V éře, kdy digitální inovace transformují každý aspekt našich životů, se umělá inteligence stává klíčovým hráčem ve zdravotnictví. Tento článek se věnuje prozkoumání, jak AI překračuje tradiční hranice medicíny, poskytuje lékařům nové nástroje pro diagnózu a léčbu a zásadně mění způsob, jakým poskytujeme zdravotní péči. Zahrnuje příklady z nejnovějších výzkumů, které ukazují na významný přínos AI v diagnostice a léčbě. Diskutuje o etických a právních výzvách, které s sebou AI přináší. Tento článek je nejen přehledem současných aplikací AI v medicíně, ale také naznačuje, jaké budoucí směry a možnosti nás čekají v tomto rychle se rozvíjejícím odvětví.
umělá inteligence zdravotnictví AI LLM modely Regulace AI zdravotnický prostředek MDR MDSW
Využitelnost AI ve zdravotnictví
Předně bych rád zmínil, že některé texty v tomto článku byly vygenerované AI, konkrétně ChatGPT verze 4. Některé byly velmi vhodné k použití, některé naopak nepoužitelné. Námět, struktura a scénář jsou tedy vlastní tvorbou a texty vygenerované AI, zejména pak zdroje, jsou rovněž ručně ověřovány.
ChatGPT (a další podobné modely) nelze v současné podobě bezpečně používat v lékařské praxi. Jsou náchylné ke zkreslování, zaujatosti a mohou produkovat extrémně věrohodně znějící dezinformace, ačkoli se každá další i dílčí generace LLM modelů celkem výrazně posouvá a zpřesňuje svoje výstupy. Velké jazykové modely (LLM) jsou jako takové mnohem vhodnější pro generování kreativních než faktických výstupů. Navíc nejsou v souladu se zákony o ochraně osobních údajů, jako je GDPR. Také existuje celá řada rizik v rámci kybernetické bezpečnosti a máme velmi málo veřejných informací o tom, jak byly vytvořeny, vyškoleny a ověřeny, čili nelze mít účinné zajištění kvality. Spoléhat se na ně v medicíně by bylo pravděpodobně ve většině jurisdikcí nezákonné a porušovalo by to profesionální standardy, kodexy chování pro lékaře. I kdyby bylo možné tyto modely použít pro obecné lékařské vyhledávání a dotazy, mohlo by to jejich vývojáře dostat do potíží. Ti by tak mohli být odpovědní za lékařské dezinformace a také by to nejspíše vedlo k mnoha soudním sporům s pacienty, kteří by se spoléhali při přijímání takových klinických rozhodnutí na věrohodně znějící, nestandardní dezinformace.
To ovšem vůbec neznamená, že bychom se v této oblasti neměli posunovat dále, spíše naopak. S jasně definovanými pravidly a regulacemi a s jasně vymezenou zodpovědností pro lékaře by se tyto modely mohly stát nevídaným pomocníkem v oblastech a praktických příkladech, o kterých si povíme dále.
Vybrané nasazení AI ve zdravotnictví
Diagnostika: AI pomáhá lékařům při diagnostice nemocí prostřednictvím analýzy obrazových dat, jako jsou rentgeny, CT skeny a MRI. Algoritmy strojového učení mohou identifikovat vzory a anomálie, které by mohly být pro lékaře obtížně rozpoznatelné.
Personalizovaná medicína: AI umožňuje vytvářet přesnější léčebné plány na základě individuálních potřeb pacienta. To zahrnuje analýzu genetických dat, životního stylu a dalších faktorů, které mohou ovlivnit riziko onemocnění a účinnost léčby.
Vývoj léčiv: AI může urychlit proces objevování nových léčiv tím, že identifikuje potenciální molekuly a předpovídá jejich účinnost a toxicitu. Tímto způsobem může snížit náklady a zkrátit čas potřebný k uvedení nových léků na trh.
Řízení zdravotní péče: AI může pomoci optimalizovat řízení zdravotní péče tím, že analyzuje velké množství dat o pacientech a zdravotních službách. To může zahrnovat plánování zdrojů, predikci poptávky po službách a identifikaci oblastí, kde je možné zlepšit kvalitu péče.
