
Když přijdete do čekárny, čekáte ještě na sestřičku než si vezme vaší zdravotní kartu? Nebo ji už jen strčíte do mašiny, vyberete si důvod návštěvy a posadíte se než vás zavolají na řadu?
A má už váš doktor chat, kde se místo zdlouhavé návštěvy můžete na cokoliv zeptat?
Všechny tyto věci už jsou na některých místech samozřejmostí. Pojďme se podívat jak AI pomáhá ve zdravotnictví.
Počátky AI ve zdravotnictví
AI se poprvé ve zdravotnictví objevilo už v 60. létech 20. století. Například první AI lékařský konzultant se jmenoval INTERNIST-1 a používal se od roku 1971. Aplikoval vyhledávací algoritmy k určení pravděpodobné diagnózy na základě symptomů pacienta
Moderní éra AI začala na počátku 21. století se systémy, jako byl Watson od IBM (2010), které rozšířily možnosti AI nad rámec diagnostiky založené pouze na symptomech. Watson už uměl přijímat otázky v lidském jazyce.
Kde se můžeme ve zdravotnictví potkat s AI?
AI ve zdravotnictví slouží jak zdravotníkům tak i pacientům.
Pro obyčejné smrtelníky jsou například tyto kategorie:
Osobní zdraví
AI pomáhá řešit zpracování osobních zdravotních dat z nositelných zařízení a elektronických zdravotních záznamů. AI můžeme najít například v Apple Watch. Pokročilé senzory Apple Watch zachycují komplexní zdravotní data, zatímco AI algoritmy tato data analyzují a poskytují personalizované informace.
Chatboti
Chatboti například prokázali účinnost při snižování symptomů deprese. Pokud byste chtěli vyzkoušet, podívejte se například na populární Psychologist od ChatGPT. Pokud byste potřebovali jen poradit ohledně symptomů nebo vás zajímá něco ohledně zdraví, zkuste MediSearch od slovenských tvůrců. MediSearch je chatbot, který vyhledává mezi studiemi a odbornými článkami namísto celého internetu. Umí anglicky nebo slovensky, ale češtinu zvládne taky.
Mimo chatboty, existuje spousta dalších aplikací, které využívají AI a to například český UpHeal. Ten pomůže s AI transkripcí, poznámkami a jejich analýzou pro klinické lékaře.
Zdravotnínici pak mohou využívat AI těmito způsoby:
Genetika a onemocnění
AI umí také například analyzovat sekvence DNA a může tak pomoci s diagnostikou genetických poruch. Dále také může pomoci s analýzou proteinů, ze které se dají předpovídat různé zdravotní stavy nebo reakce na léčbu.
Pár(set) očí navíc
Při analýze snímků může pomoci počítačem podporovaná detekce (CAD). To je technologie navržená ke snížení počtu přehlédnutí při observaci – a tím i míry falešně negativních výsledků – ze strany lékařů interpretujících lékařské snímky. Prospektivní klinické studie například prokázaly zvýšení míry detekce rakoviny prsu s pomocí CAD.
Dále mohou pomoci s detekcí stavů, jako je mozková příhoda, okluze velkých cév, intrakraniální krvácení, plicní embolie a různé druhy rakoviny.
V dermatologii zase například GOOGLE Inception V3, trénovaný s více než 1 milionem nespecifických snímků a více než 100 000 dermatologickými snímky, dokáže detekovat dermatologické malignity na úrovních srovnatelných s vyškolenými lékaři.
Imunizace a veřejné zdraví
Digitální zdravotní intervence podporované AI zlepšily informační systémy o imunizaci. Poskytují data v reálném čase, a pomáhají řešit například mezery v proočkovanosti. Nástroje jako 2D čárové kódy pomáhají omezit chyby v datech přímým nahráváním informací z lahviček s vakcínami do informačních systémů. Interaktivní dashboardy a geografické informační systémy (GIS) prospěly imunizačním kampaním tím, že poskytují informace v reálném čase, a tím pomáhají zachytit nově vznikající ohniska nákazy a zlepšit dohled nad situací.
Péče na dálku
Pandemie COVID-19 vyvolala výrazný nárůst využívání tzv. telemedicíny. Mnoho zdravotnických zařízení rychle přešlo z osobních na “virtuální” návštěvy. Telemedicína zlepšila dostupnost zdravotní péče, zejména pro osoby ve venkovských oblastech, osoby bez možnosti jednoduše se přepravit a pacienty s tělesným postižením.
Navíc se telemedicína projevila jako méně nákladná ve srovnání s tradičními (osobními) návštěvami a ušetřila čas jak pacientům, tak lékařům.
Integrace AI významně zlepšila telemedicínu, díky schopnosti neustále aktualizovat učením se ze zpětné vazby a rychlou analýzou dat, což šetří čas a peníze a zároveň pomáhá lékařům s rozhodováním.
Etické aspekty a omezení
Problém | Řešení |
Ochrana soukromí a zabezpečení údajů pacientů, zejména pokud soukromé subjekty získávají informace o pacientech. | Aplikace musí být v souladu s pravidly o ochraně údajů (např. GDPR v EU a HIPAA v USA). |
Potenciální zkreslení v algoritmech AI. | Vyvíjejí se nástroje pro odhalování a kvantifikaci biasu. Navíc, vědecká komunita a regulační orgány definují metriky spravedlivosti, které musí modely splnit. |
Zajištění bezpečnosti a validace systémů AI před zavedením do praxe. | Stejně jako u léčiv probíhá fáze klinických studií, které ověřují účinnost a bezpečnost. AI nástroje musí také získat povolení regulačních úřadů (např. FDA v USA nebo CE značení v EU). |
Řešení „propasti AI“ mezi statisticky spolehlivými algoritmy a smysluplnými klinickými aplikacemi. | Vývoj AI systémů probíhá ve spolupráci s lékaři, aby byla zajištěna jejich reálná použitelnost. Algoritmy se tedy navrhují tak, aby poskytovaly interpretovatelné výstupy, které jsou lékařsky využitelné. |
Budování důvěry prostřednictvím transparentnosti ohledně fungování systémů AI, zejména s ohledem na povahu „černé skříňky“ mnoha algoritmů. | Explainable AI (XAI): Vyvíjejí se techniky, které umožňují vysvětlit, proč model dospěl ke konkrétnímu závěru. Některé jurisdikce dokonce zavádějí povinnost zveřejnit, jak byla AI trénována a jak funguje. |
Závěr
AI se v medicíně objevuje už od druhé poloviny 20. století. První stroje uměly poskytnout diagnózu na základě symptomů. Dnes už dokážou pokročilejší věci jako analýzu DNA či čtení rentgenů, což může výrazně zefektivnit a urychlit práci doktorů. AI ve zdravotnictví už dávno nepouživají jen zdravotníci, ale setkat se s ní může každý, například skrze aplikace jako jsou MediSearch či ChatGPT.
V budoucnu se jistě dočkáme dalšího pozoruhodného vývoje v oblasti AI, který dále zlepší a zpřístupní zdravotní péči.
Author

Sabina Balejikova
GeneralistI am a generalist interested in ops, business, software design, and programming. Currently building full-stack apps with NextJS and diving into computer science.