Medycyna przyszłości możliwa jest już dzisiaj

Michał Gikowski: Cofnijmy się do roku 1854 i epidemii cholery w Londynie. Młody lekarz John Snow wykorzystał coś, co nazwalibyśmy dziś analizą danych, by potwierdzić, że choroba rozprzestrzenia się za pośrednictwem kilku studni. To początek medycyny opartej na danych?

Jose Sousa, architekt AI, lider zespołu Personal Health Data Science w Sano Centrum Medycyny Obliczeniowej: Oraz medycyny opartej na dowodach. Snow zbierał informacje z okolic różnych studni, aby zrozumieć, jak rozprzestrzenia się choroba i dlaczego skupia się wokół jednych studni, a nie innych. Odkrył coś, co nazwalibyśmy dziś korelacjami – zjawiska towarzyszące zasadniczemu problemowi i przekładające się na niego. Przykładem były zanieczyszczenia wyrzucane w pobliżu studni, które przedostawały się do wody. Myślę, że możemy nazwać to pierwszym przypadkiem zastosowania danych i dowodów nie tylko w medycynie, ale w procesie decyzyjnym w kwestiach zdrowia publicznego. Trzeba było znaleźć rozwiązanie, które dotyczyło nie tylko samej wody, ale również zachowania ludzi.

Minęło 170 lat. Mamy teraz do dyspozycji o wiele więcej danych i nowoczesne narzędzia do ich analizy. W jakim stopniu dzisiejsza medycyna się na nich opiera?

To zależy od tego, jak spojrzymy na problem. Czy tworzymy te zaawansowane narzędzia, aby dostarczać danych do podejmowania decyzji, czy chcemy za ich pomocą zmieniać proces decyzyjny? Uważam, że to dwie różne rzeczy, które często są ze sobą mylone. Nie jesteśmy bliscy zastąpienia człowieka w procesie podejmowania decyzji nawet przy ogromnych ilościach danych i wielkiej mocy obliczeniowej, jaką dysponujemy. Poza tym nie jest to naszym celem. Możemy natomiast dostarczać coraz lepszych dowodów potrzebnych w podejmowaniu decyzji przez człowieka. Na tym skupia się mój zespół.

Zajmujemy się badaniem ludzkiego procesu podejmowania decyzji nie z perspektywy neurologicznej – czyli poprzez analizę tego, co dzieje się w mózgu – czy na podstawie wielkich zbiorów danych, ale pod kątem tego, jak decydujemy w sytuacji niepewności. Medycyna jest obszarem, gdzie nigdy nie da się wyeliminować wszystkich niewiadomych. Nie jesteśmy w stanie zmierzyć wszystkiego. Wiele decyzji musi być więc podejmowanych na podstawie wiedzy eksperckiej jakiegoś specjalisty, a tego nie da się uchwycić w podejściu skupiającym się wyłącznie na danych. Jeśli chcemy proces podejmowania decyzji udoskonalić, to najpierw musimy go zrozumieć i nauczyć się go naśladować.

Jednym z największych problemów jest to, że modelujemy świat tak, aby pasował do naszych narzędzi, a nie opracowujemy narzędzia tak, aby pasowały do świata, który nas otacza. Jak mawiał mój profesor, jeśli jedynym narzędziem, jakie masz, jest młotek, wszystko zaczyna wyglądać jak gwóźdź.

Co jest charakterystycznego w podejściu Waszego zespołu?

Wróciliśmy do podstaw i do nauki kognitywnej. Jest kilka teorii, które obecnie badamy. Jedną z nich jest teoria „dwóch systemów” czy „dwóch procesów”. Mówi ona, że proces podejmowania decyzji następuje równolegle w dwóch różnych systemach poznawczych. Jeden z nich wykorzystuje wiedzę nabytą wcześniej. Jeśli do obserwowanej sytuacji pasuje wcześniejsze doświadczenie, nie zastanawiasz się nad tym, jaką decyzję podjąć, lecz działasz na podstawie emocji. Jeśli widzisz psa, a boisz się psów, nie będziesz zastanawiać się nad tym, czy uciekać. Po prostu zaczniesz uciekać.