Telemedicína a dálkový monitoring: AI může zlepšit přístup ke zdravotní péči prostřednictvím telemedicíny a dálkového sledování pacientů. Algoritmy mohou sledovat a analyzovat zdravotní údaje získané z chytrých zařízení a upozornit lékaře na potenciální problémy.
Mentální zdraví: AI může pomoci při identifikaci a léčbě duševních poruch, např. prostřednictvím analýzy textových dat z online komunikace nebo analýzy hlasových vzorků pacientů.
Robotika a asistivní technologie: AI poháněné roboty a asistivní technologie mohou zlepšit životy pacientů s omezenou pohyblivostí nebo zdravotním postižením. Robotické protézy, exoskelety a asistivní zařízení mohou pomoci zlepšit pohyblivost, rehabilitaci a nezávislost pacientů.
Prediktivní analýza: AI může využít velké množství zdravotních dat k předpovídání možných zdravotních problémů nebo epidemických výskytů. Tato prediktivní schopnost může pomoci lékařům a zdravotním systémům rychleji reagovat na potenciální hrozby.
Automatizace administrativních úkolů: AI může převzít rutinní administrativní úkoly, jako je zpracování požadavků na pojištění, řízení zdravotních záznamů a plánování schůzek. Tímto způsobem může snížit zátěž personálu a zlepšit efektivitu zdravotního systému.
Vzdělávání a trénink: AI může také hrát roli ve vzdělávání a tréninku zdravotnických profesionálů. Simulace a virtuální realita mohou umožnit lékařům a sestrám nacvičovat zákroky a zlepšovat své dovednosti v bezpečném a kontrolovaném prostředí.
FDA např. eviduje přes 500 systémů/softwarů AI jako zdravotnický prostředek. AI jako taková není certifikovaná, ale certifikace (včetně MDR) probíhá tak, že se certifikuje SW se schopností nebo funkcí AI/ML.
Motivace pro nasazování LLM modelů
Dlouhodobým problémem digitalizace v organizaci péče a vedení zdravotní dokumentace jsou čas a pozornost, které musí lékař věnovat obsluze počítače a pořizování či přepisu dat na úkor času a pozornosti věnovaným pacientovi a jeho problémům.
Nedávno médii proběhla studie, která porovnávala míru empatie v odpovědích lékařů vs. odpovědí z ChatGPT na konkrétních dotazech v oblasti zdraví. Výsledky této studie ukazují grafy níže. Je potřeba si uvědomit i omezení zmíněné autory ve studii, že dotazy nereflektují reálný příklad vyšetření lékař/pacient, ale pouze subjektivně hodnotí odpovědi na konkrétní dotazy. Na dotazy odpovídalo 195 probandů.
Překážky pro využití AI ve zdravotnictví
Bavíme-li se o LLM, konkrétně ChatGPT, je tento model „proslaven“ i tím, že má často tzv. halucinace, prostě si tento pravděpodobnostní model vymýšlí, pokud nenajde vhodnou relevanci v odpovědi, a vymýšlí si opravdu velmi zdatně a sebevědomě, takže nezkušený uživatel může nabýt dojmu, že on sám je třeba známý režisér, který natočil opravdu velkolepá a oceněná díla, která ovšem ve skutečnosti vůbec neexistují. S modelem GPT4 se situace citelně zlepšila, ale i tak není situace uspokojivá v některých méně notorických příkladech. Neméně nepříjemným faktem je, že i model GPT4 je trénován na datech do září 2021, je tedy již téměř dva roky starý. Je třeba si dávat pozor na následující omezení:
Bezpečnost dat a ochrana soukromí: AI systémy často vyžadují velké množství citlivých zdravotních informací pro svůj vývoj a provoz. Zabezpečení těchto dat a ochrana soukromí pacientů jsou klíčovými problémy, které je třeba řešit. Velké téma v EU, viz příklad Itálie.
