top

AIBARC – JEDYNE TAKIE MIEJSCE NA ZIEMI

Autorzy: Waldemar Wiśniewski, Dariusz Mikołajewski

Zdrowie zajmuje ważną pozycję w hierarchii ludzkich potrzeb, a od rozpoczęcia pandemii jego wartość jeszcze bardziej rośnie. Trudne czasy wymagają niekonwencjonalnych rozwiązań, takich jak inteligencja obliczeniowa (ang. computational inteligence – CI), której częścią jest sztuczna inteligencja (ang. artificial intelligence – AI).

Poczucie bezpieczeństwa, kontroli nad zdrowiem własnym i swoich bliskich musi cechować się ciągłością i perspektywą rozłożoną na lata, a nawet na całe życie. Z ww. względów pacjentom trzeba zapewnić nie tylko doraźną pomoc w postaci badania i interwencji terapeuty, ale i perspektywę, w której czułyby się bezpiecznie: predykcję efektów dbałości o zdrowie, a jeśli trzeba – to również z uwzględnieniem ewentualnej terapii. Jest to o tyle ważne, że pozwala się zawczasu przygotować do kłopotów ze zdrowiem, nie tylko finansowo.

Sytuacja, z którą boryka się świat od końca 2018 roku związana z pandemią koronawirusa SARS-CoV-2, spowodowała, że dwie z najważniejszych potrzeb człowieka, czyli wspomniane poczucie bezpieczeństwa i kontrola nad własnym zdrowiem, zostały bardzo mocno zachwiane. W pewnych obszarach można by się pokusić o sformułowanie: straciliśmy je w ogóle.

Bez względu na region świata, na każdym dotkniętym pandemią obszarze, opieka zdrowotna przechodziła swoistego rodzaju sprawdzian. Do kryteriów podlegających ocenie można zaliczyć dostępność podstawowej opieki zdrowotnej (w Polsce mówimy o lekarzu rodzinnym), dalej dostępie do usług specjalistycznych oraz zarządzaniu kryzysowym pacjentem, czy zarządzaniu kadrą medyczną. Specjaliści słabo oceniają to, w jaki sposób Polska radziła i radzi sobie z sytuacją kryzysową. Na ten obraz nakłada się rosnący średni wiek lekarzy specjalistów w kluczowych dziedzinach medycyny. Specjaliści prognozują, że

w najbliższym pięcioleciu z rynku zniknie ponad 6-7 tys. specjalistów różnych dziedzin. Niestety nie uzupełnimy tych luk w przeciągu najbliższych 15-20 lat. W związku z tym należy szukać innych rozwiązań, które wpłyną na poprawę i stopniowe podwyższanie efektywności opieki zdrowotnej.

Światowe trendy pokazują, że kluczem do dalszego podwyższania efektywności opieki zdrowotnej jest jej obiektywizacja, automatyzacja i robotyzacja. Wierzymy jednak, że to właściwy kierunek, ale należy go uzupełnić o personalizowane podejście do pacjenta (ang. patient-tailored therapy). Indywidualna, dopasowana do potrzeb diagnostyka i terapia uwzględniająca wywiad i historię stanu zdrowia pacjenta pozwala na kompleksowe monitorowanie i predykcję potencjalnych zmian chorobowych oraz reagowanie zawczasu na pojawiające się zwiastuny zagrożeń i szanse poprawy/utrzymania stanu zdrowia. Optymalizacja ścieżki diagnostycznej i terapeutycznej jest ważna w każdym wieku: u dzieci, osób aktywnych zawodowo czy sportowo oraz u osób w podeszłym wieku, ale ich personalizacja nadaje niespotykany sznyt, jaki ma tylko garnitur haute couture szyty na miarę w porównaniu z kolekcją prêt-àporter z wieszaka.

 

Metody i techniki

Zaawansowanie technologiczne proponowanych rozwiązań powoduje, że trudno określić ich ramy. Czerpiemy z bogatego repertuaru metod i technik sztucznej inteligencji, kreatywnie łącząc ze sobą różne podejścia w celu uzyskania rezultatu badań optymalnie dostosowanego do potrzeb. Tradycyjne sztuczne sieci neuronowe o strukturze optymalizowanej algorytmami genetycznymi są uzupełniane głębokimi sieciami neuronowymi, drzewami decyzyjnymi
i lasami losowymi. Parametry lingwistyczne są opisywane i analizowane z wykorzystaniem logiki rozmytej, w tym skierowanych liczb rozmytych. Gładkość czy zróżnicowanie wartości  w czasie i przestrzeni są obiektywizowane za pomocą parametrów multifraktalnych, a w systemach wieloagentowych pomocą służy nam inteligencja roju: algorytmy mrówkowe oraz optymalizacja wielocząsteczkowa.

