Digitální inovace pozvolna pronikají do světa zdravotní péče

Nové postupy sběru, zpracování a analýzy dat, jako jsou nositelná elektronika a senzory, strojové či hluboké učení, hlasová rozhraní a další techniky automatizující například interakci s pacienty, označované často nepřesně a zjednodušeně jako AI, v posledních letech začaly měnit svět zdravotní péče radikálním způsobem.

Virtuální poradci pro oblast zdravotní péče

Virtuální poradci využívající technologie, jako je práce s přirozeným jazykem (kladení dotazů, odpovídání na ně), strojové učení a další prvky umělé či strojové inteligence, které slouží ke zvýšení produktivity v kognitivních oblastech, např. diagnostice či volbě léčebného postupu. Patrně nejznámější a nejvíce medializovanou je medicínská verze systému Watson od IBM, podobná řešení pro oblasti diagnostiky a doporučeného léčebného postupu ale vyvíjejí i další firmy působící často například v nových oblastech, jako je genová terapie (Turbine, Deep Genomics, Whole Biome).

Větší či širší dopad mají nicméně specializovanější nástroje, jež se v současné době objevují zejména ve třech oblastech:

Diagnostický rozbor (interpretace) obrazu, tedy algoritmy využívající techniky strojového učení a AI pro zrychlení a zpřesnění diagnostiky při vyčítání rentgenových a CT snímků nebo výstupů magnetické rezonance. Smyslem podpůrné strojové diagnostiky je nejen zvýšení produktivity, ale také zpřesnění čtení snímků a snížení procenta chybných či nekompletních diagnóz. Objem výstupů, které jsou analyzovány, každým rokem roste (například podle dat Mayo Clinic činil nárůst CT skenů mezi roky 1999 a 2010 68 procent a MRI snímků 85 procent).

Řečeno jednoduše: snímky z rentgenu, MRI či CT analyzuje vedle lékaře specialisty také software pro rozpoznávání obrazu, který specialistu upozorní na místa či znaky, jimž by bylo vhodné věnovat pozornost. Systémy rozpoznání obrazu překonaly lidské schopnosti co do přesnosti a rychlosti již před několika lety, zejména má-li člověk na rozpoznání a popis omezený čas.

Precizní medicína (precision health) se snaží o zlepšení zdravotního stavu konkrétní osoby kombinací wellness a preventivních zásahů. Kombinuje obvykle metody pokročilé analýzy DNA (genomiky), nositelné elektroniky a internetu věcí, s jejichž pomocí jsou sbírána, ukládána a analyzována data v EHR systémech − jde obvykle o kombinaci konkrétních dat o jedinci a dat z jeho okolí (například senzorů). Jedná se tak vlastně o analýzu dědičných dispozic, životního stylu a prostředí s cílem vyhodnotit a minimalizovat možná budoucí zdravotní rizika. Při analýze a zpracování dat jsou obvykle využívány metody strojového učení, neuronových sítí a zpracování přirozeného jazyka.

Infografika: Digitální inovace pozvolna pronikají do světa zdravotní péče

Řečeno jednoduše: mobilní či cloudová aplikace na základě údajů o vašich zdravotních predispozicích, vašem životním stylu (např. data z fitness náramku) a místech, kde se pohybujete (data z chytrého telefonu a případně senzorů v daném prostředí umístěných), vyhodnotí možná zdravotní rizika a doporučí vám změny životního stylu pro jejich snížení (cvičení, stravování, odpočinek, preventivní prohlídky apod.).

Klinická diagnostika, předpověď rizik/chorob využívající techniky pro analýzu dat, jako jsou prediktivní algoritmy pro vyhodnocení recidivy či relapsu nebo zhoršení klinického obrazu, nejsou ve sféře zdravotní péče vyloženou novinkou. Poměrně běžně jsou vyhodnocována například rizika návratu pacienta do jednoho měsíce nebo pravděpodobnost rozvoje konkrétní choroby. V minulosti ale výpočet vycházel z přesných, specialisty stanovených pravidel a vzorců. Moderní systémy s hlubokým či strojovým učením mohou průběžně zlepšovat preciznost a přesnost odhadů. Například společnost Medial EarlySign vyvinula systém strojového učení, který dokáže identifikovat osoby s vysokým rizikem vzniku určitých typů rakoviny ještě před výskytem prvních klinických znaků. Systémy CareSkore pak využívají strojové učení pro zpřesnění odhadu recidivy či relapsu a opětné hospitalizace již během pacientova prvního pobytu v nemocnici.

Virtuální zdravotní asistenti

S virtuálním asistentem se nejspíše většina z vás setkala v podobě integrované do dnešních chytrých telefonů se systémy Android či iOS. Ve zdravotnictví jsou používány podobné technologie pro práci s přirozeným jazykem − tedy systémy, které umí rozpoznat slovně položený dotaz a přeložit jej do strojově srozumitelné formy a naopak sestavit odpověď v přirozeném jazyce a zobrazit ji na displeji nebo sdělit pomocí hlasové syntézy. Tyto systémy mohou být určeny pro ošetřující personál, častěji ale směřují přímo k pacientům s cílem usnadnit jim péči o vlastní zdraví (řada studií ukazuje, že zejména u chronicky nemocných pacientů je důležitý pravidelný kontakt, virtuální asistenti umožňují takto obsloužit větší počet pacientů při minimálních nákladech). Podle některých předpovědí by rozvoj podobných systémů, doplňujících či nahrazujících nejméně kvalifikované pracovníky v oblasti zdravotní péče, mohl tuto nejnižší vrstvu pracovníků v některých zemích časem téměř eliminovat.

Příklady těchto systémů lze nalézt například v Británii − virtuální sestra Molly společnosti Sensley je určena zejména pacientům s chronickými potížemi. Díky schopnosti rozpoznávat řeč i polohu těla může pacienty monitorovat a dávat jim základní rutinní rady. Projekt Red (Re-Engineered Discharge) vytvořený na Boston University School of Medicine funguje jako virtuální rádce pacientů při propouštění do domácí péče − dává jim a jejich rodinným příslušníkům rady, jak se o pacienta dále starat, jak mu podávat léky, plánuje automaticky kontroly a další věci týkající se navazující domácí a ambulantní péče. Podobných systémů vzniká celá řada. Ostatně můžete se zkusit sami zeptat i svého medicínsky nekvalifikovaného asistenta v chytrém telefonu − třeba na to, jaký postup doporučuje v případě průjmu či zácpy.

Do oblasti zdravotní péče pronikají pochopitelně i další inovace, jako jsou virtuální asistenti ne nepodobní těm v dnešních chytrých telefonech (radí pacientům například kdy a jak užívat léky nebo jak pokračovat v domácí či ambulantní péči po propuštění z nemocnice) či inovace známé například ze světa e-commerce, např. chatboti pro komunikaci s pacienty nebo automatizaci funkcí − typicky objednávání se k lékaři. Automatizovány jsou zápisy zpráv o zdravotním stavu (z dokumentace vyšetření a poznámek lékaře) nebo automatické navrhování kategorizace diagnóz.

Článek byl publikován v komerční příloze Hospodářských novin a týdeníku Ekonom.