Nedostatek interpretace a vysvětlitelnosti: Některé AI systémy, zejména hluboké neuronové sítě, mohou být složité a obtížně interpretovatelné. To může ztížit pochopení, proč systém dospěl k určitému závěru nebo doporučení, což může vést k nedůvěře ze strany lékařů a pacientů. Řeší např. MDR v EU.
Závislost na technologii: Přílišná závislost na AI může vést k tomu, že lékaři nebudou schopni pracovat bez ní nebo že jejich dovednosti se postupně zhorší. To může mít negativní důsledky, pokud dojde k selhání technologie nebo je nedostupná. Pomůže správná edukace lékařů a regulace aneb dobrý sluha, ale zlý pán.
Etické a právní otázky: Použití AI ve zdravotnictví může vést k etickým a právním otázkám, jako je rozhodování o životě a smrti, zodpovědnost za chyby AI systémů nebo rovnost přístupu ke zdravotní péči. Musí se omezit legislativně.
Nesprávné nasazení nebo špatná implementace: Pokud není AI správně nasazena nebo implementována, může to vést k chybám, které by mohly mít negativní dopad na kvalitu péče o pacienty. Opět musí vyřešit MDR a regulace.
Ekonomické a sociální dopady: AI může mít také ekonomické a sociální dopady, jako je ztráta pracovních míst v důsledku automatizace některých funkcí nebo nerovnoměrné rozdělení přínosů AI mezi různé skupiny společnosti. To může vést ke zvýšeným nerovnostem a sociálním problémům. Současně může AI přinést nová pracovní místa, která si zatím neumíme představit, některé ale již dnes můžeme celkem dobře odhadnout.
Výzva pro kybernetickou bezpečnost
AI systémy ve zdravotnictví mohou být také zranitelné vůči kybernetickým útokům. Útočníci mohou získat přístup k citlivým datům nebo narušit fungování systému, což by mohlo ohrozit péči o pacienty a způsobit škodu. Např. sofistikovaný phishing generovaný AI už je dnes realitou, na druhou stranu nasazení AI do KB se zdá účinnou obranou a existují systémy, které dokážou na základě naučených modelů chování běžného uživatele a modelů chování malwaru celkem přesně rozeznat, že se v síti či počítači děje něco nekalého.
Dokonce tzv. bílí hackeři dnes připravují phishingové řízené kampaně, které jsou generované GPT a jsou opravdu dokonalé. Jazyková bariéra s GPT téměř úplně padla, ale forma toho, jak oklamat člověka, je opravdu na vysoké úrovni a právě díky těmto cíleným kampaním a tréningu uživatelů je možné se před narůstající vychytralostí záškodníků účinně chránit.
Konkrétní příklady využití LLM ve zdravotnictví – výzkumné projekty
Využití LLM modelů v praxi
Kromě využití v bezpečnosti a analýze síťového provozu se pojďme pobavit o využití LLM modelů ve zdravotnických provozech nemocnice. Cílem nasazení LLM je prakticky ověřit použitelnost a dopady využití tzv. Large Language Models a dalších nástrojů AI k úspoře času lékařů pomocí automatizace přepisů rozhovorů pacienta a lékaře, přípravy lékařských zpráv, záznamů vizit, vystavování žádanek, receptů či sumarizace laboratorní zpráv atd. Sledovanými výstupy projektu budou kromě dopadu na efektivitu práce lékařů také dopady na chování lékařů, pacientů a celkovou kvalitu vztahu lékař – pacient v dlouhodobém kontextu.
Navrhované řešení problému:
- Využití standardních technologií LLM v následujících oblastech:
- Triáž a přípravný sběr dat před návštěvou pacienta.
- Shrnutí předchozí léčby pacienta.
- Záznam a shrnutí rozhovoru pacienta a lékaře.
- Příprava výstupů (recepty, žádanky) pro schválení lékařem.
- Výzkum a porovnání efektivity různých modelů LLM pro tento účel.
Chatbot s omezenými vstupními daty (okruh českého zdravotnictví) použitelný na webu nemocnice a portálech pro pacienty.