Daniel Kahneman, psycholog, który zdobył w 2002 r. Nagrodę Nobla w dziedzinie ekonomii, opisuje drugi system jako system angażujący kontrolowane i świadome procesy rozumowania. Odpowiada on za powolny i racjonalny proces podejmowania decyzji, co pozwala na przeprowadzenie pogłębionej analizy i w konsekwencji daje okazję do bardziej przemyślanego działania.

Używając tego rozróżnienia, którego źródła znajdujemy w teorii psychologicznej dotyczącej ludzkiego umysłu, możemy także różnicować sposoby pracy systemów obliczeniowych. Mój zespół pracuje nad rozwiązaniem, które korzystając ze zautomatyzowanego procesu decyzyjnego może dokonywać takiego szybkiego wglądu w dane, na przykład do odkrywania wzorców.

Jednak wiemy przecież, że kontekst medyczny, w jakim rozwijane są nasze technologie, wymaga także, a może przede wszystkim, rozumowania bardziej złożonego, biorącego pod uwagę wiele zróżnicowanych danych. W pracy, która zostanie opublikowana w tym miesiącu, opisujemy, jak można wykorzystać abstrakcje, w których scalamy ze sobą różne źródła danych. Opracowaliśmy teorię, z której wynika, że reprezentacja wiedzy oparta na takich abstrakcjach jest wystarczająco dobra, by „maszyna” była w stanie tworzyć scenariusze na przyszłość, czyli dokonywać predykcji i planować.

Jak może się to przełożyć na praktyczne zastosowania w medycynie?

Sano Centrum Medycyny Obliczeniowej powstało z myślą o poszukiwaniu rozwiązań, które będą w stanie realnie zmieniać opiekę medyczną. Mamy zespół zajmujący się tzw. translacją, czyli przekładaniem technologii na innowacje medyczne. Kasia Nicholson i Dominik Czaplicki działają w tym obszarze m.in. poprzez wspieranie rozwoju technologicznej gotowości wdrożeniowej. Poszukują także chętnych do współpracy lekarzy, radiologów, rozwijają relacje ze szpitalami, z branżą farmaceutyczną, diagnostyczną, innymi jednostkami naukowymi czy biznesem. Mamy już konkretne przykłady wynikające z tych współprac. W moim zespole to badania w obszarze diagnostyki nowotworów oraz badania, które rozpoczęliśmy w tym roku w Wojewódzkim Szpitalu Rehabilitacyjnym w Ameryce pod Olsztynkiem, gdzie zajmujemy się procesami leczenia alergii u dzieci.

Alergie są schorzeniem, które nie jest bardzo dobrze rozpoznane, dane są bardzo zaszumione, a w opracowywaniu terapii jest wiele niepewności, bo na alergie może wpływać wiele czynników, których często nie jesteśmy w stanie zrozumieć. Dzieci to szczególna grupa, często nie są w stanie samodzielnie nazwać czy zaobserwować objawów choroby. Gromadzone dane pochodzą z różnych źródeł – to wywiady z rodzicami, ogromnie cenny wywiad pielęgniarski, wywiad lekarski i dane z maszyn – różnych urządzeń badających np. wydolność oddechową, wyniki testów z krwi lub skórnych. Mój zespół chce zrozumieć kontekst tych danych, zwyczajną codzienność szpitalną. Pomaga nam w tym świetna ekipa ze szpitala, na czele z Markiem Mikołajczykiem, kierownikiem Oddziału Alergologiczno-Rehabilitacyjnego, oraz Romanem Lewandowskim, dyrektorem szpitala. Mamy też wsparcie zespołu pielęgniarek i działu IT. Szpital w Ameryce jest bardzo otwarty i innowacyjny.

Wasz system pomaga stawiać diagnozę?

Nasze podejście polega na tworzeniu modeli opartych np. na danych laboratoryjnych czy wcześniej postawionych diagnozach. Modele mogą podpowiadać lekarzom, jakie są korelacje między danymi i na czym należy się skupić. Udostępniamy system pomagający podejmować decyzje w oparciu o dane historyczne. Chcemy też wykonać następny krok, który pozwoli stworzyć modele analizy optymalizujące cały proces diagnostyczny. Dzięki temu będziemy mogli skrócić czas wykrywania alergii. Mamy nadzieję, że uda się nam wypracować optymalne ścieżki diagnostyczne dostosowane do konkretnych schorzeń, a nawet konkretnych pacjentów. Te optymalizacje to nie tylko nowa wiedza, ale także oszczędność czasu i kosztów szpitala.

