Nowe technologie zaczynają zmieniać branżę medyczną na całym świecie, upraszczając niezwykle skomplikowany proces leczenia nowotworów.

Zgodnie z danymi opublikowanymi przez Światową Organizację Zdrowia nowotwory są pierwszą lub drugą najczęstszą przyczyną zgonów u ludzi przed ukończeniem 70. roku życia w 112 ze 183 krajów i zajmują trzecie lub czwarte miejsce w kolejnych 23 krajach.¹ Istotnym czynnikiem, który generuje te statystyki jest skomplikowany i czasochłonny proces leczenia chorób nowotworych, któremu lekarz niekiedy nie jest w stanie sprostać samodzielnie. Problem ten opisany został także w publikacji ,,Sztuczna inteligencja w medycynie”, której autorzy – Sebastian Patrzyk i Anna Woźniacka zauważają, że praca lekarzy specjalistów jest w dużej mierze przewidywalna, gdyż opiera się na wypracowanych schematach diagnostycznych i terapeutycznych. Dużym wyzwaniem stają się więc według nich pacjenci, których objawy lub reakcja na leczenie odbiegają od spodziewanego scenariusza. Onkolog prowadzący terapię w takiej sytuacji niejednokrotnie porzuca wszystkie inne zadania i rozpoczyna żmudne dobieranie najskuteczniejszej metody leczenia, analizując podręczniki, konsultując się ze specjalistami z innych wąskich dziedzin i sięgając po zasoby w internetowych bazach medycznych. Wyszukując w takiej bazie konkretnego zagadnienia, uzyskuje jednak ogromną liczbę rekordów, z których tylko mała część odnosi się do zgłębianego problemu, a znalezienie jej jest często niezwykle czasochłonne.² Naprzeciw wychodzą lekarzom wtedy narzędzia oparte na sztucznej inteligencji, które w krótkim czasie mogą analizować dużą ilość danych i nauczyć się wyciągać z nich potrzebne dla terapii wnioski. Jednym z takich narzędzi jest opracowana przez Polkę – doktor Agatę Błasiak technika PPM. Pomaga ona onkologom – często stosującym skomplikowane leczenie skojarzone – szybko znaleźć odpowiedź na kluczowe pytanie ,,Jakie leki i w jakiej dawce przyniosą pożądany efekt?”.³

Optymalizacja medycyny spersonalizowanej za pomocą sztucznej inteligencji

Leczenie skojarzone polega na łączeniu ze sobą leków tak, by zastosowane razem przyniosły najlepsze efekty dla pacjenta. Nie są jednak znane uniwersalne połączenia leków, które działają w taki sam sposób w każdym przypadku. Lekarz musi więc każdorazowo oszacować skutki danego połączenia, posiłkując się danymi zebranymi od chorego. Kolejnym krokiem jest dostosowanie go do szybko zmieniającego się stanu konkretnej osoby, który powoduje, że dotychczas stosowana terapia może nagle przestać działać. Leki wchodzące ze sobą w interakcje powodują często całkiem odmienną reakcję organizmu u każdego z pacjentów, a problem staje się tym większy, im większa jest złożoność leczenia skojarzonego – a więc im więcej leków jest ze sobą łączonych. Z tych wszystkich powodów, mimo starań zespołu medycznego, dobrane leczenie często okazuje się nieoptymalne. Problem ten rozwiązał zespół naukowców z Wydziału Bioinżynierii Narodowego Uniwersytetu Singapuru, na którego czele stoi doktor Agata Błasiak. W dużym uproszczeniu ich technikę PPM można porównać do pracy dwóch nieomylnych lekarzy, mających dostęp do kluczowych danych na temat każdego z pacjentów, nieprzerwanie kontrolujących ich stan i korzystających z całej dostępnej na świecie wiedzy na temat leczenia nowotworów. Rozwiązanie to nazwane zostało fenotypową medycyną spersonalizowaną (PPM – phenotypic personalized medicine) i działa w oparciu o dwa narzędzia, porównane wyżej do dwóch lekarzy – platformy QPOP i CURATE.AI. QPOP znajduje najskuteczniejszą dla danego pacjenta kombinację leków, podczas gdy z CURATE.AI pozyskiwane są dane na temat odpowiedniego planu dawkowania tych leków.

