AI jest lepsze niż słaby lekarz, lecz nigdy tak dobre jak wybitny

Chyba zostało niewiele startupów, które w swojej innowacyjności nie polegają na sztucznej inteligencji (AI) lub jakimś z algorytmów maszynowego uczenia (ML). Wykorzystanie AI wydaje się „must have” dla inwestorów w ocenie potencjału. A dla innowatorów AI to chleb powszedni.

W zależności od specyfiki pracy i rozwiązywanego problemu, AI przyjmuje różne definicje: od matematycznych i statystycznych algorytmów uczenia maszynowego (ML), sieci neuronowych, analizy szeregów czasowych, analizy probabilistycznej po przetwarzanie językowe oraz klastrowanie danych. W praktyce, gdy dysponuje się odpowiednią ilością danych, mocami obliczeniowymi i wdrożonym algorytmem, to praktycznie każda wieloczynnikowa analiza może być tratowana jako analiza AI.

Gdy zapytałam ChataGPT po polsku „jak startupy wykorzystują AI?”, otrzymałam 10 popularnych zastosowań i przykładów:

Obsługa klienta – np. Intemedica
Personalizacja zakupów – np. Vue Storefront
Analizy predykcyjne trendów rynkowych – np. Neptune.ai
Wykrywanie oszustw na rynku transakcji bezgotówkowych – np. Nethone
Automatyzacja powtarzalnych zadań – np. Zowie
Wspieranie diagnostyki w medycynie – np. StethoMe
Przetwarzanie języka naturalnego (NLP) – np. Samurai Labs
Rozpoznawanie obrazów – np. Samurai Labs
Optymalizacja łańcucha dostaw – np. Synerise
Optymalizacja marketingu – np. Brand24

Czy AI sprawdza się w sektorze medtech?

Obecnie w sektorze medtech i medycynie, AI i ML przyjmuje najmniej samodzielną rolę w porównaniu z innymi sektorami. Mianowicie, wspiera w pracy specjalistę, a nie przejmuje w całości wykonywane przez niego zadania. Dlaczego? Od jakości danych i wykorzystywanych algorytmów zależy nie kolor i fason kolekcji ubrań, rodzaj muzyki nagłaśnianej w kawiarni czy efekty wizualne w grafikach, ale nasze zdrowie.

Mnogość danych zdrowotnych zgromadzonych na przestrzeni lat wydaje się idealnym fundamentem dla trenowania modelu sztucznej inteligencji w diagnostyce medycznej. Jednak głównym celem analizy masowych danych pozostaje otrzymanie spersonalizowanego wyniku. W sumie poza diagnozowaniem obrazowym opartym na AI, istnieje wewnętrzna sprzeczność pomiędzy zakresem danych, na których trenowany jest model, a pożądanymi efektami jego wykorzystania. Dane „karmiące” modele z reguły pochodzą z tysięcy, jak nie milionów obserwacji pacjentów z przeszłości oraz z innej lokalizacji geograficznej i środowiska niż poddający się terapii pacjent. Dobrze się to sprawdza w standardowych przypadkach medycznych. Jednak modele niewystarczająco analizują sytuację zdrowotną pacjentów, wykazujących niestandardowe objawy lub wymagające niestandardowych terapii.

Inne AI dla lekarzy, inne AI dla użytkowników aplikacji zdrowotnych

Wykorzystanie sztucznej inteligencji w sektorze medtech można funkcjonalnie podzielić na dwa nurty. Pierwszy to ten, z którym obcujemy bezpośrednio poprzez samodzielne wykorzystanie aplikacji zdrowotnych lub aplikacji powiązanych z sensorem parametrów fizjologicznych (wearables). Drugi, bardziej diagnostycznie zaawansowany, to modele AI/ML wykorzystywane klinicznie przy zabiegach medycznych lub operacjach. To zupełnie inne modele i inne dane.

