Az algoritmus varázsa: kevesebb téves diagnózis, gyorsabban gyógyuló betegek

7 perc

2025.03.30. 14:30

A mesterséges intelligencia teljesen átalakítja az egészségügyi rendszereket, ehhez azonban az orvosoknak is változtatniuk kell az eddigi megszokásaikon – mondta lapunknak Parminder Bhatia, a GE HealthCare AI vezérigazgatója, aki globális szinten felelős a cég mesterséges intelligencia alapú megoldásainak stratégiai megvalósításáért.

Melyek a mesterséges intelligencia (MI) legígéretesebb felhasználási területei ma az egészségügyben?

Az egészségügy egész területén óriási potenciál rejlik. Kezdetben az MI egy-egy konkrét feladatra összpontosított, például egy adott kép elemzésére. Ma, a generatív MI és a multimodális képességek fejlődésének köszönhetően, sokkal összetettebb problémák megoldására is alkalmas. Az egészségügy a globális adatok 30 százalékát állítja elő, de ennek 97 százalékát nem használjuk fel. Képzeljük el, milyen lehetőségek nyílnának meg, ha ezeket az adatokat ki tudnánk aknázni – részletes betegadatokat hozhatnánk létre, a képalkotási eredményeket genetikai adatokkal integrálhatnánk, és ezáltal átfogó képet nyújthatunk a betegek egészségi állapotáról az orvosoknak. Az MI képes a széttagolt adatokat hasznosítható információvá alakítani, ezzel például javítva a rák kezelésének tervezését vagy a kockázatértékelést.

A generatív MI-t leginkább olyan eszközökkel társítják, mint a ChatGPT. Hogyan működik ez az egészségügyi adatok kontextusában?

A generatív MI az úgynevezett foundation modellek egyik fontos fajtája. Ezek az eszközök több szempontból is forradalmasíthatják az egészségügyet. Például képesek hatalmas mennyiségű klinikai adatot strukturált keretbe foglalni – gondoljunk csak egy rákbetegre, akinek évek alatt több ezer klinikai jegyzete, zárójelentése gyűlt össze. Az orvos vagy a beteg számára a generatív MI segítségével a betegek kórtörténeti események összegzése sokkal egyszerűbbé válik. A képalkotásnál a foundation modellek valós idejű nyomon követést tesznek lehetővé bizonyos eljárások során, például egy daganat mozgásának követését ultrahangvizsgálat közben. Számos korai kutatási projekt kiemelkedő pontosságot ér el például az emlőelváltozások elemzésében, és ezek gyorsan alkalmazkodnak új felhasználási területekhez. Ez az alkalmazkodóképesség alapvető változásokat eredményez az egészségügyi rendszerekben.

Parminder Bhatia
Reviczky Zsolt

Mik a GE HealthCare legutóbbi MI kezdeményezései és milyen hatással lehetnek ezek az egészségügyre?

A GE HealthCare több mint egy évtizede úttörő szerepet játszik a mélytanulás és az MI alkalmazásában az egészségügyben. Ez az év a harmadik egymást követő év, amikor a legtöbb FDA (az USA gyógyszerfelügyelete) által engedélyezett MI-alapú orvostechnikai eszközt tudhatjuk magunkénak – összesen 80-at. Kezdetben a röntgenes képalkotásea koncentráltunk, de azóta jelentősen bővült a tevékenységünk, és ma már számos alkalmazási területet lefedünk. Egyik forradalmi technológiánk a Caption Guidance, amelyet ultrahangos képalkotáshoz fejlesztettünk ki. Ez egyfajta másodpilótaként működik a szonográfusok (az ultrahangvizsgálat elvégzésére specializált munkatársak) számára, segítve őket abban, hogy jobb minőségű diagnosztikai képeket készítsenek. Például valós idejű visszajelzéseket ad, mint például: „mozdítsa balra a szondát,” és jelzi a megbízhatósági szinteket, amíg a kép optimális nem lesz.

Ez kiegyenlíti a különbségeket a kevésbé tapasztalt és a több évtizedes gyakorlattal rendelkező szonográfusok között, ezáltal demokratizálja a magas színvonalú diagnosztika elérhetőségét. Egy másik innovációnk az Air Recon DL, amely mélytanulás segítségével felére csökkenti az MRI vizsgálatok idejét. Egy kórház például, amely eddig óránként három vizsgálatot végzett, most hatot tud elvégezni, megduplázva a teljesítményt. Ezt a technológiát már több mint 34 millió betegvizsgálat során használták, és folyamatosan bővítjük a különböző eszközök és rendszerek között.