Chcemy zwiększać prawdopodobieństwo tego, że terapia będzie miała najlepszy z możliwych rezultatów w jak najszybszym czasie.

Wspomniał Pan jeszcze o projekcie dotyczącym nowotworów.

Nowotwory to schorzenia obecnie „silosowane”. Diagnoza mówi o raku płuc, piersi itd. Ale niektóre symptomy raka są wspólne dla różnych nowotworów.

Pracujemy ze szpitalem w Portugalii i staramy się zrozumieć to, jak dobrać najlepsze terapie, traktując nowotwory z szerokiej perspektywy. Jeśli podam pacjentowi dany lek, to co się stanie? Czy i kiedy zobaczymy przerzuty do kości lub do wątroby? Staramy się stworzyć podstawy dla procesu decyzyjnego, które pozwolą zrozumieć, jakie scenariusze są możliwe w długim terminie. Próbujemy też sprawdzić, czy dane kliniczne, które gromadzi lekarz rodzinny lub szpital, mogą na wcześniejszym etapie posłużyć jako podstawa do podejmowania decyzji. Chcielibyśmy w tak dużym stopniu, jak to możliwe, przesunąć proces decyzyjny z fazy leczenia na fazę prewencji.

Dajecie lekarzom rodzaj narzędzia do automatycznego przewidywania przyszłości. Podejmiemy daną decyzję, możemy spodziewać się danych rezultatów.

Tak, to nasz ostateczny cel. Mamy nadzieję, że z jednej strony procesy będą automatycznie dostarczać danych historycznych, a lekarz czy lekarka, korzystając z własnego rozumowania, może powiedzieć: dobrze, jeśli podejmę daną decyzję, jest kilka prawdopodobnych scenariuszy rozwoju wypadków. Dostarczamy personelowi medycznemu zobiektywizowaną wiedzę, która w całym systemie jest bardzo rozproszona. Lekarze będą mogli uczyć się od siebie nawzajem, automatycznie dzielić wiedzą i doświadczeniami.

System może uczyć się ze wszystkich przypadków, do których jest wykorzystywany.

Takie jest założenie. Dlatego ostatnie dwa lata zainwestowaliśmy w tworzenie procesu tworzenia abstrakcji, który pozwala nam w jednym miejscu integrować dane z wielu źródeł – różnych szpitali czy badań laboratoryjnych. Problemem w uczeniu maszynowym, które ma zaowocować powstaniem dobrego modelu podejmowania decyzji, jest to, że jeśli mamy dane z jednego laboratorium, a następnie spróbujemy pobrać te same dane z innego laboratorium, to będą się one różnić. Nie wiemy np., jak precyzyjny jest sprzęt używany gdzie indziej. Można do problemu podejść, korzystając tylko z tych danych, które są znormalizowane we wszystkich laboratoriach, ale w ten sposób zapominasz o innych, które mogłyby być istotne. Filtrujesz rzeczywistość. My staramy się tego uniknąć.

Wydaje mi się, że ten model może też pomóc w szkoleniu młodych lekarzy. Jeśli możemy symulować to, jak reaguje organizm pacjenta, może to być cenne narzędzie edukacyjne.

Rzeczywiście, można wykorzystać te informacje do edukacji lekarzy. Sano prowadzi warsztaty dla lekarzy i studentów medycyny. Chcemy też edukować pacjentów. Powiedzieć im: wykorzystujemy dane z twojego szpitala, nie dane zebrane gdzieś na drugim końcu świata. Dane, z których korzystamy, odnoszą się do twojego konkretnego przypadku.

Problemem w procesach decyzyjnych w medycynie jest to, że ludzie nie czują się ich częścią. Jeśli dostarczymy im odnoszących się do nich danych, pochodzących z ich środowiska, to pomoże im to zrozumieć, co mogą zrobić, by uniknąć konkretnych problemów, które są powszechne w ich otoczeniu. Lekarze powinni dostosowywać się do środowiska, w którym pracują, a nie tylko stosować znormalizowane podejścia z podręcznika. Muszą zrozumieć, w jaki sposób środowisko wpływa na pacjenta. To coś, co staramy się ułatwić.

