Elgondolkodtató és alapos írás jelent meg a közelmúltban a mesterséges intelligencia egészségügyben betöltött szerepéről és helyzetéről: Artificial intelligence was supposed to transform health care. It hasn’t (A mesterséges intelligenciának át kellett volna alakítania az egészségügyet. Nem tette) címmel egy amerikai, a politikai elemzéseiről ismert portálon.
Az USA-ban 2022 első felében 3 milliárd, míg 2021-ben 10 milliárd dollárnyi befektetés irányult az egészségügyben működő, mesterséges intelligenciát is használó startupok felé, ami komoly pontenciált ígért. Akkor mi végre a pesszimizmus?
A cikk azt vizsgálja, milyen okokra vezethető vissza, hogy nem teljesült az a várakozás, amit a brit Geoffrey Hinton, kognitív pszichológus, a mesterséges intelligencia egyik „keresztapja” 2016-ban úgy fogalmazott meg, miszerint nyugodtan leállítható a radiológusok képzése, mivel 5 éven belül a gépi tanulásos algoritmusok jobban tudják majd, mint a képzett orvosok, hogy mi a teendő. A radiológusok képzését szerencsére nem szüntették meg, a különböző képalkotó berendezések eredményeit még mindig a szakemberek képesek a legjobban értelmezni.
Ben Leonard és Ruth Reader írásukban három terület mentén vizsgálja a nehézségeket és akadályokat, az alábbiakban ezt a felosztást követjük.
Az iparág szétaprózodottsága
Az elsődleges probléma az egészségügy infrastruktúrájának szétaprózottsága, ami az iparág minden területére érvényes, így az IT területen is jelentkezik. A különböző intézmények, sőt egyazon intézményen belül a különböző osztályok között sem megoldott a rendszerek közötti kommunikáció. Ez egyaránt befolyásolja az páciensek kezelését, valamint az adatok egységesítését, elemzését és a különböző betegségek, gyógymódok kutatását-fejlesztését is. A mesterséges intelligencia a rendelkezésre álló adatokat használja fel, a diverzifikált adatok azonban nem egységesíthetők. Az algoritmusok nem képesek előállítani az elvárt, magas minőségű következtetéseket és számításokat a gépi tanuláshoz elengedhetetlen mennyiségű és minőségű adat nélkül.
Az Egyesült Államokban ez sokkal súlyosabb gond, mint a jelentősebb állami szerepvállalással működő európai (és természetesen magyarországi) egészségügyi rendszerben. Az USA-ban a megoldás is jóval nehézkesebb, hiszen a felügyelő szervek jogosítványai korlátozottak, így ezt a problémát az intézményeknek, a hatóságoknak és a technológiai vállalatoknak együttesen kell megoldaniuk.
Nem segíti a megoldást az sem, hogy a technológiai bizonytalanságok és a szétszabdalt egészségügyi infrastruktúra miatt számos intézmény saját fejlesztésekbe kezdett. A lokális megoldás akár ideális is lehet, de tulajdonképpen ördögi kört indít el, hiszen a létrejött – akár nagyon színvonalas, minőségi – lokális fejlesztés szükségképpen még tovább növeli az egyes intézmények közötti különbséget.
A szabályozás bizonytalanságai és hiányosságai
Mind az adatkezelés, mind a technológia alkalmazhatóságának szabályozása terén akadnak nehézségek. A különböző személyes és érzékeny adatok felhasználása sokszor nem tisztázott. A területet Európában elsősorban a GDPR kezeli, ám Amerikában a szabályozási környezet is jóval fragmentáltabb, nincs az európai szabályozásnak megfelelő keretrendszer.
A technológia, a mesterséges intelligencia és a gépi tanulás sztenderdjeinek, működési kereteinek szabályozása is nehézkesen halad. Milyen betegségcsoportok, tünetek esetén, milyen körülmények között, milyen szerepkörben, milyen elvárt pontosság mellett milyen szabványok alapján alkalmazhatók a mesterséges intelligencián alapuló egészségügyi megoldások?
Az amerikai szakhatóság, az Amerikai Élelmiszer és Gyógyszer Hatóság (FDA) csupán 2021-ben jelentette meg ezirányú irányelveit és hiába hagyott jóvá több mint 300 klinikai AI-megoldást 1997 óta, nagyon úgy tűnik, hogy a szabályozás csak késve lohol a rohamtempóban fejlődő technológia nyomában. Az Egyesült Királyságban például csak az idei évben kétszer módosították az eredetileg 2014-es szabályozást, mely arról rendelkezik, hogy milyen szoftveralkalmazás tekinthető egészségügyi eszköznek. Európában a technológiai megoldások alkalmazhatóságának szabályozása jelenthet problémát a tagállami, nemzeti felügyelő szervek sokszor különböző, egymásnak gyakran ellentmondó érdekei és döntései következtében.
