Minimálně pět velkých nemocnic – přímo řízených organizací MZ ČR – má v současnosti informační systémy, jež vyžadují zásadní změny a velké investice. Na druhou stranu je evidentní, že vypsání veřejných zakázek v tomto segmentu je velmi obtížné a řada z nich vede přes Úřad pro ochranu hospodářské soutěže (ÚOHS) k významným zpožděním a eventuální nutnosti vypsání nové soutěže. A co okresní a menší nemocnice? Zde se jedná o opravdu velký problém, ale lze vyřešit, když se chce a funguje schopný management. Pozitivním příkladem budiž Nemocnice Strakonice. Ambulantní segment je na tom v této oblasti výrazně lépe, nicméně další vývoj a investice jsou nepochybně nutné i zde.
Umělá inteligence ve zdravotnictví – téma, o kterém se hodně mluví, ale málokdo o něm něco skutečně ví…
Technologické inovace v biomedicíně přímo přispěly ke zlepšení kvality života a prodloužení délky života. Historicky tento rozvoj poháněly pokroky ve vývoji léků, v chirurgických technikách, v porozumění biologickým drahám, v zobrazovacích technikách a dalších oblastech. Nyní jsme na pokraji nové fáze růstu s výrazným pokrokem v oblasti umělé inteligence (AI). Příslib umělé inteligence ve zdravotnictví sahá až do 60. let 20. století, kdy Joseph Weizenbaum vyvinul ELIZA, jeden z prvních chatbotů. ELIZA simulovala rogeriánského psychoterapeuta, který vedl jednoduchý dialog s uživateli. Následné snahy o vytvoření konverzační umělé inteligence pro medicínu byly brzděny omezenými možnostmi raných systémů umělé inteligence, které nebyly dostatečně spolehlivé pro klinické aplikace v reálném světě.
V dnešní době si pozornost celého světa získaly LLMs modely (large language models) jako ChatGPT, Gemini, Claude a Llama. Tyto modely ilustrují dvě důležitá paradigmata moderní umělé inteligence: základní modely – rozsáhlé univerzální systémy umělé inteligence trénované na obrovských datových sadách, které lze přizpůsobit četným následným úkolům – a generativní umělou inteligenci, která umožňuje vytvářet nový obsah, jako je text, obrázky nebo molekulární návrhy, modelováním komplexních distribucí dat.
Pokud se LLMs aplikují na přímou interakci s pacientem, vytyčují cestu ke smysluplné konverzační umělé inteligenci v medicíně. V této aplikaci mohou LLMs poskytnout pacientům přístupná konverzační rozhraní pro přímou interakci s jejich individuálními zdravotními údaji v elektronickém zdravotním záznamu (EHR) a také s obecnými lékařskými informacemi. Například agenti LLMs se používají ke snížení složitosti patologických zpráv a k transformaci propouštěcích souhrnů z nemocnic do formátu přátelského k pacientům. Pokud byli chatboti pro duševní zdraví zpřístupněni pacientům, prokázali potenciál ve snižování stigmatu týkajícího se péče o duševní zdraví a zvýšili míru doporučení, zejména u tradičně nedostatečně zastoupených skupin. Tyto výsledky jsou pozoruhodné, protože první kroky k vyhledání péče a získání vhodného doporučení jsou běžnými překážkami na cestě k duševnímu zdraví. Konverzační agenti mohou pacientům pomoci s orientací v jejich zdravotní péči a poskytovat jim personalizované informace a podporu.
Kromě konverzačních a shrnujících prostředků mohou být LLMs nástroji pro klinické lékaře. Modely ve výzkumném prostředí prokázaly výkon přinejmenším srovnatelný s klinickými pracovníky v oblasti odebírání anamnézy, sledování diagnostických postupů, komunikace a empatie. LLMs programy mohou také sloužit jako zdroje lékařských znalostí pro klinické lékaře. Pro specializované obory byly vyvinuty specializované LLMs programy, které klinickým lékařům umožňují přístup k odborným znalostem a pomáhají s rozhodováním a dodržováním doporučení a již získaly certifikaci. Modely nyní běžně dosahují úspěšného složení lékařských licenčních zkoušek, což prokazuje jejich potenciál poskytovat aktuální a komplexní lékařské informace.
Nástroje pro lékařský screening s využitím umělé inteligence dokážou odhalit onemocnění dříve a efektivněji než tradiční metody. Screeningové programy se tradičně zaměřovaly na velké populace se širokými kritérii pro zařazení. Umělá inteligence umožňuje přesnější zacílení na osoby s vysokým rizikem, aby se dosáhlo individuálních i společenských výhod. Vědci například překalibrovali doporučení pro screening rakoviny plic s nízkými dávkami pomocí analýzy s využitím umělé inteligence, aby upřednostnili vyšetření u pacientů s vyšším rizikem a snížili frekvenci screeningu u pacientů s nižším rizikem.