Dla kobiecej aplikacji zdrowotnej problematycznym do analizy okazuje się na przykład cykl trwający 60 dni lub krwawienie trwające ponad 10 dni. Model AI, który nie uczył się na danych kobiet z zaburzeniami cyklu lub w okresie przed menopauzalnym, inaczej zinterpretuje dane niż model poddany podobnym przypadkom. I tutaj tkwi sedno.

Modele AI zasilające aplikacje zdrowotne bazują na masie danych pozyskanych z reguły od standardowych pacjentek. Bez poszerzania ich o własne, bieżące parametry fizjologiczne nigdy nie osiągnie się satysfakcjonującej precyzji predykcji. Dodatkowo, użytkowniczka aplikacji nigdy nie ma pewności, czy indywidualne objawy wprowadzone do aplikacji wpływają rzeczywiście na ścieżkę decyzyjną w ML w analizie jej zdrowia. O tym, czy dodawane objawy wpływają na wyniki analizy, wie tylko ten, który ten algorytm wdrożył.

Paradoksalnie, najpopularniejsze aplikacje zdrowia kobiecego – np. Flo Health – informują w swoim regulaminie, że korzystając z aplikacji użytkowniczka:

zobowiązuje się nie korzystać z prognoz obejmujących okno płodności lub owulację jako formy antykoncepcji lub zwiększenia szansy na zapłodnienie;
zobowiązuje się nie wykorzystywać danych, w celu diagnozowania, leczenia lub zwalczania objawów jakichkolwiek chorób i schorzeń.

Z kolei kliniczne modele AI, które dane mają wysoką jakość i zawierają w sobie tzw. zdrowotne „edge casy”, pozostają w fazie eksperymentu. Na przykładzie wspomagania technologii rozrodu wskazuje się, że półautomatyczna ocena stanu zdrowia reprodukcyjnego w postaci dwustronnego chat bota AI skraca czas wypełniania koniecznej dokumentacji medycznej o połowę. Jednak wdrożenie takiego narzędzia jako powszechnego punktu startowego oceny płodności pozostaje w fazie naukowego eksperymentu z racji regulacji prawnych wyrobu medycznego dla oprogramowania.

Ponadto, także tutaj ujawnia się słabość retrospektywnego modelu AI. W badaniu naukowym model ML wykazał duży potencjał w personalizacji dawkowania hormonu FSH w trakcie stymulacji hormonalnej przy in vitro. Personalizacja optymalnego poziomu podawanych hormonów w trakcie terapii leczenia bezpłodności jest Złotym Gralem tego procesu. Jednak niestety zastosowany już na innej grupie pacjentek nie wykazywał takiej skuteczności. Pozostaje pytanie, na ile ma to związek z lokalizacją geograficzną pacjentek a na ile z innymi zmiennymi modelu?

Podsumowując, AI wykazuje ogromny potencjał w ocenie jakości zdrowia. Może być źródłem zwiększonej efektywności w wypełnianiu dokumentacji oraz wejdzie w buty specjalistów w wydawaniu standardowych zaleceń przy częstych objawach chorobowych lub zaburzeniach. Jednak z „edge casem”, jakim jest obniżona płodność kobiety, która jest zawsze zawiłą i personalną podróżą po wielu specjalizacjach lekarskich AI nie poradzi sobie bez wysokiej jakości indywidulanych danych oraz doświadczenia i wizji dobrego specjalisty.

Aleksandra Staniszewska

Założycielka i CEO MY OVU, posiada doktorat z finansów i obecnie wykłada na SGH, stypendystka prestiżowego programu Fulbrighta na Columbia University w Nowym Jorku. Prywatnie mama trzech córek, które są jej największą inspiracją. Wierzy, że wiedza o zdrowiu reprodukcyjnym jest kluczem do kobiecej siły i wspiera efektywne podejmowanie decyzji dotyczących planowania rodziny – niezależnie od tego, jakie będą. Ważne, by były świadome i własne. Po godzinach pasjonatka nurkowania i trekkingu po mało uczęszczanych szlakach górskich.