Šį rašinį Dileta Tervydytė parašė 2019m. mokslo populiarinimo rašinių konkursui. Primename, kad panašių rašinių, publikuoti šiame puslapyje laukiame nuolatos. Juos siųskite: [email protected]

Dileta Tervydytė

„Technologijos suteikia gyvybei precedento neturinčių galimybių arba suklestėti, arba susinaikinti.“
– Gyvybės ateities institutas

Turbūt daugelis iš mūsų yra girdėjęs Dirbtinio intelekto koncepciją, tačiau pasvarstykime, kaip šis technologinis inovatyvumas galėtų būti inkorporuojamas į sveikatos priežiūros sistemą?

Didėjant geresnės gyvenimo kokybės lūkesčiams ir kintant visuomenės gyvenimo būdui, reikalinga tobulesnė, veiksmingesnė ir geresnė sveikatos priežiūra. Vis senstanti visuomenė ir kylantis gyvenimo lygis lemia didėjantį sveikatos priežiūros paslaugų, pagrįstų naujausiais mokslo ir biomedicinos technologijų pasiekimais, poreikį.

Žinant tai, kad sveikatos priežiūros pramonė vystosi sparčiai, turėdama dideles duomenų apimtis ir didėjančias išlaidas dėl pacientų, ankstyvieji dirbtinio intelekto (toliau- DI) taikytojai sveikatos priežiūros plotmėje naudojasi pranašumais, kurie yra susiję su pacientų priežiūra.

Šiek tiek apie dirbtinį intelektą (DI) ir jo pritaikymą sveikatos srityje

Plačiai tariant, DI yra informatikos sritis, kuria siekiama imituoti žmogaus intelektą kompiuterinėmis sistemomis. Tai atliekama pasitelkiant iteracinį, sudėtingą modelio derinimą, paprastai tokiu greičiu ir mastu, kuris viršija žmogaus galimybes. Šalininkai dažnai entuziastingai teigia, kad dirbtinis intelektas padarys revoliuciją pacientų ir gyventojų sveikatos priežiūros srityje.

Vienas iš daugelio įdomesnių teiginių yra tas, kad dirbtinis intelektas galėtų turėti tokį pat potencialų efektyvumą nustatant ligas taip pat kaip ir sveikatos priežiūros specialistai. Remiantis įvairiomis sisteminėmis peržiūromis ir metaanalizėmis, DI iš medicininių vaizdų panašiu tikslumu gali nustatyti ligas. Tiesa, tikrosios dirbtinio intelekto technikos, tokios kaip: gilus mokymasis, jų diagnostinės galios – algoritmų, didelių duomenų ir skaičiavimo panaudojimas mėgdžiojant žmogų – tebėra neaiškus, kadangi trūksta išsamių tyrimų, kurie tiesiogiai palygintų žmonių ir DI mechanizmų veikimą realioje klinikinėje aplinkoje. Įdomu ir tai, kad giliai mokydamiesi, kompiuteriai gali ištirti tūkstančius medicininių vaizdų, tam, kad nustatytų ligos pobūdį. Tai suteikia didžiulį potencialą siekiant pagerinti diagnozės tikslumą ir greitumą. Žinoma, nepaisant didelio visuomenės susidomėjimo ir rinkos jėgų, skatinančių šią sparčią technologijų plėtrą, gali kilti susirūpinimas ir dėl to, ar šie specializuoti studijų planai yra pritaikomi realaus pasaulinės klinikinės praktikos kontekste.

Naujų technologijų ekspansyvumas sveikatos priežiūroje galėtų prisidėti prie greitesnės ir tikslesnės pacientų diagnozės. Dirbtinis intelektas gali padėti gydytojams ir mokslininkams sutrumpinti šią „kelionę “. Tai taip pat galėtų pagerinti nukentėjusiųjų gyvenimo kokybę.

Gydytojai, ypatingai tie, kurie atlieka vadovo vaidmenį, turi žinoti, kaip greitai DI gerėja sveikatos srityje ir turi būti pasirengę vadovauti pokyčiams, kuriuos reikės adaptuoti sveikatos priežiūros sistemoje. Jau yra įrodyta, kad dirbtinis intelektas yra toks pat veiksmingas kaip ir įvairių ligų diagnozavimas, o kai kuriais atvejais net efektyvesnis. Šiuo metu dirbtinio intelekto stiprybė yra ta, kad tai yra potenciali galimybė pritaikyti didelių duomenų rinkimą ir jų modelių atpažinimą, kurie galėtų būti panaudoti diagnozuojant įvairias ligas (pavyzdžiui, patologijoje ir radiologijoje). Po 2015 m. Olandijoje atlikto tyrimo paaiškėjo, kad prostatos vėžio kompiuterinė diagnozė, naudojant magnetinio rezonanso vaizdus, buvo tokia pat veiksminga kaip ir žmonių radiologų, o 2016 m. tyrimas Stanforde parodė, kad DI gali diagnozuoti plaučių vėžį, perskaitydamas mikroskopo vaizdus geriau už gydytojus patologus. Be to, tikslesniais ir patikimesniais chirurgais nei žmonės robotai galėtų tapti net nesinaudodami pažangesniu dirbtiniu intelektu. Pastaruoju metu, robotai jau atliko daugybę įvairių sėkmingų operacijų. Dažnai jų indėlis buvo tikslumas, miniatiūrizacija ir mažesni pjūviai, dėl to netenkama mažiau kraujo, patiriama mažiau skausmo, o žaizdos gyja greičiau.

