Umělá inteligence (AI) je schopnost strojů napodobovat lidské schopnosti, jako je uvažování, učení se, plánování nebo kreativita. Nárůst objemu zdravotnických dat, včetně podrobných elektronických zdravotních záznamů, zobrazovacích metod, genomických dat, biometrických údajů a behaviorálních dat, v kombinaci s pokrokem v AI, vytváří obrovské příležitosti v mnoha oblastech zdravotnictví. Zároveň ale vyžaduje opatrnost, protože s sebou nese i nová rizika.
Každý, kdo byl někdy v roli pacienta, zažil situaci, kdy lékař během vyšetření většinu času věnoval psaní dokumentace na počítači. AI nástroje představují více než jen prostou digitalizaci – mají schopnost automatizovat administrativní úkoly, jako je vedení zdravotnické dokumentace, což umožní zdravotnickému personálu věnovat více času pacientům. Již dnes existují pokročilé nástroje, které poslouchají konverzaci mezi lékařem a pacientem a automaticky zaznamenávají potřebné informace, čímž snižují administrativní zátěž. U zdravotnického personálu vedou k 70% snížení pocitu vyhoření a únavy, přičemž 79 % lékařů uvádí, že tyto nástroje zlepšují kvalitu dokumentace. Navíc se o 50% zkracuje čas strávený vytvářením dokumentace, což lékařům a sestrám umožňuje věnovat více času přímé péči o pacienty. Implementace podobných AI-asistentů by zdravotnickému personálu umožnila vykonávat práci, kvůli které si medicínu jako svou profesi původně vybrali.
Naléhavost zavádění AI do zdravotnictví zvyšují i demografické změny. Populace stárne a počet starších lidí, kteří potřebují zdravotní péči, roste. Současně však klesá počet mladších generací, které by mohly nahradit stávající zdravotnický personál. Mnohé zdravotnické systémy již dnes čelí personální krizi. Snížení administrativní zátěže díky AI technologiím tak může pomoci řešit nedostatek pracovních sil ve zdravotnictví po celém světě.
AI systémy jako Med-PaLM a jeho pokročilejší verze Med-PaLM 2 jsou velké jazykové modely (LLM) speciálně navržené pro zdravotnické aplikace. Již dnes dosahují v diagnostice úrovně klinického experta a mohou poskytovat personalizovaná doporučení na základě individuálních údajů o pacientech. To může zkrátit dobu potřebnou k diagnóze a zahájení léčby. Studie ukazují, že LLM jsou schopny diagnostikovat pacienta s přesností srovnatelnou s lékaři (Williams 2024) - to však vyžaduje relativně vysokou kvalitu dat, např. díky strukturovaným elektronickým pacientským záznamům. Zajímavé je, že když američtí lékaři porovnávali odpovědi modelu Med-PaLM 2 s odpověďmi napsanými lékaři (bez znalosti jejich původu), výrazně upřednostňovali odpovědi modelu v 8 z 9 hodnocených dimenzí, včetně přesnosti, schopnosti lékařského uvažování a nízké pravděpodobnosti způsobení újmy. (Howell 2024)
I v laické populaci rozšířené ChatGPT je schopno nejen generovat lékařské odpovědi, ale také kontrolovat svou vlastní práci i práci lidských expertů a upozorňovat na chyby a nesrovnalosti (s jistými omezeními, ke kterým se dostaneme). AI technologie, pokud jsou správně implementovány a používány, mají tak potenciál demokratizovat přístup k lékařských znalostem, zejména mezi lidmi, kteří nemají přístup k adekvátní zdravotní péči. Mobilní zařízení s jednoduchými aplikacemi jsou totiž dnes prakticky všudypřítomná, a to i v těch nejchudších a nejodlehlejších místech. (Lee, Goldberg, Kohane, 2024) Přesto je potřeba zvažovat i možná rizika delegace rozhodování na velké jazykové modely, které ‘reálnou’ inteligencí nedisponují.