Pierwsza z platform umożliwia wybór leków do terapii skojarzonej i określenie ich początkowych dawek. Ma ona duże znaczenie z uwagi na ogromną liczbę możliwych kombinacji różnych leków w leczeniu skojarzonym. Wyobraźmy sobie, że jako lekarz znamy pięć leków, które mogą pomóc naszemu pacjentowi, jeśli odpowiednio je ze sobą połączymy oraz pięć możliwych dawek, w których możemy te leki razem podać. Nie wiemy jednak, które połączenie leków i dawek będzie najbardziej efektywne. Pięć leków w pięciu możliwych dawkach zapewnia ponad 3000 kombinacji, przez co niemożliwe okazuje się przetestowanie przez nas wszystkich tych połączeń na jednym pacjencie, a zatem szanse na znalezienie idealnej terapii dla niego maleją. QPOP rozwiązuje ten problem poprzez łączenie danych o wynikach fenotypowych (mierzalnych, widocznych w organizmie pacjenta skutków) z kombinacjami leków na różnych poziomach dawkowania jeszcze przed podaniem pacjentowi któregokolwiek z nich. Platforma bada relacje między tymi zestawami danych, a następnie szereguje kombinacje w kolejności od najmniej do najbardziej skutecznych. Porównując je ze sobą, odrzuca kombinacje, które okazują się mnie skuteczne lub gorzej współdziałające, co prowadzi do pozostawienia tylko tych najlepiej dobranych do pacjenta.

Druga z wykorzystanych platform – CURATE.AI rekomenduje najbardziej efektywne dla danego pacjenta dozowanie wskazanych przez QPOP leków. To w tym miejscu tworzony jest indywidualny profil pacjenta, który zmienia się dynamicznie wraz ze zmieniającym się stanem monitorowanej osoby.  Na platformie zapisywana jest progresja i regresja choroby, dodatkowe leki, zmiany dawek i inne informacje mające wpływ na skuteczność leczenia. Dane te platforma wykorzystuje, aby przewidzieć, jak na konkretnego pacjenta wpłynie podanie danych leków w określonych dawkach. 

Problemy uniemożliwiające szerokie wykorzystanie opracowanej metody

Sztuczna inteligencja zaliczana jest do nowych technologii, które nie zdążyły jeszcze znaleźć szerokiego zastosowania we wszystkich dziedzinach naszego życia. Jest to wynikiem problemów, które wydają się być związane z wciąż małym zaufaniem do nowoczesnych rozwiązań i niewystarczająco szybkim rozwojem narzędzi opartych o sztuczną inteligencję. Według raportu NIK w Polsce, w porównaniu do wielu innych krajów Unii Europejskiej, występują ogromne opóźnienia we wprowadzaniu nowoczesnych technologii w leczeniu chorób, w tym przede wszystkim chorób nowotworowych (czas oczekiwania na ich wdrożenie liczony jest w latach)⁴. W bazach medycznych brakuje ponadto danych, które byłyby wystarczająco zróżnicowane, by narzędzia oparte na tych technologiach mogły zaplanować leczenie dla każdego typu choroby i bez względu na odmienne cechy każdego z pacjentów. Zdarza się, że zestaw danych zawiera tylko chorych z podręcznikowo zdefiniowanymi objawami i oczywistymi kierunkami postępowania w razie wystąpienia tych objawów. Gdy potrzebne jest bardziej złożone i nietypowe leczenie, działanie sztucznej inteligencji z tego względu może nie być wystarczająco dokładne, a to właśnie te unikalne przypadki są przecież największym wyzwaniem dla lekarzy w prawdziwym świecie. Ponadto gromadzenie, opisywanie i integracja danych medycznych potrzebnych do rozwoju medycyny spersonalizowanej z wykorzystaniem sztucznej inteligencji wymaga dużych zasobów finansowych, których wciąż brakuje. Powoduje to, że leczenie pacjentów onkologicznych w sposób egalitarny – to znaczy dostosowany do ich osobistych cech i historii choroby w oparciu o wiedzę wywodzącą się z AI – mimo swojego ogromnego potencjału nadal nie może być wykorzystywane na dużą skalę w sektorze medycznym.