Naudodamiesi dirbtinio intelekto ir mašininio mokymosi metodais, San Diego sveikatos ir Kalifornijos universiteto medicinos mokyklos Shiley Eye instituto tyrėjai kartu su kolegomis Kinijoje, Vokietijoje ir Teksase sukūrė naują skaičiavimo įrankį skirtą pacientams (sergantiems paprastomis, tačiau akinančiomis tinklainės ligomis), kuris gali pagreitinti diagnozę ir jų gydymą. Dirbtinis intelektas turi didžiulį potencialą pakeisti ligos diagnozavimą ir valdymą, atlikdamas jų sistemingą analizę ir klasifikaciją, kuri apima didžiulį duomenų kiekį. Kiti mokslininkai, atlikę mokslinį tyrimą teigia, kad atlikus plaučių funkcijos testus žmogaus akiai jų struktūrą gali būti sunku suvokti ir tiksliai atpažinti, tačiau kompiuteriams lengva valdyti tokius duomenų kiekius, todėl manoma, kad DI gali būti naudingas gydytojams pulmonologams. Mums visiems yra žinoma, kad šiais laikais kompiuterinės technologijos yra įdiegtos tiek lėktuvuose, tiek automobiliuose. Esmė glūdi tame, kad nepriklausomai nuo vietos ar medicininės aprėpties, dirbtinis intelektas gali užtikrinti aukščiausius plaučių funkcijos tyrimų aiškinimo standartus, o pacientai gali turėti geriausią ir prieinamą diagnostinę patirtį.

Dirbtinis intelektas gali būti taikomas įvairiems tipams sveikatos priežiūros duomenims (struktūrizuotiems ir nestruktūrizuotiems). Prie populiarių DI metodų priskiriami mašininio mokymosi metodai struktūrizuotiems duomenims (pavyzdžiui, neuroninis tinklas, šiuolaikinis gilus mokymasis) ir natūralus kalbos apdorojimas- nestruktūrizuotiems duomenims. Pagrindinės sritys, kuriose gali būti panaudojami dirbtinio intelekto įrankiai yra: onkologija, neurologija ir kardiologija, o dirbtinio intelekto taikymas šiose srityse gali padėti efektyviau aptikti, diagnozuoti ir gydyti ligas.

Taigi, dirbtinio intelekto (DI) taikymas sveikatos priežiūroje gali smarkiai pakeisti tiek gydytojo vaidmenį, tiek medicininę praktiką. Žinoma, dabartiniai DI iššūkiai yra susiję tiek su teisine atsakomybe, tiek su paciento pasirinkimu įvairiais etiniais klausimais. Kalbant apie mokslo ir lyderystės ateities perspektyvas medicinoje, verta pasvarstyti ir apie medikų profesijos ruošimą taip, kad ji būtų palaikoma bendradarbiaujant su dirbtinio intelekto ir pažangių robotikos sistemų integravimu.

Literatūros šaltiniai:

1. European Lung Foundation. AI improves doctors’ ability to correctly interpret tests and diagnose lung disease, 2018. Žiūrėta 2019 11 24. Prieiga per internetą: https://www.sciencedaily.com/releases/2018/09/180918180501.htm
2. Jiang F., Jiang Y. and etc. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology, 2017. Žiūrėta 2019 11 24. Prieiga per internetą: https://svn.bmj.com/content/2/4/230
3. Loh E. Medicine and the rise of the robots: a qualitative review of recent advances of artificial intelligence in health. BMJ leader, 2018. Žiūrėta: 2019 11 24. Prieiga per internetą: https://bmjleader.bmj.com/content/2/2/59
4. Maddox M. T. and etc. Questions for artificial intelligence in health care, 2019. Žiūrėta 2019 11 24. Prieiga per internetą: https://jamanetwork.com/journals/jama/article-abstract/2718456
5. Max Tegmark. Gyvybė 3.0. Vilnius: Tyto alba, 2019.
6. Rotomskis R., Karabanovas V., Poderys V. ir kt. Įvadas į nanomediciną, 2008.
7. The Lancet. First systematic review and meta-analysis suggests artificial intelligence may be as effective as health professionals at diagnosing disease, 2019. Žiūrėta 2019 11 24. Prieiga per internetą: https://www.sciencedaily.com/releases/2019/09/190924225209.htm
8. University of Bonn. How artificial intelligence can help detect rare diseases, 2019. Žiūrėta 2019 11 24. Prieiga per internetą: https://www.sciencedaily.com/releases/2019/06/190606133805.htm
9. University of California – San Diego. Artificial intelligence quickly and accurately diagnoses eye diseases and pneumonia, 2018. Žiūrėta 2019 11 24. Prieiga per internetą: https://www.sciencedaily.com/releases/2018/02/180222144954.htm