Jako názorná ukázka využití LLM, konkrétně ChatGPT v4, může sloužit nestrukturovaná lékařská zpráva spolu s výsledky laboratoře u postcovid pacienta. Velké množství nemocničních systémů v nemocnicích ještě nemá dostatečně strukturované vstupy, proto se s takovým případem setkáváme velmi často a pro strukturalizaci těchto dat se ukazují LLM modely jako velmi zdatný pomocník.
Příklad ambulantní zprávy:
Anamnesticky: 25.1.-3.2.2021 hospit. COVID odd. pneumoni PNEUMONIE PLICNÍ_NEMOC bilat.. Nutnost oxygenoterapie PLICNÍ_NEMOC , LMWH, ATB v kombinaci Taximed + Klacid INFEKCE PLICNÍ_NEMOC, kortikoidy. Klacid INFEKCE PLICNÍ_NEMOC 14. dne pozit. Ig Chlamydia sp. Subjektivně: Mentální zhoršení prodělaném COVID, připadá si otupělý, pamět horší. Trvá celková slabost, jemný třes HKK. Někdy pocit bolesti v krku, spontánně odezní. Přes si dát siestu. Při chůzi rovině nezadýchá, schodů vyjde 1 patro, zadýchá. Kašel mívá dráždivý, občas vykašle hleny, zvyklé barvy, bez příměsi krve. Bolesti kloubů chronicky již COVID. Každým dnem obtíže trochu zlepšují. Horečky, zimnice, či třesavky neguje, neguje dysurie, neguje i jiné známky infektu. OA: art. hypertenze KARDIOVASKULÁRNÍ, stp. TEP obou kyčlí, neuropatie DKK, st.p. CHCE RA: tuberkulóza negat., otec Ca plic (+48), matka (+80) fr. krčku, 3 sourozenci, 2 zemřeli (náhlá smrt, Ca v břiše), sestra zdráva, 2 synové zdrávi FA: Prestarium Neo Combi 10mg tbl. 1-0-0, BEtaloc KARDIOVASKULÁRNÍ Zok 25mg tbl. 1/2-0-0, Torvacard Neo 10mg tbl. 0-0-1, Moduretic 1/2- 0-0, Valsacor 80mg tbl. 1-0-0, Lyrica EPILEPSIE NEURO 150mg tbl. 1-0-0 AA: neguje lékové a potravinové alergie PA: předseda odboru SA: bydlí s rodinou (všichni pozitivní) KA: kouření ne, alkohol ne; Objektivně: TK 120/75, P 80/min, SpO2 POCT 97% Lucidní, spolupracuje, orientovaný, odpovídá přiléhavě, někdy s krátkou latencí. Klidově eupnoe NORMÁLNÍ_DÝCHÁNÍ, bez cyanosy. Hlava normocefalická, zornice izokorické, jazyk plazí středem, bez povlaku, hrdlo klidné. AS reg., o.o., bez šelestu, dých. alv., bilat. zejména bazálně jemné chrůpky. Břicho bpn, DKK bez otoků. RTG S+P: Bez známek PNO. Hrubé skvrnité a pruhovité stíny bilat. difuzně, více vlevo - snímku z 1.2.2021 bez další regrese. Cévní kresba KARDIOVASKULÁRNÍ přiměřená. Bránice hladká, zevní úhly volné. Srdeční stín KARDIOVASKULÁRNÍ nerozšířen. Spirometrie+bodypletysmografie: VC 2,87=75%, FEV1 2,65=94%, FEV1/VC 92%, MEF25 199%, RV 106%, TLC 76%, R tot 0,20 Lehká restrikční ventilační porucha, RV v normě, ODPOR_DÝCH_CEST V_NORMĚ. Poznámka operátora: FV OPAK.-HORŠÍ SPOLUPRÁCE ,DLCO- PAC. VŮBEC NEZVLÁDL DLE POKYNŮ. Dg.Dg Závěr: - St.p. bilat. pneumoni PNEUMONIE PLICNÍ_NEMOC, etiol. COVID- 19, s akutní respirační insuficiencí, s nutností oxygenoterapie PLICNÍ_NEMOC , kortikoterap KORTIKOID, ATB terapie, Klacid INFEKCE PLICNÍ_NEMOC 14 dní (+ Ig Chlamydia sp.) Doporučení:- Postupně zátěž dle tolerance.