Як штучний інтелект застосовується в медицині: поточні досягнення та перспективи

Останніми днями однією з найбільш обговорюваних тем став інноваційний чат-бот на основі штучного інтелекту, який може вести діалог, відповідати на запитання, генерувати описи і навіть доволі успішно скласти іспит на отримання медичної ліцензії в США. Безумовно, бот не може замінити медичних працівників, але може слугувати їм корисним помічником. Слід зазначити, що використання штучного інтелекту в галузі охорони здоров’я має широкі перспективи. За прогнозами консалтингової компанії Precedence Research, світовий ринок штучного інтелекту в сфері охорони здоров’я* може сягнути 188 млрд дол. США у 2030 р., зростаючи в середньому на 37% щороку. У 2021 р. обсяг ринку оцінювався у 1 млрд дол. Стрімкому зростанню, як очікується, сприятиме активна інтеграція новітніх технологій у сферу охорони здоров’я. Зокрема, штучний інтелект та машинне навчання мають потенціал виявляти захворювання на ранніх стадіях та пропонувати пацієнтам кращі варіанти лікування та догляду. Тож, де в медицині використовується штучний інтелект? Спробуємо розібратися.

Виявлення серцево-судинних захворювань

Штучний інтелект використовує алгоритми для виявлення пацієнтів, які можуть мати певні стани чи захворювання. Безумовно, лікарі не покладаються лише на технології. Однак використання штучного інтелекту може допомогти у встановленні правильного діагнозу, часто раніше, ніж лікар зробив би це без таких технологій.

Наприклад, у Клініці Мейо (Mayo Clinic), США, технології штучного інтелекту допомагають лікарям діагностувати нові випадки певних захворювань серцево-судинної системи, зокрема серцевої недостатності, нерегулярного серцевого ритму, потенційно за роки до того, як вони могли б бути виявлені іншим способом. Так, у 2022 р. в клініці Мейо лікарі провели дослідження, перевіривши електрокардіограми понад 600 тис. пацієнтів з використанням алгоритмів штучного інтелекту, щоб визначити ризик «тихої» фібриляції передсердь. Програма ідентифікувала 1000 людей, яких потім попросили носити кардіомонітор протягом місяця. Дослідники виявили, що у цих пацієнтів після місяця моніторингу відмічали у п’ять разів вищий ризик діагностування фібриляції передсердь порівняно з учасниками контрольної групи.

Виявлення проблем із зором на ранній стадії

Cano Health, постачальник первинної медичної допомоги у 8 штатах США та Пуерто Ріко, запустив пілотний проєкт з використання штучного інтелекту для аналізу зображень, отриманих зі спеціальної камери, для виявлення діабетичної ретинопатії. Це специфічне судинне ускладнення цукрового діабету є однією з основних причин сліпоти в осіб працездатного віку. Програма допомагає лікарям первинної медичної допомоги виявляти пацієнтів з діабетичною ретинопатією прямо в своєму кабінеті. Але особи з позитивним результатом все одно мають відвідати офтальмолога, щоб підтвердити діагноз і отримати план лікування.

Ризик розвитку сепсису

У Лікарні Синай (Sinai Hospital) у Балтиморі, США, використовують алгоритми для виявлення серед госпіталізованих пацієнтів з найвищим ризиком розвитку сепсису, який є однією з основних причин смертності в медичних закладах. Алгоритм враховує понад 250 факторів, включаючи життєво важливі показники, демографічні дані, історію здоров’я та результати лабораторних досліджень. Система попереджає лікарів, якщо виявляє у пацієнта септичний стан або погіршення показників. Фахівці перевіряють стан хворого та починають відповідне лікування, якщо вони згодні з оцінкою програми. Система з часом коригується та вдосконалюється на основі відгуків лікарів.

Результати дослідження вчених з Університету Джонса Гопкінса (Johns Hopkins University), Колумбійського (Columbia University), Каліфорнійського (University of California) та інших університетів, показали, що використання алгоритмів на основі машинного навчання в лікарнях може сприяти тому, що пацієнти отримуватимуть лікування при сепсисі в середньому майже на 2 год раніше.

Захворювання легень

Штучний інтелект також може допомагати лікарям ефективніше виявляти на рентгенографії та комп’ютерній томографії захворювання легень. Це особливо може стати в нагоді, коли кількість пацієнтів велика, а лікарям потрібні надійні інструменти, які можуть допомогти їм у прийнятті рішень. Сучасні алгоритми розпізнавання зображень можуть вловлювати надто тонкі для людського ока шаблони на рентгенівських зображеннях.

Так, нещодавно група дослідників з Прінстонського університету (Princeton University), США, знайшла рішення щодо застосування штучного інтелекту для скринінгу хворих на COVID-19 на основі рентгенівських знімків легенів. Система використовує методи аналізу та кластеризації, щоб розрізняти фенотипи пневмоній, спричинених SARS-CoV-2 (L та Н). Цей діагностичний інструмент на основі штучного інтелекту може допомогти медичним працівникам приймати кращі рішення щодо лікування, зокрема визначати, чи потрібна пацієнтові штучна вентиляція легенів, чи застосування такої терапії може спричинити пошкодження органа.