Algoritmy interpretace s využitím umělé inteligence 2D a 3D mamografie odpovídají lidským schopnostem v reálných klinických scénářích, zatímco klinické zavádění pokračuje. Výzkum ukázal, že pokročilejší modely kombinující detekci lézí a analýzu textury pro určení krátkodobých a dlouhodobých rizik rakoviny prsu prokazatelně zlepšují celkové posouzení rizika. Ukázalo se také, že umělá inteligence aplikovaná na tradiční mamografii pomáhá určit, kteří pacienti by měli největší prospěch z doplňkové magnetické rezonance, čímž se snižuje počet přehlédnutých druhů rakoviny bez velkého zvýšení zátěže screeningu magnetickou rezonancí. Screeningové nástroje založené na fotografiích a videu prokazatelně poskytují cenově dostupnou a rychlou analýzu komplexních neurologických poruch a dokázaly také jít o krok dále a poskytnout klinické předpovědi o progresi onemocnění. Například byl vyvinut systém založený na zobrazování sítnice pro predikci infarktu myokardu, který poskytuje méně invazivní možnost screeningu.
prof. MUDr. Miloš Táborský, CSc., FESC, FACC, MBA
Příklad klinického použití AI v oblasti kardiologie
Široká škála experimentálních nástrojů v kardiologii může těžit ze schopností technik umělé inteligence (AI) v oblasti porovnávání vzorů. V akutním prostředí mají modely AI potenciál upozornit lékaře na rozvíjející se dekompenzaci. Například Lin a kol. vyvinuli model elektrokardiogramu (EKG), který monitoroval 12svodové EKG hospitalizovaných pacientů a byl schopen upozornit poskytovatele péče na hrozící dekompenzaci a zlepšit klinické výsledky. Jiné modely byly schopny identifikovat pacienty s rizikem hypotenze, tachykardie nebo hypoxie na základě standardních monitorů vitálních funkcí. Výzkumníci byli schopni pomocí EKG dat detekovat vzorec okluzního infarktu myokardu i bez elevace ST segmentu, což překonalo lidské schopnosti a umožnilo včasnější intervenci. Sundrani a kol. vyvinuli bimodální model pro predikci tachykardie, hypotenze nebo hypoxie na pohotovosti (ED) na základě triážních dat a křivek EKG / pulzního pletysmografu (PPG).
Byly vyvinuty modely založené na umělé inteligenci, které předpovídají riziko budoucích kardiovaskulárních onemocnění, jako jsou infarkty nebo mrtvice, na základě různých faktorů, jako je věk, pohlaví a anamnéza. Identifikací jedinečné sady proměnných pacienta z potenciálního seznamu tisíců proměnných se ukázalo, že modely dokážou přesněji předpovídat riziko ischemické choroby srdeční (ICHS) než dříve. V jiném modelu byli vědci schopni identifikovat 27 specifických proteinů ve vzorcích krve, které lze použít k vytvoření personalizovaného modelu přežití, jenž je přesnější než předchozí metody. Analýza EKG může být použita k predikci rizika budoucí fibrilace síní nebo dysfunkce levé komory po perkutánní koronární intervenci (PCI), což následně předpovídá, kteří pacienti by z lékařského zákroku měli největší prospěch.
Rizika kardiovaskulárních onemocnění lze odhadnout pomocí zobrazovacích technik. Nástroj umělé inteligence s názvem EchoCLIP dokázal charakterizovat jemné klinicky významné změny v čase na echokardiogramech, což by pro lidskou interpretaci bylo obtížné. Načasování budoucí arytmické náhlé smrti lze předpovědět na základě zjizvení myokardu pozorovaného na magnetické rezonanci (MR). Studie koronárních tepen CTA jsou při manuální interpretaci časově náročné, ale Lin a kol. dokázali proces automatizovat a prokázat prognostickou hodnotu pro predikci budoucího infarktu myokardu. Koronární CTA může také ukázat zánět perivaskulárního tuku, což umožňuje vědcům vytvořit algoritmus umělé inteligence pro odhad rizika budoucích srdečních příhod, a to i v případě, že neexistuje obstrukční ischemická choroba srdeční.
Nicméně závěrem chci podotknout, že reálné směřování českého zdravotnictví bude dáno přijetím nebo také nepřijetím reformních kroků, jež by zajistily alespoň střednědobou udržitelnost a financovatelnost systému.
Obávám se však, že podobně jako minulá vláda ani ta současná skutečnou reformu nepřinese. Důvodů je řada a jedním z nejvýznamnějších je obava politických stran napříč celým spektrem, že uvedené kroky povedou ke ztrátě voličů a důvěry, neboť ekonomicky a potenciálně i sociálně postihnou nás všechny.
Systémová digitalizace českého zdravotnictví na všech úrovních je nicméně nutná a je také jedním ze základních pilířů udržitelnosti systému pro futuro.
prof. MUDr. Miloš Táborský, CSc., FESC, FACC, MBA
Kardiologická klinika Fakulty zdravotnických studií Univerzity J. E. Purkyně v Ústí nad Labem a Krajské zdravotní, a.s. – Masarykovy nemocnice v Ústí nad Labem, o.z.
Foto: archiv Miloše Táborského a Shutterstock
Literatura u autora nebo v redakci
