Podejścia do spersonalizowanej opieki zdrowotnej wykorzystujące sztuczną inteligencję
Szybka i skuteczna identyfikacja osób, u których ryzyko wystąpienia choroby jest wysokie, ma kluczowe znaczenie dla lepszych długoterminowych wyników zdrowotnych. Sprawdza się to zwłaszcza w przypadku schorzeń, które można leczyć, takich jak cukrzyca, udar czy choroba wieńcowa. Projekt AI-PREVENT, finansowany przez Europejską Radę ds. Badań Naukowych(odnośnik otworzy się w nowym oknie), starał się wspierać osiągnięcie tego celu poprzez zastosowanie sztucznej inteligencji (AI). Zebrano więc dane dotyczące zdrowia fińskiej populacji, a także szereg innych informacji. „Dane te zostały zebrane w ramach inicjatywy FinRegistry(odnośnik otworzy się w nowym oknie)” — wyjaśnia koordynator projektu AI-PREVENT, Andrea Ganna z Uniwersytetu w Helsinkach(odnośnik otworzy się w nowym oknie). „Ten zbiór danych obejmuje dane zdrowotne, a także szeroki zakres innych informacji, takich jak hospitalizacje, diagnozy, ryzyko rodzinne i status społeczno-demograficzny”.
Modelowanie zdrowia i innych czynników ryzyka
To cenne źródło danych umożliwiło zespołowi projektu opracowanie i zastosowanie nowatorskich podejść wykorzystujących AI do modelowania możliwych trajektorii zdrowotnych w odniesieniu do chorób układu krążenia. Miało to na celu znalezienie nowych sposobów modelowania złożonych zależności między zdrowiem a różnymi innymi czynnikami ryzyka. „Można myśleć o tym zbiorze danych jak o księdze życia wszystkich obywateli Finlandii” — mówi Ganna. „Każda osoba jest w tej książce jednym zdaniem. Wszystkie zaś są ze sobą powiązane poprzez relacje i elementy wielopokoleniowe”. Zastosowanie narzędzi sztucznej inteligencji umożliwiło Gannie i jego zespołowi przeanalizowanie każdego „zdania” w odpowiednim kontekście i wygenerowanie prognoz na przyszłość. „Możemy spróbować zobaczyć, jak te indywidualne historie będą najprawdopodobniej ewoluować” — wyjaśnia.
Łączenie danych społeczno-ekonomicznych ze zdrowotnymi
Modele wygenerowane przez sztuczną inteligencję rzeczywiście okazały się potężnymi narzędziami do identyfikacji konkretnych osób zagrożonych i wymagających opieki profilaktycznej. Potencjalnymi zastosowaniami końcowymi mogą być badania przesiewowe w kierunku raka lub identyfikacja osób wymagających kontroli układu sercowo-naczyniowego. „Ten rodzaj sortowania byłby zwykle wykonywany tylko na podstawie kluczowych kryteriów, takich jak wiek i płeć” — dodaje Ganna. „Zastosowanie narzędzi sztucznej inteligencji do dużego rejestru danych oznacza, że możemy lepiej badać ludzi. Takie bardziej spersonalizowane podejście może pomóc im żyć dłużej i być bardziej opłacalne dla usług zdrowotnych”. Projekt przyjrzał się również koncepcji sprawiedliwości. Ganna chciał się dowiedzieć, czy modelowanie AI będzie dokładne dla wszystkich grup społecznych, czy też może faworyzować niektóre grupy, takie jak osoby zamożne. „Chcieliśmy sprawdzić, czy powiązanie danych społeczno-ekonomicznych ze zdrowotnymi może dostarczać bezstronnych wskaźników” — zauważa. „Takie podejście wiąże się również z pytaniem, czy jako społeczeństwo w ogóle chcemy wykorzystywać dane w ten sposób. Jeśli to system sztucznej inteligencji będzie decydować na podstawie złożonych danych, kto jako pierwszy powinien otrzymać szczepionkę, to czy obywatele to zaakceptują?”.
Zwiększanie zdolności generalizacji modeli sztucznej inteligencji
Kolejnym ważnym krokiem będzie rozszerzenie tych prób na kilka krajów europejskich. Ganna zauważa, że europejskie rozporządzenie w sprawie europejskiej przestrzeni danych dotyczących zdrowia(odnośnik otworzy się w nowym oknie), które weszło w życie w marcu 2025 r., jest w dużej mierze zgodne z przepisami obowiązującymi w Finlandii, które umożliwiły realizację projektu AI-PREVENT. „Ten projekt podkreślił znaczenie dostępu do danych” — wyjaśnia. „To podstawa wszystkiego, co robimy. Nie będziemy w stanie zrozumieć na przykład sprawiedliwości stosowania narzędzi sztucznej inteligencji, jeśli nie będziemy mieć rzeczywistych danych, które możemy w tym celu wykorzystać. Badania nad precyzyjną publiczną opieką zdrowotną nie są możliwe bez tych podstawowych działań”. Jego zdaniem zastosowanie sztucznej inteligencji w większej liczbie krajów UE pomogłoby uogólnić modele Ganny i zwiększyć ich zdolność do zrozumienia różnic między krajami. Badacz zamierza również trenować swoje modele AI na danych genetycznych, aby jeszcze bardziej wzmocnić profilaktyczną opiekę zdrowotną w Europie. Takie ukierunkowane podejścia powinny poprawić wyniki zdrowotne i sprawić, że praca w laboratorium będzie skuteczniejsza i bardziej wydajna.