Інша група дослідників з Медичного коледжу Університету Південної Флориди (University of South Florida), США, розробила автоматизовану систему класифікації зображень на основі сервісу Microsoft CustomVision, яка теж допомагає класифікувати різні типи пневмоній.

Використання штучного інтелекту може стати у нагоді і для виявлення онкологічних захворювань на рентгенівських знімках грудної клітки. Так, дослідники з Медичного коледжу Сеульського національного університету (Seoul National University), Республіка Корея, виявили, що алгоритми штучного інтелекту показали чудову діагностичну ефективність як з точки зору класифікації рентгенограми грудної клітки, так і локалізації ураження. А частота хибнопозитивних результатів була подібною до показників референтної групи лікарів-рентгенологів.

Меланома

Меланома добре піддається лікуванню на ранній стадії, але часто на цьому етапі її складно відрізнити від звичайної родимки. Саме тому, щоб отримати додаткову підтримку в прийнятті рішень, учені експериментують з технологіями штучного інтелекту. Цьому сприяє, зокрема, створення Міжнародною колаборацією з візуалізації шкіри (International Skin Imaging Collaboration — ISIC) анотованих наборів даних зображень уражень шкіри. Вони використовувалися для машинного навчання. Доступ до технологій хмарних обчислень і активний обмін знаннями між фахівцями з машинного навчання також допомогли значно прискорити дослідження у цій сфері. Так, у 2019 р. група учених використала згорткову нейронну мережу (convolutional neural network) для аналізу наборів даних медичних зображень крупним планом і дермоскопічних зображень. Після навчання моделі вони порівняли ефективність штучного інтелекту з групою з 95 дерматологів, і штучний інтелект забезпечив такий самий рівень точності.

Рак молочної залози

Мамографічний скринінг є основним методом раннього виявлення раку молочної залози. Регулярні скринінги та своєчасна діагностика сприяють підвищенню рівня виживаності пацієнтів, однак широке запровадження скринінгових програм зумовлює також і зростання витрат та підвищення навантаження на радіологів. Інструменти на основі штучного інтелекту можуть трохи спростити завдання, зокрема, швидко обробляти зображення та надавати цінну інформацію для прийняття рішень. Так, Google Health та група лікарів розробили модель штучного інтелекту, яка зчитує результати мамографії з меншою кількістю хибнопозитивних і хибнонегативних результатів, ніж радіолог. Однак самі по собі швидкість та точність не вирішують головної проблеми, а саме — збільшення дефіциту радіологів у світі. Втім, системи штучного інтелекту можуть зменшити тиск на системи охорони здоров’я та полегшити масштабування програм скринінгу раку грудей.

Рідкісні захворювання

Рідкісні захворювання часто важко діагностувати, як і передбачити найкращий курс лікування. Моделі на основі штучного інтелекту, які вміють вивчати та аналізувати великі бази даних зображень хвороб, мають потенціал для ідентифікації рідкісних захворювань. Так, дослідники з Гарвардської медичної школи (Harvard Medical School), США, розробили алгоритм глибокого навчання, який допомагає вивчати функції, які потім можна використовувати для пошуку подібних випадків у великих сховищах зображень патології. Самоконтрольований пошук зображень для гістології (self-supervised image search for histology) діє як пошукова система для зображень захворювання та має багато потенційних варіантів застосування, включаючи ідентифікацію рідкісних хвороб і допомогу клініцистам у визначенні пацієнтів, які, ймовірно, реагуватимуть на подібні методи лікування.

Майбутнє штучного інтелекту в медицині

Зростання доступності наборів даних у системі охорони здоров’я та медичних зображень служить трампліном, що сприяє прискоренню використання штучного інтелекту. Однак стримувальним фактором є те, що значна частина інформації у цій сфері залишається неструктурованою. Відповідно, багато масивів даних в охороні здоров’я не аналізуються і не використовуються.

Також більшість нових технологій ще належить перевірити в більш широких клінічних умовах. Але загалом штучний інтелект та машинне навчання вже доводять свою корисність як для постачальників медичних послуг, так і пацієнтів. Важливо підкреслити, що інструменти штучного інтелекту ніяким чином не замінюють лікарів, як і лікарі не дозволяють алгоритмам працювати і приймати рішення замість них.

Окрім наведених прикладів, штучний інтелект може застосовуватися для автоматизації процесів, управління доходами, ведення медичної документації тощо. Він також може аналізувати дані про відвідування, призначені препарати, лабораторні аналізи та процедури, що проводилися пацієнту в минулому.

Втім, для того щоб штучний інтелект став мейнстрімом в охороні здоров’я, потрібна широка трансформація сектора. Лікарням доведеться інвестувати в нові технологічні системи та підвищення кваліфікації персоналу. Їм потрібно буде реалізувати масштабні інтеграційні проєкти та зосередити свої зусилля на впровадженні цих технологій у свою щоденну клінічну практику.

Бажаєте завжди бути в курсі останніх новин фармацевтичної галузі?
Тоді підписуйтесь на «Щотижневик АПТЕКА» в соціальних мережах!