki klinicznej w nowoczesnych ośrodkach medycznych. Niestety, dość rzadko są to ośrodki polskie. Powszechne zastosowanie takich narzędzi to wciąż przyszłość, ale już nie fantastyka naukowa. Z roku na rok będzie ich coraz więcej. Co starałem się pokazać w niniejszym artykule, AI niesie za sobą duże nadzieje w sektorze ochrony zdrowia. Czy rzeczywiście doprowadzi do rewolucyjnych kroków w historii leczenia ludzi – tego nie wiemy. Wiemy natomiast, że w wielu gałęziach medycyny już teraz technologie oparte na uczeniu maszynowym odgrywają dużą rolę i może to mieć znaczący wpływ na system ochrony zdrowia.

Co w obliczu tego robią polscy decydenci? Czy istnieje świadomość tego, jak bardzo w najbliższych latach mogą zmienić się technologie medyczne? Od polskiego rządu i ludzi odpowiedzialnych za kształt naszego systemu ochrony zdrowia zależy czy popłyniemy z falą innowacji w medycynie i zaczniemy kreować własne narzędzia, czy też będziemy biernymi obserwatorami nowej rewolucji technologicznej.

Polska nie ma potencjału ekonomicznego żeby rywalizować w zakresie tworzenia LLMów z Chinami czy USA, ale jak najbardziej ma potencjał, aby być w stanie finansować tworzenie  modeli AI na użytek konkretnych gałęzi medycyny.

Wymagałoby to kierunkowej współpracy pomiędzy resortami czy wręcz stworzenia specjalnego zespołu, który mógłby określić pożądane kierunki rozwoju technologii w ochronie zdrowia. Cyfrowe narzędzia mają to do siebie, że jesteśmy w stanie relatywnie nisko kosztowo tworzyć nowe modele i programy. W polskiej nauce mnóstwo pieniędzy jest marnowanych na bezużyteczną pracę. A jakby wykorzystać szansę i spróbować zrobić coś swojego, co nie tylko poprawi kondycję ochrony zdrowia, ale również będzie produktem, który jako polską markę będziemy w stanie sprzedawać za granicę?

---

[1] Evaluation of ChatGPT as a diagnostic tool for medical learners and clinicians

[2] Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study

[3] Artificial Intelligence-Based Detection of Pneumonia in Chest Radiographs

[4] Artificial intelligence for direct-to-physician reporting of ambulatory electrocardiography

[5] Using Predictive Analytics to Guide Patient Care and Research in a National Health System

[6] Potentially avoidable 30-day hospital readmissions in medical patients: derivation and validation of a prediction model

[7] https://www.mzdrowie.pl/eksperci/deloitte-przewiduje-wzrost-wydatkow-na-profilaktyke-i-wczesne-wykrywanie-chorob/#:~:text=Proces%20starzenia%20europejskich%20spo%C5%82ecze%C5%84stw%20sprawia%2C%20%C5%BCe%20obecne,zapobieganie%20chorobom%20poprzez%20odpowiednio%20wczesne%20ich%20wykrywanie

---

---