Hogyan garantják, hogy ezek a technológiák különböző egészségügyi rendszerekben és környezetekben egyaránt hatékonyan működjenek?

Az eltérő környezethez való alkalmazkodás kulcsfontosságú. Az algoritmus kifejlesztése csupán rövid időt vesz igénybe. Az igazi munka jelentős része a több helyszínen végzett tesztelésben és validálásban rejlik. Kiterjedt kiértékeléseket végzünk klinikai és kutatási partnerekkel világszerte, hogy a technológia következetesen teljesítsen. Ezen túlmenően szigorú szabályozási követelményeknek kell megfelelünk. Az Egyesült Államokban például az FDA-val dolgozunk együtt, míg Európában az orvostechnikai eszközökről szóló uniós rendelet (MDR) előírásainak felelünk meg.

Reviczky Zsolt

Alkalmazhatók-e ezek a technológiák a közegészségügyi rendszerekben, például Magyarországon, tekintettel az egymástól eltérő pénzügyi lehetőségekre?

Ez egy kiemelten fontos szempont. Arra törekszünk, hogy e technológiák világszerte hozzáférhetővé váljanak. A D3 stratégiánk az okoseszközök fejlesztésére, a betegségspecifikus megoldásokra (például onkológiai és kardiológiai eszközökre), valamint a skálázható MI- és digitális platformokra helyezi a hangsúlyt. Például az olyan betegségek szűrésében, mint a tüdő- vagy -emlőrák, az MI segítséget nyújthat a magas kockázatú betegek előtérbe helyezésében, a téves pozitív eredmények csökkentésében és az erőforrások hatékonyabb kihasználásában. Az ilyen áttérés a diagnosztikáról a megelőző célú szűrésvizsgálatokra jelentősen javíthatja az egészségügyi rendszerek hatékonyságát és hozzáférhetőségét.

Magyar kutatópartnerekkel is együttműködtünk olyan megoldások kidolgozásában, amelyek megfelelnek a helyi igényeknek, ugyanakkor globálisan is skálázhatók. Ezek az együttműködések jól mutatják, hogyan képes az MI áthidalni a korlátozott erőforrásokból eredő különbségeket. Termékeinket globális -elérhetőségre tervezzük, vagyis mind a magán-, mind a közfinanszírozású kórházak be tudják vezetni őket. Magyarországon például egyetemi kórházakkal működtünk együtt olyan megoldások kidolgozásában, amelyek megfelelnek az ő igényeiknek.

Az állami kórházak megengedhetik-e maguknak ezeket a fejlett MI-technológiákat?

Teljes mértékben, és pontosan erre szolgál a használatarányos fizetési modellünk. Ahelyett, hogy óriási beruházásra lenne szükség, a kórházak a használat alapján fizetnek. Akár száz, tízezer vagy egymillió vizsgálatot végeznek, ez a modell biztosítja, hogy a költségek igazodjanak az adott intézmény igényeihez. Emellett kutatási együttműködéseink célja, hogy e technológiákat szélesebb körben is elérhetővé tegyük, például Alzheimer-kutatásban és klinikai döntéshozatalban. Ez a megközelítés nemcsak a költségeket csökkenti, hanem demokratizálja is a hozzáférést a legmodernebb egészségügyi technológiákhoz.

Más nagyvállalatok, mint az IBM Watson és a Google szintén a MI egészségügyi alkalmazásait kutatják. Hogyan különbözik a GE HealthCare megközelítése?

Egyrészt több mint egy évtizede dolgozunk ezen a területen, és az ügyfelek bizalmát a szabályozási szigor és a bizonyított eredmények révén nyertük el. Másodszor a megoldásaink mélyen beépülnek az egészségügyi munkafolyamatokba – hasonlóan ahhoz, ahogy a Tesla frissíti autóit, mi is folyamatosan fejlesztjük eszközeinket a felhasználói visszajelzések alapján. Harmadszor pedig központi szerepet kapnak az együttműködések. Kutatóintézetekkel, nagyvállalatokkal és klinikai partnerekkel való együttműködés révén robusztus, skálázható megoldásokat hozunk létre.

Reviczky Zsolt

Tudna egy gyakorlati példát mondani arra, hogy ezek az együttműködések hogyan befolyásolják az ellátás minőségét?

