Nakon uspješno održanog TeamUp x Health eventa, želimo vas podsjetiti na ključna znanja i informacije koja su proizašla iz panel rasprave “AI u Zdravstvu“. U panel raspravi sudjelovali su Mladen Fernežir, Marko Poljak, dr.sc. Tomislav Šmuc i Tomislav Strgar. Panelisti su nam pružili vrijedne uvide o primjeni umjetne inteligencije u zdravstvu i o najnovijim tehnološkim trendovima koji će oblikovati budućnost medicine. Panel rasprava podijeljena je u 3 cjeline, a iz svake smo mogli naučiti nešto novo i zanimljivo. U ovom članku fokusirat ćemo se na prvu cjelinu, a to je Primjena AI u zdravstvu – teorija vs praksa
Naš moderator, Bernard Ivezić započeo je raspravu iznoseći informacije o važnosti umjetne inteligencije u zdravstvu, ali istaknuo je da je njezina trenutna primjena još uvijek ograničena. Na početku panel rasprave prikazana su dva grafa s kojih se može očitati kakva je percepcija o umjetnoj inteligenciji, a koliko se ona stvarno koristi u industriji.
Iz prvog grafa možemo vidjeti kako je percepcija Američikih pružatelja zdravstvenih usluga o korisnosti umjetne inteligencije vrlo visoka. Čak 65% ispitanika odgovorilo je kako smatraju da je AI vrlo bitan za obavljanje njihovog posla, dok je samo 14% ispitanika odgovorilo kako trenutno koristi umjetnu inteligenciju u svome radu. Iako su podaci iz grafa iz 2018, još uvijek su relevantni i najzornije prikazuju trenutno stanje korištenja alata baziranih na umjetnoj inteligenciji.
Barijere koje onemogućavaju bolje korištenje AI-a u zdravstvu
Komplementarne inovacije ključne su za uspješno usvajanje umjetne inteligencije i drugih informacijskih tehnologija u zdravstvu. Na primjer, uspješno uvođenje elektroničkih medicinskih zapisa zahtijevalo je inovacije u integraciji softverskih sustava i promjene u načinu rada liječnika i farmaceuta, što nikako nije jednostavno za provesti.
Nekoliko je glavnih izazova pri usvajanju umjetne inteligencije u zdravstvu, a to su:
- Algoritamska ograničenja: AI se temelji na neuronskim mrežama, no problem je što ponekad ne možemo razumjeti kako AI donosi određene odluke. Ovo smanjuje povjerenje zdravstvenih djelatnika u AI, jer će biti odgovorni za odluke koje AI donosi. Razvijanje transparentnijih AI sustava je ključno za njihovu širu upotrebu.
- Ograničen pristup podacima: Kvalitetni podaci su važni za dobro funkcioniranje AI. No prikupljanje medicinskih podataka je teško i često nesavršeno. Povezivanje podataka iz različitih bolnica je također izazov. Potrebno je raditi na poboljšanju prikupljanja i dijeljenja podataka kako bi AI bio korisniji.
- Regulatorne barijere: Stroge regulacije privatnosti otežavaju prikupljanje i dijeljenje zdravstvenih podataka. Također, odobravanje novih medicinskih tehnologija zahtijeva vrijeme i pažljivu analizu. Inovacije u regulacijama umjetne inteligencije potrebne su kako bi se AI lakše usvojio.
- Strah od gubitka posla: Uvođenje AI može prijetiti poslovima nekih zdravstvenih djelatnika, što može smanjiti volju za usvajanjem tehnologije. Edukacijom djelatnika o umjetnoj inteligenciji i primjenama umjetne inteligencije moguće je pospješiti adopciju i smanjiti strah od gubitka posla.
Iz drugog grafa možemo iščitati kako umjetna inteligencija u zdravstvu i farmaciji najveću primjenu ima u kontroli kvalitete (60% slučajeva), zatim u brizi za pacijente/korisnike (44% slučajeva) te u dijagnostici i nadzoru (42% slučajeva). Taj podatak ne čudi, jer to su slučajevi gdje je moguće prikupiti najveći broj podataka na kojima bismo mogli istrenirati modele strojnog učenja kako bi nam olakšali obavljanje posla.
Marko Poljak, CEO Newton Technologies, podijelio je iskustva iz svojih početaka s AI tehnologijama i dotaknuo se proizvoda Newton Dictate, kojeg možemo opisati kao “Alexa za liječnike”, a omogućuje glasovno popunjavanje formulara, odnosno omogućuje zdravstvenom osoblju da “piše” svojim glasom.
Tehnologija koja omogućava postojanje ovakvog proizvoda naziva se NLP, odnosno “Natural Language Processing”. Natural Language Processing (NLP) je područje umjetne inteligencije koje se bavi računalima i ljudskim jezikom. Cilj NLP-a je razumjeti, interpretirati i generirati ljudski jezik koristeći tehnike strojnog učenja, obrade prirodnog jezika i lingvistike.
Glavni zadaci NLP-a uključuju tokenizaciju, leksičku i morfološku analizu, sintaktičku i semantičku analizu, prepoznavanje govora, generiranje prirodnog jezika, prevođenje jezika, detekciju emocija te sustave za odgovaranje na pitanja.
