Brakuje lekarzy, przybywa chorych. W rozwiązaniu problemu może pomagać sztuczna inteligencja
Algorytm stworzony przez polski start-up medyczny w zaledwie kilka sekund przeanalizuje wyniki badania mózgu tomografem komputerowym i wykryje niepokojące zmiany. Dzięki temu diagności medyczni poradzą sobie z lawinowo rosnącą ilością danych, które muszą przeanalizować. Jak wskazują eksperci, sztuczna inteligencja nie wyprze zawodu lekarza, ale zwłaszcza w dobie niedoboru ich na rynku pracy znacznie usprawni pracę m.in. radiologów.– Nasze badania nie są ukierunkowane na powstanie inteligencji czy na tworzenie autonomicznych algorytmów, które będą w stanie same podejmować decyzje. Przede wszystkim tworzymy narzędzia, które ułatwią człowiekowi podejmowanie tych decyzji i w tym kierunku będzie szła technologia. Już pojawiają się systemy istotnie skracające czas analizy danych, na podstawie których lekarz np. będzie stawiał diagnozę i będzie podejmował leczenie. Te metody już znajdują zastosowanie m.in. w wyszukiwaniu nowych leków, w diagnostyce medycznej, a w naszym przypadku w diagnostyce radiologicznej – mówi agencji Newseria Innowacje Robert Kitłowski, prezes zarządu BrainScan.Stworzony przez polski start-up medyczny system pozwala na automatyczne wykrywanie i klasyfikację zmian stwierdzonych w obrazach z tomografii komputerowej mózgu. Obrazy zarejestrowane przez TK są wysyłane do serwera, a następnie do chmury. Następnie wspierane przez sztuczną inteligencję algorytmy analizują wyniki pod kątem stwierdzenia nieprawidłowości. Po tej analizie dane odsyłane są z powrotem na serwer. Dzięki temu lekarze radiolodzy otrzymują przeanalizowane dane i mogą szybciej postawić diagnozę. Algorytmy z wysoką skutecznością diagnozują m.in. krwiaki oraz krwotoki podpajęczynówkowe, śródmózgowe i te, które są zlokalizowane w układzie komorowym.– Informacje zwracamy w ciągu kilku sekund na serwer klienta. W momencie, gdy radiolog siada do tego badania, widzi określone zmiany i prawdopodobieństwo, z jakim one w danym miejscu występują, więc może szybko podjąć decyzję, czy to faktycznie w tym miejscu jest dane schorzenie i czy być może chirurg powinien się zająć tym pacjentem w pierwszej kolejności. Jest to bardzo praktyczny przykład zastosowania naszego rozwiązania, gdzie w bardzo wymierny sposób skracamy czas analizy określonego badania – wskazuje Robert Kitłowski.Z danych udostępnionych przez Statista wynika, że w 2020 roku na całym świecie mogło być wygenerowanych nawet ponad 2,3 tys. eksabajtów danych medycznych. Dla porównania w 2013 roku były to nieco ponad 153 eksabajty danych. W związku z gigantycznym przyrostem informacji, które trzeba analizować, wsparcie lekarzy przez sztuczną inteligencję może się okazać konieczne.– W związku ze starzeniem się społeczeństwa liczba lekarzy, którzy będą w stanie analizować te dane, będzie maleć. W związku z tym trudno oczekiwać, żeby lekarz zwiększył swoją produktywność. Kiedyś tomograf komputerowy robił jeden skan w pół godziny czy godzinę, dzisiaj jest w stanie zeskanować całe ciało w kilka minut. Żaden radiolog nie jest w stanie pracować w takim tempie, żeby przejrzeć skan pacjenta i napisać interpretację w ciągu kilku minut. To trwa zwykle 15–20 minut. Tak więc lekarze są w pewien sposób skazani na zastosowanie nowoczesnych technologii, gdyż w innym wypadku maszyny będą produkować po prostu zbyt dużo obrazów, aby oni byli w stanie je przeanalizować – podkreśla prezes BrainScan.Według danych Naczelnej Izby Lekarskiej z roku na rok przybywa osób z dyplomem ukończenia studiów na kierunku lekarskim. W 2020 roku w zawodzie tym zarejestrowanych było w Polsce ponad 197 tys. osób, a rok wcześniej niespełna 195 tys. osób. Mimo to wciąż mówi się o deficycie w tej grupie zawodowej. Ta tendencja, połączona ze zwiększonym zapotrzebowaniem na usługi medyczne, również będzie stymulować rozwój zastosowania sztucznej inteligencji w medycynie.– Jest ogromna luka pokoleniowa. Trudno oczekiwać, by lekarz przed emeryturą chciał pracować 10 lub nawet 12 godzin przed monitorem i analizować te badania. Dlatego wszelkie czynności rutynowe, które tego typu systemy są w stanie zautomatyzować, to jest obszar na którym się koncentrujemy – mówi Robert Kitłowski.Według Grand View Research wzrost światowego rynku sztucznej inteligencji w diagnostyce w latach 2020–2027 utrzyma się na średniorocznym poziomie ponad 32 proc. Zdaniem twórców raportu głównymi czynnikami napędzającymi rozwój tego rynku będzie niedobór pracowników i wzrost popytu na rozwiązania z zakresu SI w medycynie.
