Polska radiologia potrzebuje AI. „Cała nadzieja w PUI” [DEBATA]

Platforma Usług Inteligentnych (PUI) jest bezprecedensową szansą na to, aby kilkaset szpitali wdrożyło nowoczesne algorytmy AI w diagnostyce obrazowej. Ale jej wdrożenie wisi na włosku – na ogłoszone trzy przetargi wpłynęło do końca listopada sześć protestów. Podczas debaty zorganizowanej przez Centrum e-Zdrowia eksperci rozmawiali o tym, po co radiologom algorytmy.

Aby zastosowanie sztucznej inteligencji (AI) w diagnostyce obrazowej i opiece nad pacjentem zaczęło przekładać się na konkretne korzyści, jak szybsza diagnoza i lepsze wyniki leczenia, trzeba zadbać o jakość i standaryzację danych oraz integrację systemów RIS (systemy do radiologii) i PACS (systemy archiwizacji obrazów) z systemami szpitalnymi HIS – to główny wniosek z debaty. Ale dużo mówiono też o PUI, która mogłaby uczynić z Polski lidera AI w radiologii, ale projekt jest zagrożony. Czy uda się go zrealizować i o czym jeszcze rozmawiali eksperci?

Radiolodzy chcą korzystać z AI, problemem są dane

Profesor Barbara Bobek-Billewicz z Narodowego Instytutu Onkologii w Gliwicach zaznaczyła, że największą nadzieję na AI w radiologii wiąże z analizą badań sekwencyjnych w czasie i ocenę skuteczności leczenia. Przykładem jest segmentacja i liczenie objętościowych zmian guza, które AI wykonuje szybko i w sposób porównywalny. Jej zdaniem taka powtarzalność ma ogromną wartość kliniczną i „nawet jeśli AI się myli, to powtarza ten sam błąd, co pozwala utrzymać wiarygodność porównań w czasie”. AI w gliwickim ośrodku służy głównie do oceny odpowiedzi na leczenie, porównania objętości zmian i planowania dalszej terapii.

– My jako radiolodzy bardzo potrzebujemy sztucznej inteligencji, ale nie do tego, by za nas diagnozowała, lecz do porównywania wyników z różnych etapów leczenia – mówiła prof. Billewicz.

Krzysztof Gibiński z Uniwersyteckiego Centrum Klinicznego im. prof. Kornela Gibińskiego w Katowicach skupił się na barierach ściśle technicznych: braku standaryzacji nazw sekwencji, formatów obrazów, sygnatur DICOM oraz niewspółdziałaniu systemów. Jego zdaniem największym problemem jest to, że dane nie są jednolite, a sprzęt i systemy informatyczne nie „rozmawiają ze sobą” w sposób zgodny z potrzebami klinicznymi. Kwestie techniczne blokują normalną pracę lekarza z AI. Podkreślił też, że zanim AI zostanie włączona do procesu diagnostycznego, placówka musi uporządkować strukturę danych wejściowych.

– Idealnym obszarem zastosowania sztucznej inteligencji jest uporządkowanie oznaczeń, struktur i metadanych badań, bo na razie panuje chaos – mówił.

Narzędzia są, szwankuje komunikacja między nimi

Dr n. med. Andrzej Górecki z ZOZ nr 2 w Rzeszowie  zwrócił uwagę, że wiele rozwiązań AI działa już „w tle”, poprawiając jakość obrazów lub wspierając priorytetyzację przypadków klinicznych. Jednak największym problemem pozostaje brak spójnego, wieloetapowego przepływu danych. Narzędzia działają fragmentarycznie i brakuje pełnej integracji.

– Sztuczna inteligencja weszła do naszej codziennej pracy, choć często nawet nie zdajemy sobie z tego sprawy. Działa przy akwizycji obrazu, redukcji szumów czy ustawianiu protokołów – mówił dr Górecki. Podkreślił jednak, że prawdziwa wartość AI w diagnostyce pojawi się dopiero wtedy, gdy wszystkie etapy – od skierowania, przez badanie, po opis i archiwizację – będą cyfrowo zintegrowane. „Większym problemem niż dostępność narzędzi jest ich połączenie w jedną spójną ścieżkę opieki nad pacjentem.”

Prof. dr hab. n. med. Jerzy Walecki  z Państwowego Instytutu Medycznego MSWiA przypomniał, że radiologia od lat korzysta z zaawansowanych algorytmów wspomagających analizę obrazu, a obecnie wchodzimy w zupełnie nową fazę wykorzystania analizy teksturalnej, radiomiki i modelowania predykcyjnego. Radiomika, która jest już odrębną gałęzią nauki, pozwala wydobywać informacje z obrazu, których lekarz nie jest w stanie zobaczyć: dotyczące biologii guza, potencjalnej odpowiedzi na terapię czy przewidywania remisji choroby.