Efektywność wykorzystania sztucznej inteligencji w leczeniu onkologicznym konkretnego pacjenta

Wykorzystanie sztucznej inteligencji w badaniach onkologicznych umożliwia szybsze i dokładniejsze zdiagnozowanie choroby oraz dobranie leczenia dopasowanego do konkretnego pacjenta. Nie wymaga też testowania połączeń różnych leków bezpośrednio na pacjentach. Wynika to z faktu, że AI może łączyć ze sobą wiele danych jednocześnie, a następnie zaplanować najskuteczniejsze leczenie i oszacować reakcję organizmu chorego jeszcze przed podaniem mu leków. Opracowana przez zespół Agaty Błasiak CURATE.AI została klinicznie zweryfikowana w badaniu dla mCRPC – nowotworu złośliwego prostaty z przerzutami, który przestał reagować na terapię stosowanymi dotychczas lekami. Badanie udowodniło zdolność tej platformy do kierowania terapią skojarzoną u pacjentów w nawet tak trudnych przypadkach. Dzięki wstępnie potwierdzonej skuteczności metody zespół, który opracował PPM pod przewodnictwem Polki przewiduje, że odkrycie pozwoli na szerokie zastosowanie AI w sektorze medycznym, a co za tym idzie odciążenie osób pracujących w opiece zdrowotnej. Co więcej, zgodnie z innym badaniem dokładność oceny danej zmiany nowotworowej przez sztuczną inteligencję może być większa niż dokładność oceny tej zmiany dokonana przez doświadczonych lekarzy (W. Bulten i in., 2020)⁵. Udowadnia to, że AI może być z powodzeniem wykorzystywana nie tylko na etapie planowania dawkowania leków, ale już przy rozpoznawaniu danego typu nowotworu. Duże nadzieje na poprawę wspomnianych na początku statystyk daje raport ,,Wielkość rynku sztucznej inteligencji w sektorze opieki zdrowotnej w Europie” (2021), który przewiduje że do roku 2027 rynek AI wykorzystywanej w medycynie wzrośnie o prawie 50%.⁶ Jeśli szacunki te się urzeczywistnią, nowe technologie mogą zmienić na zawsze branżę medyczną, poprawiając długość i jakość życia ogromnej liczby osób chorych na nowotwory.

Bibliografia:

1. Globalne szacunki dotyczące zdrowia: główne przyczyny zgonów (Global health estimates: Leading causes of death), World Health Organization, www.who.int/data/gho/data/themes/mortality-and-global-health-estimates/ghe-leading-causes-of-death (dostęp 06.11.2022)
2. Sztuczna inteligencja w medycynie, Sebastian Patrzyk, Anna Woźniacka, Wydawnictwo UMED, www.wydawnictwo.umed.pl/wp-content/uploads/2022/08/MONOGRAFIA_06_2022__PATRZYK_S.pdf (dostęp 06.11.2022)
3. CURATE.AI: Optymalizacja Medycyny Spersonalizowanej za pomocą Sztucznej Inteligencji (CURATE.AI: Optimizing Personalized Medicine with Artificial Intelligence), Agata Błasiak, Jeffrey Khong, Theodore Kee,www.pubmed.ncbi.nlm.nih.gov/31771394/ (dostęp 06.11.2022)
4. Informacja o wynikach kontroli: Dostępność i efekty leczenia nowotworów, Najwyższa Izba Kontroli, Departament Zdrowia, www.nik.gov.pl/plik/id,16371,vp,18897.pdf (dostęp 06.11.2022)
5. Zautomatyzowany system głębokiego uczenia do klasyfikacji Gleasona raka prostaty przy użyciu biopsji: badanie diagnostyczne (Automated deep-learning system for Gleason grading of prostate cancer using biopsies: a diagnostic study), Wouter Bulten, Hans Pinckaers, Hester van Boven, Robert Vink, Thomas de Bel, Bram van Ginneken, Jeroen van der Laak, Christina Hulsbergen-van de Kaa, Geert Litjens, www.pubmed.ncbi.nlm.nih.gov/31926805/ (dostęp 06.11.2022)
6. Wielkość rynku sztucznej inteligencji w sektorze opieki zdrowotnej w Europie, www.graphicalresearch.com/industry-insights/1777/europe-healthcare-artificial-intelligence-market (dostęp 06.11.2022)