Jednym z wielu wskazywanych problemów we współczesnej medycynie jest to, że pacjenci często czują się traktowani nie jak ludzie, ale jak numery. Pewnym paradoksem jest to, że podejście oparte na danych może zapewnić im bardziej spersonalizowane relacje z lekarzem.

To prawda. Chcemy, by pacjent był aktywnym podmiotem, pomagającym opiece zdrowotnej rozwiązywać prawdziwe problemy. Można powiedzieć, że medycyna obliczeniowa przywraca równowagę w relacji pacjent-lekarz, bo to dzięki technologii lekarz będzie mógł poświęcić więcej uwagi choremu, a pacjent będzie miał większy wpływ na proces powrotu do zdrowia.

Jak to będzie wyglądać z perspektywy pacjenta? Idę do lekarza, dostaję diagnozę i receptę – czy poza tym dostaję aplikację, która mówi mi, co się ze mną dzieje? Jak wchodzę w interakcje z systemem?

Tworzymy kilka prototypów, w tym tego typu aplikacji. W idealnym scenariuszu idziesz do szpitala z danymi symptomami, potem system AI tworzy kilka modeli na podstawie danych, którymi dysponuje szpital. Lekarz będzie mógł zobaczyć, że z pewnym prawdopodobieństwem symptomy wskazują na chorobę X. I będzie mógł przepisać terapię bądź zamówić dodatkowe badania, ale jednocześnie da pacjentowi aplikację szpitala, która dostarczy choremu informacji o stanie jego zdrowia i ścieżce terapeutycznej. Pacjent będzie mógł także aktualizować różne informacje o swoim stanie, co z kolei wpłynie na prognozy modelu. A ponieważ korzystamy z wyabstrahowanych informacji, możemy łatwo dzielić się tymi danymi z innymi lekarzami bez martwienia się o RODO.

Porozmawiajmy o zaufaniu. Dla wielu ludzi pierwszym kontaktem z systemami opartymi na sztucznej inteligencji były takie aplikacje jak ChatGPT. I jedną z pierwszych rzeczy, jakich się o nich dowiedzieli, jest to, że te systemy czasem zmyślają. Na ile powinniśmy ufać tym technologiom?

Nasze badania pokazują, że sposobem na budowę zaufania jest medycyna oparta na dowodach oraz personalizacja. W naszym przypadku wyzwaniem nie są halucynacje systemu, tak powszechne w dużych modelach językowych, ale uczynienie modeli, które tworzymy, bardziej przejrzystymi, wyjaśnialnymi. Nie możesz zaufać czemuś, czego działania nie rozumiesz. Jak powiedziałem na początku, wyróżniamy się tym, że skupiamy się na procesie podejmowania decyzji. Tworzymy coś na kształt drzewa decyzyjnego, które pokazuje, jak model wybiera różne cechy i podejmuje decyzje. Powinniśmy kłaść duży nacisk właśnie na wyjaśnialność procesu decyzyjnego, choć nie wszystko w ludzkich decyzjach jest racjonalne.

Pandemia była wielką próbą dla każdego aspektu opieki zdrowotnej. Jak odbiła się na badaniach nad medycyną obliczeniową?

Myślę, że z perspektywy AI był to pierwszy, brutalny kontakt z rzeczywistością. Byłem częścią europejskiego zespołu skupiającego badaczy i ekspertów z różnych dziedzin, analizujących pandemię z wielu perspektyw. Zarządzałem zespołem zajmującym się mobilnością i nauką o danych. Zrozumieliśmy, że wciąż mamy problemy z AI. Problematyczne było, po pierwsze, zbieranie danych. Po drugie, niewykorzystywanie danych w sposób, w jaki szkolono modele. Np. podczas pandemii  modele trenowane były na obrazach płuc, a potem odkryto, że proces klasyfikacji nie był prawidłowy, ponieważ potrzebne były dodatkowe informacje. To była pierwsza rzeczywista próba dla AI. Właśnie dlatego nie wierzę, że problemy rozwiążemy wyłącznie dzięki większej ilości danych i większej mocy obliczeniowej. Sądzę, że kluczem jest zrozumienie procesu podejmowania decyzji, odtworzenie go w formie cyfrowej, co może zwiększyć poziom naszej wiedzy o rzeczywistości. Pozwolić nam na podejmowanie decyzji na podstawie lepszych danych. Ale mimo ogromnej ilości danych, które posiadamy, nie jesteśmy bliscy zupełnego zautomatyzowania tego procesu.

