Veštačka inteligencija i novo lice medicine

 

Tehnologije koje svakodnevno koristimo, od pretraživača do reprodukovanja muzičkih usluga - prepoznaju obrasce u našem ponašanju i, zajedno sa ogromnim količinama podataka miliona drugih pojedinaca, daju predviđanja šta svako od nas može želeti u budućnosti. Moć podataka je transformisala gotovo svaku industriju, personalizujuću naša iskustva na različitim platformama u mnogim aspektima našeg života. Ipak, u zdravstvu smo samo zagrebali površinu.

Digitalne zdravstvene platforme poput nosivih uređaja i mobilnih aplikacija na pametnim telefonima mogu nam pomoći da prikupimo više informacija i takođe uhvatiti novu kritičnu perspektivu: glas pacijenta. Na ovaj način pacijenti prikupljaju detaljne informacije o svojim simptomima, teretu koji sa sobom nosi terapija, kvalitetu života i drugim iskustvima, aktivno i pasivno dokumentujući svoje zdravlje detaljno i u realnom vremenu, na način koji prevazilazi standardne testove koji se mogu obaviti u ordinaciji njihovog lekara. Nakon prikupljanja ogromne količine podataka, postavlja se pitanje adekvatne obrade i iskoristivosti. Upravo u ovom koraku, veštačka inteligencija nam otvara novu perspektivu.

U medicinskoj literaturi termin „veštačka inteligencija“ se često koristi naizmenično sa mašinskim učenjem. Međutim, postoji jasna razliku u definiciji. Veštačka inteligencija se zasniva na razumevanju i razvijanju sistema koji oponašaju čovekovu inteligenciju, poput rešavanja problema i učenja, dok mašinsko učenje automatski otkriva obrasce unutar podataka i pruža mogućnost računarima da uče bez eksplicitnog programiranja. Zahvaljujući svojim mogućnostima, privlače pažnju i u zdravstvu, kao katalizatori prilikom istraživanja ali i alati za unapređenje kliničke prakse u pogledu dijagnostike, prognoze i lečenja bolesti.

Iskoristivost veštačke inteligencije u hematologiji je u porastu, a najveći potencijal postoji u domenu diferencijalne dijagnoze, odabiru terapije, predikciji rizika, redukciji medicinskih grešaka i poboljšanja produktivnosti. Recimo, opisana je preciznost u stratifikaciji faktora rizika kod hronične limfocitne leukemije sa snažnim prognostičkim potencijalom. Na ovaj način je olakšano donošenje odluke o početku lečenja. Takođe, zahvaljujući principima mašinskog učenja omogućena je preciznija predikcija ishoda lečenja, kao na primer preživljavanje nakon transplantacije kod multiplog mijeloma.  Veliki korak ostvaren je i na polju radiologije i patologije. Opisani su primeri kod akutne mijeloidne leukemije i multiplog mijeloma, gde uz pomoć veštačke inteligencije omogućena je precizna klasifikacija dobijenih nalaza i postavljanje dijagnoze hematoloških maligniteta.

Iako trenutno postoje određena ograničenja, u pogledu bezbednosti podataka, straha od kvarova i nedostatka ljudskog nadzora, možemo očekivati da će veštačka inteligencija postati sastavni deo kliničke prakse u narednim godinama. Deo zdravstvenog sistema u kome nakon prijema pacijenta sa uvećanim limfnim žlezdama, alat zasnovan na principima veštačke inteligencije na osnovu krvne slike brzo ukazuje na dijagnozu difuznog B-krupnoćelijskog limfoma, a kasnije na osnovu kliničkih karakteristika i genomskog sekvencioniranja predlaže terapijske opcije i kliničke studije, rangiranjem na osnovu stepena pouzdanosti.

Veštačka inteligencija poseduje veliki potencijal za pružanje precizne i brze pomoći prilikom dijagnostikovanja i analize podataka, a u svakodnevnoj kliničkoj praksi ušteda minuta može značiti spasavanje života.

Reference:

  • Shouval R et al. Machine learning and artificial intelligence in haematology. British Journal of Haematology, 2021, 192, 239–250
  • Radakovich N et al. Machine learning in haematological malignancies. Lancet Haematol 2020; 7:e541-50