AI přináší inovace a efektivitu do rané fáze vývoje léků - od pochopení struktury virů po zaměření se na slibné inovativní molekuly. Tímto způsobem může AI zkrátit čas potřebný k objevení nových léků z let na měsíce (CB Insights Research 2024). Podle nedávné analýzy úspěšnosti klinických studií u molekul objevených pomocí AI, z 24 molekul, které dokončily první fázi klinických zkoušek do prosince 2023, bylo 21 úspěšných. To naznačuje úspěšnost 80–90 %, což je výrazně vyšší než historický průměr úspěšnosti v tomto odvětví, který se pohybuje mezi 40 % a 65 % (Jayatunga 2024).
AI technologie může pomoci i s dalšími částmi klinického výzkumu. Dokáže analyzovat obrovské množství literatury, identifikovat souvislosti a extrahovat klíčové informace. Podle konzervativních odhadů se náklady na přečtení všech relevantních záznamů jednoho pacienta pohybují mezi 150 a 1 000 amerických dolarů(Lee, Goldberg, Kohane, 2024). Co kdyby stačilo nechat velký jazykový model projít celý elektronický zdravotní záznam, vyhledat vhodné pacienty a vyloučit ty, kteří nesplňují vstupní kritéria dané studie? Takový nástroj by mohl zkrátit dobu nutnou na dokončení studie o měsíce. Přitom se odhaduje, že zpoždění o jeden měsíc může farmaceutickou společnost stát 600 tisíc až 8 milionů dolarů. Kumulativní dopad by se mohl měřit nejen v milionech dolarů ušetřených na zvýšené efektivitě, ale také ve zkrácení intervalu, než se léčba dostane ke konečnému regulačnímu rozhodnutí ano/ne, které přímo ovlivní životy pacientů. Automatizace procesu prověřování a získávání relevantních údajů z dokumentů nebo lékařských záznamů tak může výrazně zlepšit efektivitu klinického výzkumu. Společnost IBM Watson například vyvinula systém pro párování klinických studií (Clinical Trial Matching), který využívá velké množství strukturovaných i nestrukturovaných dat z elektronických zdravotních záznamů pacientů a dostupné klinické studie k vytváření podrobných profilů klinických nálezů, které se porovnávají s kritérii pro zařazení do studie (Zhavoronkov 2020).
Další možností může být i využití velkých jazykových modelů ke zjednodušení odborné terminologie. Již dnes umí GPT-4 velmi dobře překládat odborný text do laického jazyka. Překlad pomocí GPT-4 dokáže zvýšit skóre srozumitelnosti na 81 % oproti 13 % u zdravotnické dokumentace psané lékařem (Zaretsky 2024). Účastníci studií tak mohou lépe porozumět cílům, potenciálním rizikům a přínosům klinických studií. Velké jazykové modely mohou také provádět analýzu sentimentu, což pomáhá identifikovat problematické oblasti, řídit očekávání účastníků nebo hodnotit celkovou odezvu na studii (Lee, Goldberg, Kohane, 2024).
Implementace AI v medicíně přináší řadu etických a regulačních výzev. Je nezbytné zajistit, aby AI systémy byly bezpečné, efektivní a spravedlivé. To zahrnuje řešení předsudků v datech a zajištění, že AI systémy budou fungovat v souladu s etickými normami a regulačními omezeními. Dále je nutné zajistit bezpečnost pacientských dat, ochranu před neoprávněným přístupem a otázku odpovědnosti. Právě zdravotnictví je odvětví, kde jsou náklady spojené s únikem dat nejvyšší. Podle nové analýzy IBM dosahují 10 milionů dolarů, což je výrazně více než například 6 milionů dolarů ve finančním sektoru, který je na druhém místě.
Ačkoliv má AI obrovský potenciál, je důležité si uvědomit její omezení a rizika. Jedním z hlavních problémů je tendence LLM (například GPT-4) vytvářet "halucinace" – informace, které nejsou přesné nebo spolehlivé. Do jisté míry je lze elimininovat použitím tzv. AI kontrolora, který má schopnost výstup samotného AI verifikovat. Nicméně v medicíně, kde mohou chyby znamenat rozdíl mezi životem a smrtí, je zásadní, aby používání AI (alespoň v dohledné době) probíhalo pod dohledem lidských odborníků.