- Vzhledem k krátkému odstupu prodělání onemocnění COVID-19, a tendenci klinickému zlepšování t.č. neindikujeme kortikoterap KORTIKOID.- Kontrola v COVID-19 ambulanci 06.04.21 - 07:20, RTG S+P, spirometrie: (F-V, body, difuze) - při RTG nálezu doplníme HRCT a zvážíme terapii kortikosteroidy.- Stran výsledků odběrů vč. protilátek telefonicky kontaktovat Dr. M. tel. č. XXX dne 10.2. kolem 14:00.Indikace k transportu: neindikován Indikace k lázeňské léčbě: Vzhledem k prodělané COVID-19 pneumoni PNEUMONIE PLICNÍ_NEMOC bilat. s akutním hypoxemickým respiračním selháním s nutností oxygenoterapie PLICNÍ_NEMOC a terapie kortikosteroidy, a přetrvávajícímu plicnímu postižení, indikována lázeňská péče. Prosíme o předpis poukazu cestou praktického lékaře.
Po GPT jsme chtěli obecné shrnutí případu a odpověď vypadá následovně:
slabost, jemný třes horních končetin, občas bolest v krku, která spontánně odezní. Při chůzi po rovině se nezadýchá, ale po výstupu jednoho patra schodů se zadýchá. Kašel má dráždivý, občas vykašle hleny běžné barvy bez příměsi krve. Bolesti kloubů trvají chronicky již od COVID-19. Obtíže se každým dnem trochu zlepšují. Horečky, zimnice nebo třesavky, dysurii a další známky infekce popírá. Objektivně byl pacient vyšetřen a byly provedeny laboratorní testy a RTG. Spirometrie ukazuje lehkou restrikční ventilační poruchu, RV v normě a normální odpor dýchacích cest. Diagnóza: St.p. bilat. pneumonie způsobená COVID-19, s akutní respirační insuficiencí, s nutností kyslíkové terapie, kortikoterapie a antibiotik (Klacid po dobu 14 dní a Ig Chlamydia sp.) Doporučení: Postupně zvyšovat zátěž dle tolerance. Vzhledem ke krátké době od prodělání COVID-19 a tendenci k zlepšování kortikoterapie momentálně není indikována. Kontrola v COVID-19 ambulanci dne 6. 4. 2021 v 07:20, RTG S+P, spirometrie (F-V, body, difuze), při nálezu na RTG doplnit HRCT a zvážit terapii kortikosteroidy. Výsledky odběrů včetně protilátek si pacient má zjistit telefonicky u Dr. M. dne 10. 2. kolem 14:00 na telefonním čísle XXX. Lázeňská léčba je indikována vzhledem k prodělané COVID- 19 pneumonii s akutním hypoxemickým respiračním selháním a nutností kyslíkové terapie a terapie kortikosteroidy.
Pacient má v anamnéze hospitalizaci od 25. 1. do 3. 2. 2021 na oddělení COVID s pneumonií způsobenou COVID-19. Potřeboval kyslíkovou terapii, léčbu s LMWH, kombinaci antibiotik (Taximed a Klacid) a kortikoidy. Byl pozitivní pro Ig Chlamydia sp.
Pacient si stěžuje na zhoršení mentálního stavu po prodělaném COVID-19, pocit otupělosti a horší paměť. Má celkovou slabost, jemný třes horních končetin, občas bolest v krku, která spontánně odezní. Při chůzi po rovině se nezadýchá, ale po výstupu jednoho patra schodů se zadýchá. Kašel má dráždivý, občas vykašle hleny běžné barvy bez příměsi krve. Bolesti kloubů trvají chronicky již od COVID-19. Obtíže se každým dnem trochu zlepšují. Horečky, zimnice nebo třesavky, dysurii a další známky infekce popírá.