NLP ima široku primjenu u područjima kao što su pretraživanje interneta, analiza sentimenta na društvenim medijima, virtualni asistenti, automatizacija korisničke podrške i mnogi drugi.
Korištenjem NLP tehnologija zdravstveno osoblje moguće je rasteretiti u administrativnom smislu, što u konačnici rezultira bržim i efikasnijim radom što rezultira liječenjem većeg broja pacijenata.
Više o NLPu možeš saznati na ovom linku.
Mladen Fernežir, Co-founder Velebit AI, naglasio je mnoge prilike za AI u zdravstvu i potencijal za poboljšanje postojećih proizvoda.
Primjerice, umjetna inteligencija već danas se može koristiti za ranu dijagnozu bolesti kod ploda, odnosno može nam pomoći detektirati anomalije u kromosomima i predvidjeti koje su to bolesti s kojima će se roditelji i dijete susresti u budućnosti.
Strojno učenje također omogućuje analizu velike količine znanstvenih istraživanja i medicinskih studija kako bi se bolje razumjeli mehanizmi genskih bolesti i identificirale nove terapeutske metode. Ovaj pristup podržava brz i učinkovit razvoj novih lijekova i terapija usmjerenih na specifične genske mutacije. Više o umjetnoj inteligenciji i genetici možeš pročitati ovdje.
Također, umjetna inteligencija već danas se može koristiti kako bi se analizirali podaci s nalaza pacijenta. Tako je moguće je lakše detektirati pacijente koji imaju mogućnost oboljenja od bolesti kao što su dijabetes i kardiovaskularne bolesti. Zbog toga, medicinsko osoblje može izvršiti bolju prevenciju bolesti i omogućiti raniji tretman kako bi se očuvalo zdravlje pacijenta.
Nedovoljno (kvalitetnih) podataka – problem koji sprječava bržu primjenu umjetne inteligencije u zdravstvu
Dr.sc. Tomislav Šmuc iz Instituta Ruđer Bošković istaknuo je potrebu za kvalitetnim podacima kako bi se AI modeli uspješno istrenirali. Problem nedovoljno kvalitetnih podataka na kojima bi se umjetna inteligencija mogla istrenirati jedan je od najvećih trenutnih problema koji sprječavaju bolju primjenu umjetne inteligencije u zdravstvu.
Postoji nekoliko ključnih razloga zašto nedovoljno kvalitetni podaci predstavljaju izazov za treniranje AI modela, a to su:
- Pogreške i šum: Podaci mogu sadržavati pogreške, nejasnoće, šum ili nesigurne vrijednosti. Ako su podaci netočni ili nejasni, AI model može naučiti pogrešne uzorke i donositi netočne predikcije.
- Nedostajući podaci: Ako nemamo dovoljno podataka, AI model neće imati dovoljno informacija da bi stvorio adekvatne generalizirajuće modele. Nedostajući podaci mogu dovesti do pretreniranja (overfitting) ili do nemogućnosti modela da donosi ispravne odluke.
- Neuravnoteženi skupovi podataka: Ako skup podataka kojim treniramo AI model nije uravnotežen, odnosno sadrži previše primjera iz jedne klase u odnosu na drugu, model može biti pristran i imati poteškoća u prepoznavanju manje zastupljenih klasa.
- Loše označeni podaci: Točno označeni podaci ključni su za učenje AI modela. Ako su podaci loše označeni ili sadrže pogreške u oznakama, model neće naučiti pravilne obrasce i može donositi netočne odluke.
- Nedostatak raznolikosti: Ako skup podataka nije dovoljno raznolik, AI model može imati poteškoće u generalizaciji na nove i nepoznate primjere. Raznolikost podataka ključna je za pouzdane predikcije u stvarnim uvjetima.
- Nedovoljna količina podataka: AI modeli, posebno duboki modeli koji zahtijevaju velike količine podataka, mogu biti ograničeni nedovoljnom količinom dostupnih podataka. Nedovoljna količina podataka može dovesti do pretreniranja, gdje model “zapamti” podatke umjesto da nauči općenite uzorke.
Rješavanje problema “nedovoljno kvalitetnih podataka” zahtijeva pažljivu pripremu skupa podataka, proaktivnu identifikaciju i ispravak pogrešaka te dodatne strategije, poput tehnika povećanja podataka, kako bi se osigurala raznolikost i kvaliteta podataka. Pažljiv izbor i priprema podataka ključni su koraci u izgradnji pouzdanih, preciznih i učinkovitih AI modela.
Zaključak prvog dijela panel rasprave “AI u zdravstvu – teorija vs praksa”, je kako je umjetna inteligencija u zdravstvu u začetku s razvojem te da postoji mnogo prostora za poboljšanje i usvajanje novih tehnologija.
Također vas pozivamo da podijelite ovaj članak s ljudima za koje mislite da bi ih mogao zanimati te da nas nastavite pratiti jer ćemo nastaviti objavljivati sažetke i ključna učenja ostale dvije teme s panel rasprave “AI u zdravstvu”.