A technológia alkalmazásának nehézségei
A mesterséges intelligencia mára nélkülözhetetlenné vált az egészségügy számos területén a pontos diagnózis meghatározásától egészen a számlázásig. Nagyon sok egészségügyi intézmény érzi azonban úgy, hogy a számukra felkínált technológiai megoldások a valós kórházi környezetben nem működnek megfelelően. Elméletben minden nagyon szép, de a helyi infrastruktúrához való hozzáigazítás már jelentős akadályokba ütközik, jelentős helyi erőforrásokat vesz igénybe és emiatt – a technológiai megoldás elfogadható alapára ellenére – az intézményre szabás sokszor nehezen kigazdálkodhatóvá válik.
Kórházi vezetők arra is panaszkodnak, hogy nem mindig egyértelmű, miért jut az algoritmus bizonyos eredményekre, ami az egészségügyben rendkívül kockázatos, sokszor emberéletekben mérhető.
A felvázolt nehézségek ellenére számos sikeres projektet ismerünk, de a felmérések szerint, amint az alábbi ábrán is látható, az egészségügy továbbra is az utolsó előtti helyen áll a mesterséges intelligencia ismeretét megkövetelő álláslehetőségek terén, mely jelzi, hogy a felzárkózás üteme jóval lassabb a vártnál. Ennek oka a korábban említett problémák mellett a terület összetettsége, és a viszonylagos lassú megtérülés.
A Mesterséges intelligencia ismeretét elváró álláshelyek aránya iparáganként az Egyesült Államokban (2020)
A techcégek is tisztában vannak ezekkel a nehézségekkel, a Smart DataLake Platform (DLX) révén testközelből is szembesültünk az iparági problémákkal.
A Pécsi Egyetemmel több egészségügyi, jogi és IT területet is érintő projektet indítottunk el, melyek technológiai bázisa a DLX. A legmodernebb trendeket alkalmazó hibrid ökoszisztéma rugalmassága lehetővé teszi a meglevő infrastruktúrához való alkalmazkodást, ezért hozzájárulhat iparági szétaprózottság mérsékléséhez, illetve a különböző adatforrások eredeti formájukban kerülnek az adattóba és válnak kombinálhatóvá egyéb, meglevő, rögzített formájú adatokkal is.
A GDPR szabályozásnak is megfelel a DLX, az adathasznosítás a „földi” környezetben történik, így az érzékeny adatok nem kerülnek ki az egyes zárt rendszerekből.
A már elindított és tervezett klinikai projektek – real-world klinikai adatokra épülő kutatások, migrénes vagy epilepszia rohamelőrejelzés, stroke-kutatás stb. – eddigi eredményei bíztatóak, a különböző jelentések és riportok pedig az eredmények alkalmazhatóságának lehetőségeit tágítják ki. Az együttműködés egyik kiemelkedő eredménye a gyógyszer-repozíciós fejlesztés, a Repo-X projekt, melynek eredménye egy szabadalmaztatás alatt álló rákellenes gyógyszer. Az DLX az intézményi és kutatási hipotézisek tesztelésének kiváló eszköze, amihez az E-Group tudományos háttere és meglevő tapasztalatai is hozzájárulnak a partnerintézmények szakértelmével kiegészítve.
Merre mozdul a healthtech és a mesterséges tanulás kapcsolata? Hinton ma már finomította kijelentését. Az áttörést 2026-ra jósolja és nem zárja ki a radiológusokat sem teljesen, inkább úgy fogalmaz, hogy sok egészségügyi képalkotó eljárás értelmezésében jobblesz a mesterséges intelligencia, mint a legtöbb szakember. Vagyis az emberi tényező továbbra is nélkülözhetetlen marad. Az elemzők 2030-ra három területen várnak egyértelmű eredményt. Az AI vezérelte egészségügyi rendszerek számos területen képesek lesznek előre jelezni a páciensek egyes betegségkockázatait, felkínálva a megfelelő gyógymódot is. Az adattavak, adatmenedzselt platformok alkalmazásával könnyebb lesz számos területen az adatokhoz való hozzáférés, a rendszerek összekapcsolása, ami átalakítja az intézmények fizikai jellegét, a kórházak specializálódhatnak és sokféle kezelés esetén nem lesz szükség nagy intézményekre. A mesterséges intelligencia segítségével lerövidülnek a betegutak, így a betegek várakozási ideje csökken, az intézmények hatékonysága megnő, jelentősen mérsékelve az adminisztratív terheket.
A jövő fényesnek ígérkezik, de ma már tudjuk, hogy az odavezető út nem olyan könnyű, mint korábban gondoltuk.