AIPM: áttörést hozhat a mesterséges intelligencia a betegségek diagnosztikájában is

A digitális egészségügy fejlődésével a mesterséges intelligencia egyre meghatározóbb szerepet tölt be a betegellátásban. A technológia különösen a ritka betegségek kutatásában hozhat áttörést: a szintetikus adatok és virtuális modellek segítségével kis mintaszám mellett is megbízható elemzések készülhetnek, ami hozzájárulhat a diagnosztika és a kezelések hatékonyabbá tételéhez.

A mesterséges intelligencia szerepe a diagnosztikában és a betegségmegelőzésben

Az egészségügyi adatok robbanásszerű növekedésével a mesterséges intelligencia ma már az ellátás egyik nagyon fontos szereplője. Nem egyetlen elszigetelt programról van szó, hanem egy összetett technológiai hálóról, amely biztonságosabb betegutat teremt. Ezek a rendszerek képesek azonosítani a gyógyulást befolyásoló rejtett összefüggéseket, amelyek sokaságát emberi elmével nem tudunk értelmezni, miközben az előrejelző modellek a rendelkezésre álló információkból már azelőtt jelzik a bajt, hogy a tünetek egyértelműen megjelennének. Az adatok alapján végzett csoportosítás pedig lehetővé teszi a rizikócsoportok pontos elkülönítését, így a megelőzés sokkal célzottabbá válik - hangzott el az Innovatív Gyógyszergyártók Egyesülete (AIPM) ritka betegségekről szóló februári konferenciáján.

Eddig nem tapasztalt pontosságú diagnosztika

Nemzetközi tapasztalatok szerint mesterséges intelligencia nélkül ma már elképzelhetetlen a diagnosztika élvonala. A röntgen-, CT- és szövettani leletek gépi támogatással történő elemzése egyes rendszerekben akár 96 százalékos pontosságot is elérhet, ami jelentősen csökkentheti a diagnosztikai hibák kockázatát. Ebben kulcsszerepe van a mélytanulásnak, amely az emberi agy működéséhez hasonló neuronhálózatokkal dolgozik, és képes összetett adatok – például genetikai szekvenálási információk – feldolgozására is.

Emellett egyre elterjedtebb a szöveges orvosi leletek automatizált feldolgozása: a nagy nyelvi modellek strukturált adatbázissá alakíthatják a klinikai jegyzeteket, miközben a különböző vizsgálatok – például ultrahangfelvételek és klinikai leírások – együttes elemzése is segíti az orvosi döntéshozatalt. Egyes rendszerek már a szepszis kockázatának korai előrejelzésében is bizonyítottak.

Ritka betegségek: kevés érintett, kevés adat

A technológia a ritka betegségek területén is kulcsfontosságú. „Itt a legnagyobb akadályt eddig az jelentette, hogy a kevés beteg miatt nem állt rendelkezésre elég adat a kutatásokhoz. A megoldást a virtuális páciensek jelentik: a kutatók valódi laborleletekből és genetikai mintákból kiindulva olyan digitális modelleket hoznak létre, amelyek statisztikailag pontosan utánozzák a valódi betegeket, de nem köthetők élő személyekhez” – mondta Dr. Szalóki Katalin, az AIPM igazgatója.

Az úgynevezett „kevés mintás tanulás” lehetővé teszi, hogy az algoritmusok már nagyon kis mennyiségű adatból is megbízható következtetéseket vonjanak le. Ez nemcsak az intézmények közötti adatmegosztással kapcsolatos adatvédelmi problémákat csökkentheti, hanem a számítógépes szimulációk alkalmazását is támogatja. Ennek köszönhetően a különböző terápiás lehetőségek először digitális környezetben vizsgálhatók, ami felgyorsíthatja a kutatást és a kezelések fejlesztését olyan területeken is, ahol korábban az adatok hiánya jelentett akadályt.