Objektivně byl pacient vyšetřen a byly provedeny laboratorní testy a RTG. Spirometrie ukazuje lehkou restrikční ventilační poruchu, RV v normě a normální odpor dýchacích cest.
Diagnóza: St.p. bilat. pneumonie způsobená COVID-19, s akutní respirační insuficiencí, s nutností kyslíkové terapie, kortikoterapie a antibiotik (Klacid po dobu 14 dní a Ig Chlamydia sp.)
Doporučení: Postupně zvyšovat zátěž dle tolerance.
Vzhledem ke krátké době od prodělání COVID-19 a tendenci k zlepšování kortikoterapie momentálně není indikována.
Kontrola v COVID-19 ambulanci dne 6. 4. 2021 v 07:20, RTG S+P, spirometrie (F-V, body, difuze), při nálezu na RTG doplnit HRCT a zvážit terapii kortikosteroidy.
Výsledky odběrů včetně protilátek si pacient má zjistit telefonicky u Dr. M. dne 10. 2. kolem 14:00 na telefonním čísle XXX.
Lázeňská léčba je indikována vzhledem k prodělané COVID- 19 pneumonii s akutním hypoxemickým respiračním selháním a nutností kyslíkové terapie a terapie kortikosteroidy.
Další dotaz byl na léky a případné interakce (došlo k více varováním od GPT).
Pacient užívá následující léky:
- Prestarium Neo Combi 10 mg tbl. 1-0-0 (perindopril a indapamid) – léčba hypertenze
- Betaloc Zok 25 mg tbl. 1/2-0-0 (metoprolol) – léčba hypertenze a dalších kardiovaskulárních onemocnění
- Torvacard Neo 10 mg tbl. 0-0-1 (atorvastatin) – snižování cholesterolu
- Moduretic 1/2-0-0 (amilorid a hydrochlorothiazid) – léčba hypertenze a retence tekutin
- Valsacor 80 mg tbl. 1-0-0 (valsartan) – léčba hypertenze
- Lyrica 150 mg tbl. 1-0-0 (pregabalin) – léčba neuropatické bolesti a epilepsie
Obr. 2: Prostředí powerApps od Microsoftu. https://learn.microsoft.com/cs-cz/ai-builder/create-form-processing-model
Nežádoucí interakce mezi těmito léky jsou možné, ale vzhledem k tomu, že pacientovi byly tyto léky předepsány lékařem, lze očekávat, že potenciální interakce byly zváženy a považovány za přijatelné. Přesto je důležité monitorovat pacienta a sledovat jakékoli příznaky nežádoucích účinků nebo interakcí.
Mezi potenciální nežádoucí interakce patří:
Prestarium Neo Combi a Moduretic – oba léky obsahují diuretika (indapamid a hydrochlorothiazid), mohou způsobit zvýšený účinek diuretik a zvýšit riziko dehydratace a elektrolytických nerovnováh. Je třeba sledovat hladiny elektrolytů a pravidelně kontrolovat funkci ledvin.
Betaloc Zok a Valsacor – oba léky mají antihypertenzivní účinky, což může vést k nadměrnému snížení krevního tlaku. Je důležité sledovat krevní tlak a přizpůsobit dávkování podle potřeby.
Kromě toho se pacient léčil s Klacidem (klaritromycin) a Taximedem (ceftriaxon) pro plicní infekci, kortikoidy pro zánět a LMWH (nízkomolekulární heparin) jako antikoagulant. Tyto léky byly pravděpodobně ukončeny po úspěšné léčbě plicní infekce.