Technologie FrontEndowe (HTML5, CSS3, Java Script, jQuery, Bootstrap, Angular, React) są uzupełniane aplikacjami BackEndowymi, wykonywanymi na serwerze w oparciu o PHP, C#, Javę i Pythona. Szczególną wagę przykładamy do bazy danych oraz ich bezpieczeństwa, nie stroniąc przy tym od wirtualizacji i technologii chmurowych, a w obszarze sprzętowym: od internetu rzeczy, inteligentnego otoczenia, a także coraz częściej rzeczywistości wirtualnej i rozszerzonej oraz informatyki afektywnej.

Człowiek jest istotą wielomodalną, chłonącą doświadczenie wszystkimi zmysłami, zatem taka też musi być nasza diagnostyka, oparta na wielu modalnościach: świetle, temperaturze, a także na tym co niedostrzegalne nieuzbrojonym okiem, czyli wynikach badań laboratoryjnych.

Nikt z nas nie lubi szpitala, najlepsze środowisko dla pacjenta to dom i otoczenia bliskich. Nawet proste rozwiązania telemedyczne i telerehabilitacyjne mogą pomóc we wczesnym wykryciu zmian chorobowych oraz celowanej terapii maksymalnie skracającej pobyt w szpitalu. Jednak dalsza dbałość o zdrowie jest konieczna, a dyskretne monitorowanie stanu zdrowia nie musi być widoczne nawet u osób w podeszłym wieku, nienawykłych do obcowania z zaawansowaną techniką.

 

Zastosowania

Tradycyjne narzędzia statystyczne są w stanie wyodrębnić jedynie ok. 15 % wiedzy z danych. Wydobycie z danych pozostałych 85 % wiedzy wymaga zastosowania znacznie bardziej zaawansowanych rozwiązań, od drążenia danych do metod heurystycznych. Zatem uzyskanie pełnej wiedzy zamiast ledwie 15 % ma kluczowe znaczenie dla podejmowania decyzji klinicznych i oceny jakości diagnostyki, leczenia, rehabilitacji i opieki.

Nasze rozwiązania nie dokonują tylko prostej klasyfikacji, ale budują złożone modele zdrowia i różnych  stanów chorobowych oraz umieszczają wewnątrz nich model pacjenta, tak by dzięki skalowaniu wielowymiarowemu zawsze było widoczne położenie pacjenta na mapie stanu zdrowia, a w przypadku cyklu pomiarów: atraktor pacjenta oraz predykcja kolejnych stanów. Mamy nadzieję, że wkrótce stanie się możliwe zaprezentowanie naszego wirtualnego bliźniaka pacjenta, który nie tylko będzie informował o stanie zdrowia i zagrożeniach, ale pozwalał z wyprzedzeniem planować interwencje. To już nie będzie Przemysł 4.0, lecz pełnowymiarowy program medycyny prewencyjnej Klinika 4.0, oparty na sieci placówek pod markami LifePoint.One, PTP Diagnostic Point oraz PTP Clinic. Nasza oferta jest pierwszą tego typu na rynku, wnosząc ze sobą nieco spokoju, pewności i stabilizacji w tych trudnych dla nas wszystkich czasach.

 

AiBARC

 Opisany powyżej obszar wymaga badań interdyscyplinarnych, skupiających nie tylko inżynierów i naukowców, ale również specjalistów klinicznych. Znajduje się na styku inżynierii technicznej i telekomunikacji, biocybernetyki i inżynierii biomedycznej, nauk medycznych i nauk o zdrowiu, nauk o kulturze fizycznej i nauk społecznych (psychologii, socjologii). W szczególności chodzi o to, żeby modele głębokiego uczenia uwzględniały nie tylko wartosć informacyjną samego sygnału (z diagnostyki obrazowej, EEG, EMG i innych), ale również nie mniej istotny kontekst kliniczny, nie tylko ten zawarty w elektronicznej kartotece pacjenta (EHR), ale w całej wiedzy o nim i jego rodzinie. Nasze wysiłki w ww. obszarze zostały uwieńczone sukcesem. Artificial Intelligence Biomedical Application Research Center (AIBARC, Centrum Badań Zastosowań Biomedycznych Sztucznej Inteligencji https://aibarc.com/) dba o dostarczanie najwyższej jakości produktów, w których sztuczna inteligencja stanowi kluczowy element obliczeniowy, odpowiedzialny za wysoko rozwinięty proces personalizacji usług i produktów dostarczanych na rynek.

 

Etyka AI i bezpieczeństwo danych

Nie stronimy od wyzwań. Etyka sztucznej inteligencji oraz bezpieczeństwo danych są naszymi priorytetami. Nasi specjaliści ciągle podwyższają swoje kwalifikacje, a nasze rozwiązania to supertechnika w zasięgu każdego Polaka i Polki.

