Cikksorozatunkban a Jövő és egészségügy cikkíró pályázat nyertes pályaműveit mutatjuk be.
Több mint négy évvel a COVID-19 világjárvány kezdete után, számos egészségügyi rendszer világszerte még mindig küzd az elhúzódó hatásokkal. A szakrendelőkben és a kórházakban ellátott betegszám, és az elvégzett terápiás beavatkozások száma még mindig nem érte el a világjárvány előtti szintet. Az egészségügyre költendő pénz mennyisége egyre növekszik, miközben jelentős problémát jelent a szakképzett személyzet hiánya. A költségek csökkentésének szükségessége, és a minőséges ellátás iránt való növekvő igény arra készteti az egyes egészségügyi rendszereket, hogy új, feltörekvő technológiákat alkalmazzanak a hiányosságok pótlására.1
A fejlődés záloga: pénz?
A technológiai fejlődés esélyt kínál az egészségügyi ellátóknak a betegekkel való interakciók egy jelentős részének átcsoportosítására a chatbotok felé, ezzel jelentős terhet véve le a klinikusok válláról, akik így jobban összpontosíthatnak a magasabb szakértelmet igénylő feladataikra. A mesterséges intelligencia lehetővé teszi az adminisztratív és más ellátási feladatok elvégzésének megkönnyítését az egészségügyi ellátók számára. Ezt a felismerést jól mutatja, hogy 2019 és 2022 között a befektetők több, mint 30 milliárd dollárt fektettek be az egészségügy és a mesterséges intelligencia „frigyét” támogató fejlesztésekbe.2
A világjárvány kitörésekor az egészségügyben szinte csettintésre hatalmas hangsúlyt kapott a telemedicína – talán ennek köszönhetően is látjuk a hatalmas összeget, ami ebben az időben az ilyen irányú innovációkba áramlott. Ahhoz, hogy ez a fejlődés fennmaradjon és folytatódhasson, szükség lenne fenntartani a technológiai beruházásokat is – ez a trend azonban csökkenni látszik a tavalyi év adatai alapján. Megjegyzendő, hogy az ilyen irányú befektetések még mindig túltesznek a pandémia előtti összegeken. A fejlődés lassulásának oka lehet talán az, hogy a globális gazdasági recesszió csökkentette az egészségügyi magánellátók felé fordulók számát, ezáltal kisebb lett az általuk elkönyvelt profit is, amit visszaforgathattak volna az ezirányú fejlesztésekbe. Többeket talán az is elbizonytalaníthatott, hogy a járvány visszaszorulása után a telemedicína eszközei már nem tűntek annyira időtállónak, mint a pandémia tombolásának kellős közepében.
Mégis, a pénzügyi előnyök, és a jobb ellátás iránti igény mindenképpen fenntartja az érdeklődést a mesterséges intelligencia (MI) alkalmazásával kapcsolatban. Egyes becslések szerint az Egyesült Államokban az MI segítségével az egészségügyre szánt összeg 10 százalékát lehetne megspórolni. Az eredmény: célzottabb diagnosztikus vizsgálatok, hatékonyabb időmenedzsment az ellátásban, és elégedettebb betegek.3
Az adminisztratív feladatok ellátásának korszerűsítése
A mesterséges intelligencia legnagyobb és legközvetlenebb hatása talán az lehet, hogy átveszi az adminisztratív feladatok ellátásának terhét a szakszemélyzettől hiszen egyes becslések szerint egy orvos munkaidejének kétharmadát adminisztrációs feladatokkal tölti. Ma egy kórház vezetőségének három nagyon fontos kihívással kell szembenéznie: az egészségügyi intézmény működéséhez szükséges financiális eszközök előteremtése, munkaerő bevonzása és megtartása, valamint a személyzet kiégésének megelőzése. A mesterséges intelligencia a nagy nyelvi modelleknek (LLM – Large Language Models) köszönhetően jelentősen képes lenne megkönnyíteni a dokumentációs terheket, amely dokumentációs kötelességek jelentősen hozzájárulnak a szakszemélyzet kiégéséhez és motivációvesztéséhez.4 Az Egyesült Államokban egyes kórházak az MI segítségét veszik igénybe a betegdokumentációk megalkotásához, és a biztosítóhoz benyújtandó igénylések megfogalmazásához. Ezek a kórházak jelentős anyagi forrásokat is meg tudnak spórolni ennek köszönhetően, hiszen az egészségügyben hatványozottan igaz a mondás: az idő pénz.5 A nagy nyelvi modellek egyik tulajdonsága, hogy működésük közben is korrigálhatjuk egyes botlásait, és a korrekciókat a modell beépíti a tudásbázisába, így az idő előrehaladtával a hibáik is minimalizálhatóak. A mesterséges intelligencia segítségével létrehozott elektronikus egészségügyi nyilvántartások (EHR – Electronic Health Records) alkalmazásával csökkenthetnénk a kiégés prevalenciáját, és több idő jutna minden beteg egyéni igényeinek teljesebb kielégítésére.