Tyle że medycyna wszędzie na świecie ma bardzo przyziemne problemy. W większości krajów samo znalezienie lekarza, który cię przyjmie, bywa wyzwaniem. Narzędzia, które rozwijacie, mogą w tym pomóc?

Można na to spojrzeć z różnych perspektyw. Z jednej strony – czy lekarze są dostępni i gdzie ich znaleźć. Z drugiej – czy lekarze są obciążeni opieką nad pacjentami, którzy nie potrzebują aktualnie ich uwagi. Technologia może pomóc szpitalom zrozumieć, gdzie mają wąskie gardła. Jak lepiej zarządzać zasobami? Jak usprawnić logistykę? Jest wiele obszarów, w których można wprowadzić zmiany, zaczynając od elektronicznej dokumentacji pacjenta. To pierwszy krok, który powinny podjąć szpitale.

Przenieśmy się o 10-20 lat w przyszłość. Jak będzie wyglądać wizyta u lekarza?

Byłbym zaskoczony, gdyby za dekadę lub dwie pacjent nie miał świadomości tego, do czego doprowadzą jego obecne zachowania w ciągu najbliższych 5 lat. Kluczowe jest to, by każdy z nas zrozumiał, jaki wpływ mamy na własne zdrowie, i mógł podejmować na tej podstawie racjonalne decyzje. Jeśli masz wpływ na swoje zdrowie i podejmujesz odpowiednie decyzje, możesz zmienić cały system. To wpływ większy niż ten, jaki ma którykolwiek rząd. Rządy próbują rozwiązać problem, inwestując pieniądze – słyszymy, że potrzebujemy więcej lekarzy, więcej szpitali. Ale dziś, jako jednostki, nie bierzemy na siebie odpowiedzialności.

W moim zespole wychodzimy z założenia, że każdy z nas jest przede wszystkim obywatelem, dopiero potem pacjentem. Zmiana w opiece zdrowotnej musi pochodzić od jednostki. Największą rewolucją w opiece zdrowotnej byłoby umożliwienie jednostce podejmowania decyzji, a nasz zespół pracuje nad dostarczeniem dowodów, które to umożliwią. To całkowicie zmieni system, ponieważ jednostka jest w stanie zmienić rząd, jest w stanie zmienić świat. Więc nie sądzę, byśmy nie mogli zmienić opieki zdrowotnej.

DR JOSE SOUSA jest liderem zespołu badawczego Personal Health Data Science w Sano Centrum Medycyny Obliczeniowej. Koncentruje się na wykorzystaniu danych medycznych do tworzenia wyjaśnialnych modeli uczenia maszynowego, które pomagają usprawnić procesy diagnostyczne i terapeutyczne w leczeniu chorób, oraz metod zwiększających efektywność zarządzania w ochronie zdrowia.

Inteligentna medycyna. Zdrowie jest nam dane

Dodatek do „Tygodnika Powszechnego” 11/2024

Redakcja: Łukasz Kwiatek

Proj. graf.: Marek Zalejski

Fotoedycja: Jacek Taran

Skład: Zuzanna Kardyś

Opieka wydawnicza: Anna Pietrzykowska  

Ilustracja na okładce: Maciej Malawski / Stable Diffusion

Partnerem dodatku jest SANO

Dofinansowano w ramach programu Horyzont 2020 – ramowego programu Komisji Europejskiej w zakresie badan naukowych i innowacji – umowa grantowa nr 857533 oraz z Programu Agendy Badawcze Fundacji na rzecz Nauki Polskiej (nr grantu MAB PLUS/2019/13).

Dofinansowano w ramach projektu „Support for the activity of Centers od Excellence established in Poland under Horizon 2020” przez Ministerstwo Nauki i Szkolnictwa Wyzszego na podstawie umowy MEiN/2023/DIR/3796.