AI v medicíně je často přirovnávána k samořiditelným autům. Jakmile se samořiditelná auta stanou standardem, jistě zachrání tisíce životů ročně. Přesto každé jednotlivé úmrtí způsobené strojem bude vyvolávat otázky a zpochybňovat celou myšlenku. Podobné riziko existuje i zde.
Integrace AI do zdravotní péče vyžaduje vytvoření nového modelu spolupráce mezi lékaři, pacienty a umělou inteligencí. Tento model, autory knihy The AI Revolution in Medicine označovaný jako "symbiotická medicína," znamená, že AI bude sloužit jako doplněk lidských odborníků, nikoli jejich náhrada. Lékaři jej budou moci využívat k získávání dalších názorů na diagnózu či léčbu, zatímco pacienti budou mít přístup k personalizovaným informacím a vzdělávacím materiálům. Tento nový model spolupráce by mohl být označován jako partnerství lékař-pacient-AI asistent (Lee, Goldberg, Kohane, 2024).
Přestože AI zatím není schopna nahradit samotné lékaře, její role jako podpůrného nástroje je nepopiratelná. Pomocí této technologie můžeme zlepšit efektivitu zdravotní péče, snížit administrativní zátěž, zvýšit dostupnost kvalitní péče pro širší populaci i podpořit klinický výzkum. K dosažení jejího plného potenciálu je však nutné zajistit její pečlivou implementaci a vyvinout jasné protokoly a směrnice pro její bezpečné a efektivní používání. Tento úkol by měly převzít regulační orgány a odborné společnosti ve spolupráci s technologickými společnostmi, a to prostřednictvím tvorby regulačních rámců, standardizace protokolů a vývoje nástrojů pro monitorování a řízení rizik. Z odborného pohledu může být v českém prostředí relevantním partnerem v diskuzi recentně vzniklá odborná společnost ČLS JEP - Česká společnost pro umělou inteligenci a inovativní digitální technologie v medicíně.
AI tak představuje revoluční nástroj, který může významně přispět k řešení současných výzev ve zdravotnictví a zajistit lepší budoucnost pro všechny pacienty. Tato technologie se bude bezesporu dále vyvíjet a zlepšovat, bude neuvěřitelně užitečná a výkonná. A je na nás, abychom tuto příležitost využili k vytvoření efektivnějšího a dostupnějšího zdravotního systému pro budoucí generace.
CB Insights Research (2020). Healthcare AI Trends To Watch
CB Insights Research (2024). 20 tech trends to watch closely in 2024
Howell, M. D., Corrado, G. S., & DeSalvo, K. B. (2024). Three Epochs of Artificial Intelligence in Health Care. JAMA, 331(3), 242-244. doi:10.1001/jama.2023.25057
KP Jayatunga M, Ayers M, Bruens L, Jayanth D, Meier C. How successful are AI-discovered drugs in clinical trials? A first analysis and emerging lessons. Drug Discovery Today. 2024;29(6):104009. doi:10.1016/j.drudis.2024.104009
Lee, P., Goldberg, C., & Kohane, I. (2024). The AI Revolution in Medicine: GPT-4 and Beyond.
Singal, G., & Jena, A. B. (2024). Opinion: It’s not just hype. AI could revolutionize diagnosis in medicine. Los Angeles Times. Published July 9, 2024. https://www.latimes.com/opinion/story/2024-07-09/artificial-intelligence-medicine-diagnosis
Williams, C. Y. K., Zack, T., & Miao, B. Y. (2024). Use of a Large Language Model to Assess Clinical Acuity of Adults in the Emergency Department. JAMA Netw Open, 7(5), e248895. doi:10.1001/jamanetworkopen.2024.8895
Zaretsky J, Kim JM, Baskharoun S, et al. Generative Artificial Intelligence to Transform Inpatient Discharge Summaries to Patient-Friendly Language and Format. JAMA Network Open. 2024;7(3):e240357. doi:10.1001/jamanetworkopen.2024.0357
Zhavoronkov A, Vanhaelen Q, Oprea TI. Will Artificial Intelligence for Drug Discovery Impact Clinical Pharmacology? Clin Pharmacol Ther. 2020;107(4):780-785. doi:10.1002/cpt.1795