Egy másik jó példát látunk Finnországban, ahol 2023-ban megkezdődött az egészségügyi ellátórendszer jelentős átalakítása. Céljuk egy olyan digitalizált rendszer, amely sokkal személyre szabottabb és költséghatékonyabb egészségügyi ellátást ígér. A rendszer legfőbb ismérve, hogy a prevencióra helyezi a hangsúlyt, ez által a lakosság 80 százaléka egészséges, a szónak abban az értelmében, hogy nem terheli aktívan az egészségügyi ellátórendszert. Így jelentős kapacitásokat tudnak átcsoportosítani a fragilisabb, vagy drágább terápiás igényekkel rendelkező betegpopuláció ellátására. 6 7
Az ellátás minőségének javítása
A szolgáltatások folyamatosabbá tétele mellett a mesterséges intelligencia segíthet az adott kórállapot kimenetelének előrejelzésében a beteg egyedi egészségügyi profilja alapján, kezelési lehetőségeket ajánlhat és figyelmeztetheti a klinikusokat a nem várt eseményekre, mint egy beavatkozás utáni szövődmény, vagy egy betegség exacerbációja.8
Eközben a generatív MI 9 szintetizálhatja a különböző orvosi diagnózisokhoz kapcsolódó adathalmazokat és kezelési modalitásokat. Ha a már eddig felhalmozott betegdokumentációkból (EHR) a MI „megtanulja” a betegség megjelenési formáit és tüneteit, egy potenciális beteg laboradataihoz, hordozható eszközeihez és különböző monitorokon, képalkotókon megjelenő leleteihez hozzáférve segíthet az adott betegség korai felismerésében és a legsürgősebb ellátást igénylő betegek kiemelésében.
A minőségesebb betegellátást célozta meg a Subtle Medical, amely olyan szoftvert fejlesztett ki, amely javítja a radiológiai képi adatok előállításának minőségét, ezáltal a radiológiai munkafolyamat gyorsítását. A vállalat saját fejlesztésű mélytanulási algoritmusai10 lehetővé teszik az akár 60%-kal gyorsabb PET- és MRI-vizsgálatot, ezáltal az ellátók időegység alatt több beteget tudnak ellátni, és a betegélmény is kedvezőbb lesz.11
A Zepp Health pedig kifejlesztette a Zepp Aura alkalmazást, amelynek célja az alvásminőség javítása. Az alkalmazás kapcsolódik a viselhető okoseszközökhöz, személyre szabott „alvás-coaching”-ot kínál, elemzi az alvás minőségét, sőt, a beteg aktuális paramétereihez igazodva a generatív mesterséges intelligencia relaxációs zenét is „szerez”, amely segíti a felhasználót az alvásban.12
Egyre több adat: szemét, vagy lehetőség?
Egy másik kihívás az egészségügyi rendszerek számára az egyre növekvő adatmennyiség kezelése. A globális egészségügyi ágazat világszerte több mint 2,3 zettabájtnyi adatot generált 2020-ban.13 A MI segíthet abban, hogy ezeket az információkat központosítva és elemezve az ellátók átfogóbb képet alkothassanak a betegekről, következtetéseket vonjanak le pl. gépi tanulásos algoritmusok14 segítségével, és a kutatás eredményei felhasználva csökkentsék az ellátás költségeit. Emellett a nyelvi modellekkel dolgozó MI (mint a ChatGPT is) egyre hatékonyabban tud választ adni a betegben felmerülő kérdésekre már az orvossal való találkozás alkalmain kívül is, ezzel is növelve a beteg együttműködését.
Összefoglalás
A jövőben a mesterséges intelligencia az egészségügy három kulcsfontosságú területén nyújthat majd segítséget:
- Intelligens diagnózis: A mesterséges intelligencia alapú megoldások támogathatják a klinikusokat a pontos diagnózisok felállításában az in vitro diagnosztika, a képalkotás, az EHR-ek, a biometria, a képalkotók, a monitorok, a viselhető eszközök és a genomika adatainak felhasználásával.