Poslední dotaz byl na interpretaci laboratorních výsledků s možnými problémy:
Vstupní data v této podobě:
Biochemie-sérum: S_Na : 136, S_K : 3,10, S_Cl : 96, S_Ca : 2,26, S_Ur : 8,8, S_K REA: 97, q_qGFkrea : 1,11, S_K M: 269, S_Bi : 21, S_ALT : 0,74, S_AST : 0,47, S_ALP : 2,60, S_GGT : 1,58, S_CRP : 50,6 KREVNÍ OBRAZ (nesrá: B_WBC : 14,99, B_RBC : 5,13, B_Hgb : 143, B_HCT : 0,42, B_MCV : 82,3, B_MCH : 27,9, MCHC : 33,9, B_RDW : 13,4, B_PLT : 169, B_MPV : 12,3
Diferenciál: z analy: B_Ly%: 8,6, B_Mo%: 10,0, B_Ne%: 78,4, B_Eo%: 2,6, B_Ba%: 0,4, B_Ly#: 1,29, B_Mo#: 1,50, B_Ne#: 11,75, B_Eo#: 0,39, B_Ba#: 0,06
Koagulační screening: P_Q%: 70, P_INR: 1,30, P_Qcas: 14,5, P_Qnrm: 10,5, P_aPTT: 33,9, P_aPTR: 1,21 Dg.
Odpověď GTP: S_K (sérový draslík) má hodnotu 3,10, což je mírně snížená hodnota. Normální rozmezí sérového draslíku je obvykle 3,5–5,0 mmol/l. Nízká hladina draslíku může být způsobena různými faktory, jako je ztráta tekutin, nadměrné pocení, užívání diuretik nebo problémy s ledvinami.
S_CRP (C-reaktivní protein) má hodnotu 50,6, což je zvýšená hodnota. Normální hodnoty CRP se pohybují mezi 0 a 5 mg/l. Zvýšené hladiny CRP mohou naznačovat zánětlivý proces nebo infekci v těle.
Krevní obraz:
B_WBC (počet bílých krvinek) má hodnotu 14,99, což je zvýšená hodnota. Normální rozmezí počtu bílých krvinek je obvykle 4,0–11,0 x 10^9/l. Zvýšený počet bílých krvinek může naznačovat infekci nebo zánět v těle.
B_Ne% (procento neutrofilů) má hodnotu 78,4, což je zvýšená hodnota. Normální rozmezí neutrofilů je obvykle 40– 70 %. Zvýšené procento neutrofilů může naznačovat bakteriální infekci nebo zánět.
Koagulační screening:
P_INR (International Normalized Ratio) má hodnotu 1,30, což je mírně zvýšená hodnota. Normální rozmezí INR pro zdravé jedince, kteří neužívají antikoagulační léky, je obvykle 0,8–1,2. Mírně zvýšená hodnota INR může být způsobena různými faktory, ale obvykle není důvodem k obavám, pokud nejsou přítomny další abnormality v koagulačním systému.
Je důležité konzultovat tyto výsledky s lékařem, který bude schopen posoudit celkový klinický kontext a rozhodnout o dalším postupu a případné léčbě.
Důležitá je pak poslední věta, kdy GPT model již očekává možnou desinterpretaci a snaží se vyvarovat výstupům a závěrům à la „Dr. Google“.
Vytěžování a třídění nezdravotnické dokumentace pomocí AI
AI pomáhá třídit došlé faktury (v papírové podobě), jejichž přepis do konkrétních políček ERP je přípravou k účtování. Ačkoli se netýká přímo problematiky zdravotnických prostředků, významně šetří práci jak zdravotníků, tak nezdravotnického personálu.
Využívá se pro případy došlých faktur v papírové podobě, kterých je v nemocnicích stále značné procento, a pak faktur, které přijdou v PDF. Netýká se to elektronických faktur ve standardu ISDOC apod. Využívá se modelu AI na platformě Azure od Microsoftu, který je natrénován na vytěžování faktur a dokumentů.
Obr. 3: Schéma platformy pro včasný záchyt pacientů, vyvíjeno ve spolupráci s VUT Brno
AI v analýze RTG snímků, lékařských zpráv a laboratorních výsledků
V roce 2020 jsme ve FNOL zahájili společný projekt Ministerstva vnitra ČR s VUT Brno, jehož předmětem byl výzkum a vývoj inteligentního bezpečnostního zdravotnického systému pro včasné odhalování pacientů COVID-19 a detekce „longCovid“ pacientů.
Vyvíjený modul se stal integrální součástí aktuálního PACS prohlížeče ve FNOL, který zobrazí během pár vteřin výsledky analýzy AI a má možnost zadat vlastní úsudek (viz Obr. 4).