Algorytm stworzony przez polski start-up medyczny w zaledwie kilka sekund przeanalizuje wyniki badania mózgu tomografem komputerowym i wykryje niepokojące zmiany. Dzięki temu diagności medyczni poradzą sobie z lawinowo rosnącą ilością danych, które muszą przeanalizować. Jak wskazują eksperci, sztuczna inteligencja nie wyprze zawodu lekarza, ale zwłaszcza w dobie niedoboru ich na rynku pracy znacznie usprawni pracę m.in. radiologów.
– Nasze badania nie są ukierunkowane na powstanie inteligencji czy na tworzenie autonomicznych algorytmów, które będą w stanie same podejmować decyzje. Przede wszystkim tworzymy narzędzia, które ułatwią człowiekowi podejmowanie tych decyzji i w tym kierunku będzie szła technologia. Już pojawiają się systemy istotnie skracające czas analizy danych, na podstawie których lekarz np. będzie stawiał diagnozę i będzie podejmował leczenie. Te metody już znajdują zastosowanie m.in. w wyszukiwaniu nowych leków, w diagnostyce medycznej, a w naszym przypadku w diagnostyce radiologicznej – mówi agencji Newseria Innowacje Robert Kitłowski, prezes zarządu BrainScan.
Stworzony przez polski start-up medyczny system pozwala na automatyczne wykrywanie i klasyfikację zmian stwierdzonych w obrazach z tomografii komputerowej mózgu. Obrazy zarejestrowane przez TK są wysyłane do serwera, a następnie do chmury. Następnie wspierane przez sztuczną inteligencję algorytmy analizują wyniki pod kątem stwierdzenia nieprawidłowości. Po tej analizie dane odsyłane są z powrotem na serwer. Dzięki temu lekarze radiolodzy otrzymują przeanalizowane dane i mogą szybciej postawić diagnozę. Algorytmy z wysoką skutecznością diagnozują m.in. krwiaki oraz krwotoki podpajęczynówkowe, śródmózgowe i te, które są zlokalizowane w układzie komorowym.
– Informacje zwracamy w ciągu kilku sekund na serwer klienta. W momencie, gdy radiolog siada do tego badania, widzi określone zmiany i prawdopodobieństwo, z jakim one w danym miejscu występują, więc może szybko podjąć decyzję, czy to faktycznie w tym miejscu jest dane schorzenie i czy być może chirurg powinien się zająć tym pacjentem w pierwszej kolejności. Jest to bardzo praktyczny przykład zastosowania naszego rozwiązania, gdzie w bardzo wymierny sposób skracamy czas analizy określonego badania – wskazuje Robert Kitłowski.
Z danych udostępnionych przez Statista wynika, że w 2020 roku na całym świecie mogło być wygenerowanych nawet ponad 2,3 tys. eksabajtów danych medycznych. Dla porównania w 2013 roku były to nieco ponad 153 eksabajty danych. W związku z gigantycznym przyrostem informacji, które trzeba analizować, wsparcie lekarzy przez sztuczną inteligencję może się okazać konieczne.
– W związku ze starzeniem się społeczeństwa liczba lekarzy, którzy będą w stanie analizować te dane, będzie maleć. W związku z tym trudno oczekiwać, żeby lekarz zwiększył swoją produktywność. Kiedyś tomograf komputerowy robił jeden skan w pół godziny czy godzinę, dzisiaj jest w stanie zeskanować całe ciało w kilka minut. Żaden radiolog nie jest w stanie pracować w takim tempie, żeby przejrzeć skan pacjenta i napisać interpretację w ciągu kilku minut. To trwa zwykle 15–20 minut. Tak więc lekarze są w pewien sposób skazani na zastosowanie nowoczesnych technologii, gdyż w innym wypadku maszyny będą produkować po prostu zbyt dużo obrazów, aby oni byli w stanie je przeanalizować – podkreśla prezes BrainScan.
Według danych Naczelnej Izby Lekarskiej z roku na rok przybywa osób z dyplomem ukończenia studiów na kierunku lekarskim. W 2020 roku w zawodzie tym zarejestrowanych było w Polsce ponad 197 tys. osób, a rok wcześniej niespełna 195 tys. osób. Mimo to wciąż mówi się o deficycie w tej grupie zawodowej. Ta tendencja, połączona ze zwiększonym zapotrzebowaniem na usługi medyczne, również będzie stymulować rozwój zastosowania sztucznej inteligencji w medycynie.
– Jest ogromna luka pokoleniowa. Trudno oczekiwać, by lekarz przed emeryturą chciał pracować 10 lub nawet 12 godzin przed monitorem i analizować te badania. Dlatego wszelkie czynności rutynowe, które tego typu systemy są w stanie zautomatyzować, to jest obszar na którym się koncentrujemy – mówi Robert Kitłowski.
Według Grand View Research wzrost światowego rynku sztucznej inteligencji w diagnostyce w latach 2020–2027 utrzyma się na średniorocznym poziomie ponad 32 proc. Zdaniem twórców raportu głównymi czynnikami napędzającymi rozwój tego rynku będzie niedobór pracowników i wzrost popytu na rozwiązania z zakresu SI w medycynie.