- Személyre szabott terápiás tervek és javaslatok: A mesterséges intelligencia értelmezhetné a viselhető okoseszközök adatait, hogy tanácsokat, például alvástervezést, étrendi javaslatokat, sőt, akár mesterséges intelligencia által generált zenét is felajánljon a viselőjének. Továbbá, ha egy betegnek kihívást jelent a terápiás javaslatok betartása, a generatív MI-alapú digitális chatbotok empatikusan interakcióba léphetnek a betegekkel, hogy megtudják az együttműködés hiányának okát, és lehetséges megoldásokat vagy alternatívákat kínáljanak.
- Lakossági egészségmenedzsment: A mesterséges intelligencia nagy adathalmazokat elemezhet, és felismerheti a népességen belüli egészségügyi mintázatokat. Például a genomikai, szocio-ökonómiai és EHR-adatok áttekintésével a mesterséges intelligencia azonosíthatja a betegségek, például a méhnyakrák kockázati tényezőit és előrejelzőit. Az MI-alapú kommunikációs szoftverek ezután személyre szabott audiovizuális vagy szöveges meghívókat generálhatnának a szűrési szolgáltatásokra. A válaszokat, a részvételt és a vizsgálat eredményeit ezután tárolni lehetne, és megbízhatóbb modellek kialakításához lehetne felhasználni. 15
A bizalom
A mesterséges intelligenciában rejlő átalakító potenciál ellenére az az új technológiák elfogadása valószínűleg a szolgáltatók, a szakemberek és a páciensek bizalmán és elfogadásán múlik majd. Az egészségügyi és technológiai szolgáltatóknak prioritásként kell kezelniük eme újítások felelős és biztonságos használatát. A betegek bizalmának elnyeréséhez a technológiának mentesnek kell lennie a pontatlanságoktól és az adatszivárogtatásnak csak a gyanújától is.
Jelenleg a mesterséges intelligencia hatékonyabb az adminisztratív feladatok kezelésében, mint a diagnózisok prediktálása vagy a terápiás javaslatok nyújtása terén. Amikor a generatív mesterséges intelligencia hiányosságokkal találkozik a saját információban, hajlamos ezeket olyan hihetőnek tűnő információkkal kitölteni, amelyek pontatlanok lehetnek. Ezt a jelenséget gyakran nevezik konfabulációnak. Mindemellett a generatív mesterséges intelligencia tudásbázisának javítása minőségi egészségügyi adatokat és megfelelő alapmodelleket igényel – a megfelelő teljesítmény eléréséhez mindkettőhöz nagy beruházásokat kellenek.
A „Coalition for Health AI”, amely magában foglalja a tudományos egészségügyi szervezeteket, valamint a mesterséges intelligencia és az adattudomány szakértőit, felvázolta a megbízható mesterséges intelligencia jellemzőit, amelyek a következők:
- Biztonság: A mesterséges intelligenciát alkalmazó rendszerek nem veszélyeztethetik az emberi életet, az egészséget, a tulajdont vagy a környezetet. Az egészségügyben ezt az alapvetést a „nil nocere” elve fogalmazza meg.
- Elszámoltathatóság és átláthatóság: A mesterséges intelligenciának ellenőrizhetőnek kell lennie; az egyéneknek hozzáférést kell biztosítani a rendszerbe bevitt adataikhoz, és az információk forrásának nyomon követhetőnek kell lennie.
- Megmagyarázhatóság és értelmezhetőség: Az orvosoknak meg kell érteniük, hogy a mögöttes algoritmusok hogyan állítják össze az információkat, és mi módon jutnak végeredményre.16
Záró gondolatok
A mesterséges intelligencia képes átalakítani az egészségügyi ellátást azáltal, hogy optimalizálja mind az adminisztratív teendőket, mind az ellátást. A globális egészségügyi rendszer számára ez pénzügyi, de más előnyökkel is jár majd, például az ellátás minőségének emelkedésével, a betegélmény javulásával és az orvosok és ápolók elégedettségének növekedésével. Azok az egészségügyi szolgáltatók, amelyek korán befektetnek a mesterséges intelligencia alkalmazásába, valószínűleg versenyelőnyre tesznek szert, és személyre szabottabb ellátást nyújtanak a betegeknek a következő években. A vállalatoknak azonban biztosítaniuk kell, hogy a mesterséges intelligenciát felelősségteljesen alkalmazzák, valamint, hogy a felhasználás és a folyamatok átláthatóak és ellenőrizhetőek lesznek. Azok a szervezetek, amelyek ezt nem építik be az MI-stratégiájukba, a betegeik elidegenedését kockáztatják. Azok számára, akik bizalmat szavaznak a mesterséges intelligenciával kapcsolatos újításoknak, a technológia még évekig új innovációkat hozhat.
