AI ve zdravotnictví pomáhá radiologům hodnotit snímky, jiní lékaři stále ručně přepisují údaje z monitorů. Rozdílné zkušenosti zazněly 14. října v panelu „AI napříč obory: od onkologie po intenzivní péči“ na konferenci AI transformace zdravotnictví. Hosté ukázali, kde technologie přináší užitek a co její širší využití brzdí — od nepropojených systémů přes úhrady po přípravu lékařů.
AI ve zdravotnictví už pomáhá radiologům hodnotit snímky, jiní lékaři ale stále ručně přepisují údaje z monitorů.
Nemocnice budoucnosti očima dnešních lékařů
Moderátor David Zogala, přednosta Ústavu nukleární medicíny 1. LF UK a VFN Praha, otevřel debatu videem nemocnice roku 2035. AI v ní třídí pacienty, připravuje dokumentaci a pomáhá s diagnostikou. Hosté tuto vizi porovnali se zkušenostmi ze svých pracovišť. Panel proběhl pod odbornou záštitou České společnosti pro AI v medicíně (CSAIM).
Jan Daneš — Prevence podle rizika každé ženy
Ve screeningu nádorů prsu pomáhá AI třídit vyšetření podle podezřelosti nálezu. Jan Daneš, výkonný místopředseda Komise pro screening nádorů prsu MZ ČR, však mírnil očekávání finančních úspor. „Ty peníze se moc neušetří, ten systém něco stojí,“ poznamenal. Lékař může získaný čas věnovat obtížným případům.
Budoucnost vidí také v individualizaci prevence. Propojení rizikových faktorů včetně genetických údajů by mohlo pomoci určit, jak často a jakou metodou má konkrétní žena podstoupit vyšetření. Cílem je lépe zachytit i nádory, které současný screening neodhalí včas.
Změnu ale mohou brzdit úhrady. Daneš při debatě o možném nahrazení druhého čtení mamografií, tedy posouzení snímků druhým radiologem, popsal obavu z nižší platby od pojišťovny. Pokud tuto práci převezme AI, pracovišti nemusí vycházet ekonomika jejího zavedení. Plný přínos podle něj vyžaduje také digitalizaci objednávání a sdílení výsledků.
Hynek Mírka — AI pomáhá tam, kde slábne pozornost
Hynek Mírka, předseda Radiologické společnosti z FN Plzeň, oceňuje pomoc při opakovaném hodnocení podobných vyšetření. Zmínil hledání plicních lézí nebo porovnávání ložisek u roztroušené sklerózy. AI podle jeho zkušenosti práci urychluje a zvyšuje jistotu hodnocení.
Takovou podporu ale odlišuje od úplného posouzení vyšetření. Nástroj zaměřený na určitou patologii může jiný nález přehlédnout. „V nejbližší budoucnosti to určitě bude rozvoj těch izolovaných nástrojů,“ uvedl Mírka. Daneš byl v dlouhodobém výhledu optimističtější. Větší prostor předpokládá i pro autonomní hodnocení, při němž by systém rozhodoval samostatně. Spojuje to s vyřešením odpovědnosti a pojištění.
Josef Škola — Zhoršení zachyťme ještě před intenzivní péčí
Josef Škola, přednosta Kliniky anesteziologie, intenzivní a urgentní medicíny FN Bulovka, připomněl každodenní administrativu. Uvítal by automatický přenos hodnot z monitorů i pomoc se sestavováním zpráv. Zatímco přenos údajů vyžaduje především propojení přístrojů s informačním systémem, AI nad nimi může vytvářet souhrny a vyhodnocovat souvislosti.
Klinický potenciál vidí zejména ve včasném rozpoznání rizika. „Nejvíce z naší péče benefitují ti pacienti, kteří se k nám ideálně nedostanou,“ vystihl Škola smysl prevence komplikací. Propojení údajů z monitorů s laboratorními výsledky a klinickými záznamy by mohlo upozornit na zhoršování už na standardním oddělení. Tým by tak mohl zasáhnout dříve, než pacient potřebuje intenzivní péči.
Roman Prymula — Propojená data pomohou včas zachytit epidemii
Epidemiolog Roman Prymula přesunul pozornost od jednotlivce k populaci. Analýza velkého množství záznamů o příznacích může upozornit, že se v určité oblasti děje něco neobvyklého, i když neurčí původ onemocnění u každého pacienta.
Překážku vidí v přístupu k datům napříč zdravotnickými zařízeními a v možnosti vyhodnocovat je průběžně. „Bez toho to prostě populačně nejsme schopni udělat,“ zdůraznil Prymula potřebu společné analýzy. Upozornil zároveň na hranice předpovědí. Zkušenosti s dřívější epidemií mohou pomoci posuzovat další vývoj i opatření. U nového patogenu však nejistota přetrvává, protože potřebná data teprve vznikají.
David Zogala — Lékař musí umět posoudit výsledek AI
Zogala otevřel otázku, jak připravit lékaře na samostatné posuzování výstupů AI. „Jak nakládat s těmi výsledky a co dělat, až AI vypne?“ pojmenoval další úkol pro vzdělávání. Mírka navrhuje zapojovat AI postupně jako druhého čtenáře. Mladý lékař nejprve vyšetření sám vyhodnotí a potom svůj závěr porovná s nástrojem. Součástí výuky mají být i chyby AI a jejich rozbor.
Škola byl k oddělování výcviku od dostupné technologie skeptičtější. Za zásadní považuje znalost principů a omezení používaných systémů. Prymula připomněl obě stránky AI ve vzdělávání: může cíleně doplnit mezery ve znalostech, ale také usnadnit přípravu omezenou na minimum ke zkoušce.
Pro lidský dohled je proto důležité, aby lékař dokázal chybu rozpoznat a měl prostor ji prověřit. Jinak se z kontroly může stát jen další potvrzení na obrazovce.
Od nákupu nástroje ke změně péče
Při zavádění AI musí nemocnice určit, jak se změní konkrétní postup. Kdo převezme upozornění na rizikového pacienta, jak prověří podezřelý nález a na co využije získaný čas? Přínos technologie se projeví až v každodenní péči. Například tím, že zdravotníkům zbude více času na pacienta nebo zachytí jeho zhoršování dříve, než vznikne závažná komplikace.
Petr Moláček, digitalhealth.cz