 

AIBARC Academy

Na rynku brakuje specjalistów od sztucznej inteligencji, a z miesiąca na miesiąc będą coraz  bardziej potrzebni – nie tylko jako naukowcy, ale również do rozwiązywania  problemów z AI występujących w codziennym życiu. Rośnie nie tylko sektor sztucznej inteligencji
w zastosowaniach biomedycznych, ale całe branże związane z inteligentnym ubraniem, inteligentnymi miastami czy autonomicznymi samochodami i dronami.

AIBARC to również szkolenia ze sztucznej inteligencji i jej zastosowań w ramach AIBARC Academy. Oprócz szkoleń podstawowych ze sztucznej inteligencji w naszej ofercie znajdują się szkolenia dedykowane poszczególnym zastosowaniom, jak również szkolenia zamknięte – realizowane na konkretne zamówienie.

Oddzielnym obszarem są szkolenia dla specjalistów medycznych, gdyż do szerokiego przyjęcia klinicznego AI jest jeszcze daleko. Powszechne bariery i obecne sposoby ich rozwiązywania określają tzw. kryteria RISE:

  • Regulatory aspects,
  • Interpretability, interoperability,
  • oraz potrzeba Structured data and Evidence

tj. aspekty regulacyjne, interpretowalność, interoperacyjność oraz potrzeba ustrukturyzowanych danych i dowodów. Ww. kryteria pomagają naukowcom, inżynierom i praktykom klinicznym w przygotowaniu się na wyzwania czekające ich podczas projektowania lub wprowadzania aplikacji AI do praktyki klinicznej [1]. Pracownicy sektora opieki zdrowotnej mogą lepiej wykorzystywać rozwiązania oparte na AI nawet przy ograniczonej wiedzy z zakresu nauk technicznych, jednak wiedza ta oraz współpraca z inżynierami pozwoli na lepszą i szybszą identyfikację potencjalnych możliwości i barier [2-4]. W miejsce tajemniczej “czarnej skrzynki AI” pojawia się przejrzysta i rozpoznawalna rzeczywistość metod uczenia maszynowego [5], konieczna do zbudowania efektywnego modelu, wdrożenia go i zintegrowania z procesem pracy klinicznej. Istotny jest również fakt, że coraz częściej liczba publikacji klinicznych jest tak duża, że nikt nie jest w stanie przeczytać ich wszystkich: liczba samych wytycznych onkologicznych wzrosła w latach 1996-2019 od 6 do 9 razy w zależności od miejsca nowotworu [6]. Jedynie systemy informatyczne są w stanie uwzględnić je wszystkie.

 

Podsumowanie

Jesteśmy przekonani, że AIBARC ma szansę stać się już dzisiaj wiodącym ośrodkiem badawczym oferującym skrojone na miarę sztuczno-inteligentne rozwiązania oparte na podstawach naukowych. Przedsiębiorstwa i osoby przyłączające się już dziś do grupy naszych klientów mogą zyskać nie tylko szansę na zaistnienie na trudnym rynku zastosowań sztucznej inteligencji w badaniach biomedycznych, ale również udział w pionierskich projektach
i potencjalny wpływ na kształt ważnego segmentu opieki zdrowotnej w ciągu najbliższych dziesięcioleci.

 

Literatura

  1. Varghese J. Artificial Intelligence in Medicine: Chances and Challenges for Wide Clinical Adoption. Visc Med. 2020; 36(6):443-449.
  2. Huang S. C., Pareek A., Seyyedi S., Banerjee I., Lungren M. P. Fusion of medical imaging and electronic health records using deep learning: a systematic review and implementation guidelines. NPJ Digit Med. 2020; 3:136.
  3. Waring J., Lindvall C., Umeton R. Automated machine learning: Review of the state-of-the-art and opportunities for healthcare. Artif Intell Med. 2020; 104:101822.
  4. Jim H. S. L., Hoogland A. I., Brownstein N. C., Barata A., Dicker A. P., Knoop H., Gonzalez B. D., Perkins R., Rollison D., Gilbert S. M., Nanda R., Berglund A., Mitchell R., Johnstone P. A. S. Innovations in research and clinical care using patient-generated health data. CA Cancer J Clin. 2020; 70(3):182-199.
  5. Holzinger A, Langs G, Denk H, Zatloukal K, Müller H. Causability and explainability of artificial intelligence in medicine. Wiley Interdiscip Rev Data Min Knowl Discov. 2019; 9(4):e1312.
  6. Kann B. H., Johnson S. B., Aerts H. J. W. L., Mak R. H., Nguyen P. L. Changes in Length and Complexity of Clinical Practice Guidelines in Oncology, 1996-2019. JAMA Netw Open. 2020; 3(3):e200841.