– Uzyskujemy dane o cechach guza, których nie widać gołym okiem, o jego biologii, strukturze i rokowaniu  i to bez wykonywania biopsji – mówi prof. Walecki. Ale AI idzie jeszcze dalej i dziś na podstawie cech z diagnostyki obrazowej można nawet prognozować przebieg choroby, monitorować jej rozwój i obliczać rokowania.

Szybsza diagnoza, szybsze leczenie

Jak zauważył dr n. med. Piotr Palczewski z Warszawskiego Uniwersytetu Medycznego, obecna dyskusja o AI często skupia się na skomplikowanych zastosowaniach, podczas gdy realna potrzeba kliniczna jest bardziej podstawowa: przyspieszenie procesu opisywania badań, zwłaszcza w warunkach pilnych. Jego zdaniem, najważniejszym zastosowaniem AI jest automatyczna identyfikacja badań krytycznych i skrócenie okresu od diagnozy do leczenia. AI redukuje czas oczekiwania na opis badania, zwłaszcza w sytuacjach dużej presji czasu, przykładowo w nocy na SOR-ach. Radiolodzy oczekują też odciążenia od prostszych przypadków, które nadal bardzo ich angażują. Prof. Palczewski podkreślił, że w jego pracy najbardziej liczy się szybkie rozpoznanie oznak patologii, bo czasami liczy się każda minuta.

Prof. dr hab. Katarzyna Karmelita-Katulska, Prezeska Polskiego Lekarskiego Towarzystwa Radiologicznego dodała, że zanim jakiekolwiek rozwiązania AI zostaną efektywnie wdrożone, trzeba ustandaryzować infrastrukturę informatyczną szpitali. Problemy z integracją wynikają z tego, że każdy szpital funkcjonuje w innym środowisku technologicznym, często niestabilnym i niewspółpracującym z zewnętrznymi systemami.

– Do tej pory każdy szpital był odpowiedzialny za swój własny HIS, a integracja zawsze była dramatem, bo nikt nie myślał o interoperacyjności – mówił prof. Karmelita-Katulska. Zwróciła także uwagę, że radiolodzy chcą aktywnie współtworzyć narzędzia AI, bo tylko wtedy będą one odpowiadały realnym potrzebom. Największe nadzieje wiąże z AI do usprawnienia pracy, wspomagające przepływ danych i ich analizę.

Decydujące miesiące dla Platformy Usług Inteligentnych

Jednym z największych projektów centralnych, dzięki którym radiologia w Polsce ma szansę zrobić ogromny krok do przodu, jest Platforma Usług Inteligentnych (PUI). Adam Konka, dyrektor Centrum e-Zdrowia jest zdeterminowany, aby projekt zrealizować mimo napiętych terminów. Jeśli nie zdążymy do końca marca, stracimy pieniądze z Unii. Potrójny przetarg został ogłoszony na początku listopada, ale do końca miesiąca wpłynęło już 6 protestów. Zakładając, Krajowa Izba Odwoławcza (KIO) rozpatrzy je w połowie stycznia, a ewentualne oddalenie protestu zostanie zaskarżone do sądu, wówczas na wdrożenie PUI zostanie praktycznie kilka, najwyżej kilkanaście tygodni. Nie ma co liczyć, że Unia przedłuży terminy z KPO.

 – Jeżeli ktoś myśli, że da się ten proces zatrzymać protestami, to się nie uda – zaznaczył Konka. Platforma ma umożliwiać testowanie, certyfikowanie i wykorzystanie algorytmów AI w skali krajowej, zapewniając zgodność z wymogami bezpieczeństwa, prywatności i jakości danych. PUI jest „koniecznym fundamentem dla integracji danych, warunkiem, aby algorytm mógł działać na poziomie ogólnopolskim”.

Wniosek z debaty jest jednoznaczny: wdrażanie AI w Polsce rozbija się o brak spójnej infrastruktury danych. Technologia jest, ale nie ma danych, tymczasem potencjał AI w diagnostyce obrazowej zależy od jakości metadanych, struktury obrazów, spójności formatów i interoperacyjności systemów. Bez standaryzacji, wdrożenia algorytmów w diagnostyce obrazowej będą ograniczone do pojedynczych placówek, bez możliwości skalowania. Niestety, systemy HIS, RIS i PACS funkcjonują jako silosy, bez jednolitego słownika danych i trybów wymiany informacji.

Konieczne jest stworzenie spójnej ścieżki klinicznej, w której algorytmy będą działać na wiarygodnych danych, z odpowiednią kontrolą jakości, walidacją i monitoringiem. Dopiero na tej podstawie można myśleć o algorytmach predykcyjnych, prognozujących przebieg choroby lub personalizujących terapię. Eksperci zgodzili się, że rola AI w radiologii nie polega na autonomicznej ocenie obrazów, ale na uporządkowaniu danych, wsparciu w interpretacji i wyrównaniu jakości diagnostyki między placówkami.

Czytaj także: Debata Centrum e-Zdrowia o bezpieczeństwie danych w medycynie