Ahhoz, hogy a mesterséges intelligencia hatékony legyen az egészségügyben, mind az egészségügyi szakembereknek, mind a betegeknek bízniuk kell az eredményekben, meg kell érteniük, hogy a MI-vel támogatott rendszerek hogyan érik el ezeket az eredményeket, és bízniuk kell abban, hogy bizalmas adataik védve lesznek.
Bibliográfia
Here are the citations formatted in APA style:
1. Suyamprakasam, D. (2023, November 3). 2024 prediction: Tech to change primary care. *Physicians Practice*. https://www.physicianspractice.com/view/2024-prediction-tech-to-change-primary-care
2. CB Insights. (2023, August 1). The state of healthcare AI in 5 charts. https://www.cbinsights.com/research/healthcare-artificial-intelligence-ai-market/
3. Sahni, N., Stein, G., Zemmel, R., & Cutler, D. M. (2023, January). The Potential Impact of Artificial Intelligence on Healthcare Spending. *National Bureau of Economic Research*. https://www.nber.org/papers/w30857
4. Mittal, N., Perricos, C., Sterrett, L., & Dutt, D. (n.d.). The Generative AI Dossier. *Deloitte*. https://www2.deloitte.com/content/dam/Deloitte/us/Documents/consulting/us-ai-institute-gen-ai-use-cases.pdf
5. Mittal, N., Perricos, C., Sterrett, L., & Dutt, D. (n.d.). The Generative AI Dossier. *Deloitte*. https://www2.deloitte.com/content/dam/Deloitte/us/Documents/consulting/us-ai-institute-gen-ai-use-cases.pdf
6. Lehto, P., & Malkamäki, S. (2023, June 8). The Finnish health sector growth and competitiveness vision 2030. *SITRA*. https://www.sitra.fi/en/publications/the-finnish-health-sector-growth-and-competitivenessvision-2030/#preface
7. Hoque, T., & Tuomala, A. (2022, December). Finland’s Path To The Digital Decade 2030: Sustainable Growth and Digitalization Plans. *Lappeenranta University of Technology*. https://www.researchgate.net/publication/366866856_Finland’s_Path_To_The_Digital_Decade_2030_Sustainable_Growth_and_Digitalization_plans
8. Frank, P. (2022, May 3). Overcoming healthcare’s reluctance to technological change. *MedCityNews*. https://medcitynews.com/2022/05/overcoming-healthcares-reluctance-to-technological-change/
9. Generative artificial intelligence is a form of AI capable of creating text, images, tunes, or other content based on the data it has been trained on.
10. Deep learning is a branch of machine learning where AI uses neural networks to make inferences from data sets.
11. Subtle Medical. (2023, August 8). Subtle Medical named to the 2023 CB Insights GenAI 50 List of Most Innovative Generative AI Startups [Press release]. https://subtlemedical.com/subtle-medical-named-to-the-2023-cb-insights-genai-50-list-of-most-innovative-Generative-ai-startups/
12. Zepp Health. (2023, May 10). Zepp Health Unveils Generative AI-Powered Features and Solutions for Enhanced Smart Wearables [Press release]. https://www.prnewswire.com/news-releases/zepp-health-unveils-Generative-ai-powered-features-and-solutions-for-enhanced-smart-wearables-301821195.html
13. Stewart, C. (n.d.). Total amount of global healthcare data generated in 2013 and a projection for 2020. *Statista*. https://www.statista.com/statistics/1037970/global-healthcare-data-volume/
14. Machine learning is a subcategory of artificial intelligence where computers draw inferences, make predictions, or seek hidden correlations among seemingly unrelated data points from vast databases.
15. So, D. (2023, August 9). From digital triage to digital humans: how generative AI will transform the patient experience. *Deloitte, Thoughts from the Center Blog*. https://blogs.deloitte.co.uk/health/2023/09/from-digital-triage-to-digital-humans-how-generative-ai-will-transform-the-patient-experience.html
16. Coalition for Health AI. (2023, April 4). Blueprint for Trustworthy AI Implementation Guidance and Assurance for Healthcare. https://www.coalitionforhealthai.org/papers/blueprint-for-trustworthy-ai_V1.0.pdf