Obr. 4: GUI preanalýzy v PACS
Přesnost předpovědi infekce dosahovala 78 %. Výzkum a vývoj modulů pro doporučení postupu preventivní léčby plicní fibrózy dosahoval přesnosti 80 % po zapojení všech výše zmíněných vstupů výzkumu.
Zajímavá zjištění:
Kuřáci mají významně méně často těžký průběh pro patogen SARS-CoV-2 (existuje mnoho jiných, kde ano). Kouření + ztráta čichu + žaludeční problémy => velká pravděpodobnost lehkého průběhu.
Ženy mají častěji longCOVID.
V době, kdy ještě nejsou pozorovatelné příznaky onemocnění, se zvýší počet úderů srdce za minutu o cca 10 %, obdobně je tomu u jiných onemocnění (chřipka).
Obr. 5: Vstupy pro trénování a vyhodnocování AI, RTG, spirometrie, laboratoř krevního obrazu a ambulantní a hospitalizační zprávy + lékové záznamy a demografie pacienta
Co vyplývá z příkladů AI výše pohledem zdravotnického prostředku?
Z pohledu certifikace AI jako zdravotnického prostředku existuje v tomto případě zjevně více přístupů. V případě AI pro RTG existuje více scénářů. Pakliže by se jednalo o samostatný produkt a lékaři by se na základě výstupů mohli rozhodovat pro intervenci léčby, tak by to pro nemocnici či výrobce znamenalo certifikovat takový produkt v kategorii IIb. Má-li současný modul PACS certifikaci IIb a tento produkt by byl integrální součástí stávajícího PACS, pak by nebyla další certifikace nutná. Pakliže by tento modul nesloužil k rozhodování o léčbě či ke stanovení diagnózy, ale sloužil by pouze jako doplněk pro statistické hodnocení, případně pro klinické studie, pak by měla proběhnout certifikace v kategorii IIa. Stejná klasifikace, tedy IIa, by se zřejmě očekávala i pro první příklad s využitím LLM, který by v tomto případě sloužil pouze jako jakýsi interpretátor již pořízených a hodnocených dat. Jako součást podkladů pro certifikaci by pak měly sloužit výstupy z klinických testů či studií, které by pak definovaly přesnost a spolehlivost těchto interpretací.
Tato e-mailová adresa je chráněna před spamboty. Pro její zobrazení musíte mít povolen Javascript.
Použité zdroje:
[ 1 ] AYERS J. W., POLIAK A., DREDZE M., et al. Comparing Physician and Artificial Intelligence Chatbot Responses to Patient Questions Posted to a Public Social Media Forum. JAMA Intern Med. Published online April 28, 2023. doi:10.1001/jamainternmed.2023.1838. https://jamanetwork.com/journals/jamainternalmedicine/fullarticle/2804309
[ 2 ] EU: HARMONIZOVANÁ PRAVIDLA PRO UMĚLOU INTELIGENCI. 2021. https://eur-lex.europa.eu/legal-content/CS/TXT/HTML/?uri=CELEX:52021PC0206
[ 3 ] Medical Device Coordination Group Document. https://health.ec.europa.eu/system/files/2021-10/mdcg_2021-24_en_0.pdf
[ 4 ] MDR – NAŘÍZENÍ EVROPSKÉHO PARLAMENTU A RADY (EU) 2017/745, https://eur-lex.europa.eu/legal-content/CS/TXT/HTML/?uri=CELEX:32017R0745
[ 5 ] AI Builder Microsoft Azure, https://learn.microsoft.com/cs-cz/ai-builder/create-form-processing-model
[ 6 ] Projekt „CovidStop“ FNOL s VUT Brno. https://starfos.tacr.cz/cs/project/VI04000039
[ 7 ] openAI, ChatGPT, chat.openai.com/chat
[ 8 ] European Parliament’s news page on this AI regulations topic https://www.europarl.europa.eu/news/en/press-room/20231209IPR66924/artificial-intelligence-act-deal-on-comprehensive-rules-for-trustworthy-ai