Ilyen például a kimaradt ellátási lehetőségek kezelése. Olyan partnerekkel, mint a Mass General Brigham, kifejlesztettünk egy rendszert, amely az előzetes tesztelések alapján akár 96 százalékos pontossággal megjósolja, hogy egy beteg elmulaszt-e egy vizsgálati időpontot. Ez lehetővé teszi a kórházak számára, hogy alkalmazkodjanak – például előzetesen felhívják a betegeket, vagy beállítanak helyettesítő időpontokat –, ezáltal optimalizálva az MRI-gépekhez hasonló erőforrások kihasználtságát. Az ilyen megoldások túlmutatnak az MI-n – alkalmazkodóképességet és hatékonyságot hoznak a kórházi rendszerekbe, ami felbecsülhetetlen az időben végzett ellátás szempontjából.

Volt már példa arra, hogy egy egészségügyi intézmény konkrét problémája közvetlenül befolyásolta valamelyik MI-eszközük fejlesztését?

Az általunk kifejlesztett MI-megoldások többségét az ügyféligények vezérlik. Például az egyik termékünk, a Sonic DL, egy adott problémát old meg. Korábban nehézséget jelentett jó minőségű szívképet készíteni, különösen olyan betegek esetében, akik például szívbetegséggel vagy neurodegeneratív rendellenességekkel küzdenek, és nehezen tudnak mozdulatlanok maradni. A Sonic DL lehetővé teszi, hogy egyetlen szívdobbanás alatt kiváló minőségű szívképet rögzítsünk, megoldva ezzel egy kritikus problémát ezeknél a betegeknél. Egy másik példa a mélytanulás alapú automatikus anatómiai szegmentálási eszközünk. Az orvosok elmondták, hogy órákat töltenek képek manuális kontúrozásával – ez egy monoton folyamat, amely értékes időt vesz el a betegekkel való érdemi foglalkozástól. Azt kérdezték: „Nem lehetne-e ezt a terhet csökkenteni?” Mi erre reagálva fejlesztettünk egy olyan megoldást, amely jelentősen egyszerűsíti a folyamatot.

Hogyan reagáltak a klinikusok és orvosok ezekre az eszközökre? Szkeptikusak voltak, vagy inkább elfogadóak?

Mint minden új technológiánál – különösen az MI esetében – mindig van egy kezdeti szkepticizmus. A klinikusok óvatosak minden olyan dologgal szemben, ami megzavarhatja a munkafolyamatukat. Képzeljük el, hogy az már most is összetett, többféle adatot kezelnek különböző gépeken. Ha ehhez hozzáadunk egy újabb, nem integrált eszközt, az frusztráló lehet. Emiatt kulcsfontosságú az integráció. Célunk, hogy az MI-t közvetlenül a meglévő rendszerekbe ágyazzuk be, minimalizálva a zavarokat.

Reviczky Zsolt

Kihívást jelenet az egészségügy lassú visszacsatolási ciklusa is. Ellentétben egy okostelefonnal, amely néhány hetente frissül, az egészségügyi MI-eszközök gyakran nem rendelkeznek valós idejű frissítésekkel vagy visszacsatolási mechanizmusokkal. A klinikusok észrevehetik, hogy egy modell az esetek 70 százalékát megoldja, de a többi esetnél nehézségekbe ütközik. Ezt úgy oldjuk meg, hogy egy visszacsatolási mechanizmust hozunk létre, amely lehetővé teszi a rendszer folyamatos tanulását és fejlődését. Ez idővel erősíti a bizalmat.

Hogyan befolyásolják ezek az eszközök a klinikusok és orvosok szerepét?

Az MI inkább támogatóként, semmint helyettesítőként működik. Vegyük például az onkológiát: amikor egy rákos beteg állapotát elemzik, a klinikusnak több, strukturált elektronikus egészségügyi nyilvántartást, képalkotási eredményt és jegyzetet kell átnéznie. Az MI segíti a munkát azzal, hogy összegzi a kulcsfontosságú információkat, például a daganat három hónap alatti progresszióját vagy kritikus tüneteket, egy hosszanti nézetbe. Ez nemcsak felgyorsítja a döntéshozatalt, hanem javítja is azt. Az egészségügyi irányelvek gyakran változnak, és az MI segíthet a klinikusoknak naprakészen tartani azokat. A végső döntést továbbra is az orvos hozza meg, de az MI jobb adatokat és betekintést nyújt ezekhez a döntésekhez.

Nyitóképünk forrása: Facebook / GE HealthCare