Bevezető
Napjainkban, amikor a krónikus megbetegedések száma folyamatosan emelkedik és elöregedő társadalmunkban az emberek tovább élnek, mint valaha, új megoldásra van szükség a hatékonyabb betegellátás érdekében. Magyarországon évente 60 millió (KSH 2022, 58 957 814)1 eset jut 40 ezer orvosra (KSH 2022, 40 672)2.
Ahhoz, hogy a jelenlegi rendszer hatékonyabbá válhasson, az egészségügyi szolgáltatóknak emelniük kell az általuk nyújtott ellátás színvonalát, javítaniuk kell a betegek általános állapotát, miközben csökkentik költségeiket. Ezen célok eléréséhez pedig ki kell használniuk a gyógyszeripar legújabb fejlesztései által nyújtott új lehetőségéket.
Az egészségügyi rendszer hatalmas, eddig még kiaknázatlan adatkészlettel (elektronikus orvosi feljegyzések, laboratóriumi eredmények, vagy pl. az orvosi képalkotó vizsgálatok eredményei) rendelkezik, amelyet a mesterséges intelligencia és az integrált gépi tanulás által vezérelt munkafolyamatokon keresztül munkába kell állítani ahhoz, hogy az így nyert új ismeretek valódi potenciállal bírjanak a betegek állapotának javítása érdekében3.
A kihívás a kapcsolat nélküli, ún. ‘offline’ rendszerekben tárolt több milliárd adatpont gyakorlati ismeretekké alakításában rejlik, amelyek forradalmasíthatják az egészségügyi ellátást.
Betegségek korai felismerésének elősegítése
Az AI-alapú diagnosztika fejlett számítógépes algoritmusok és gépi tanulási technikák használatát jelenti az orvosi adatok elemzésére és a betegségek diagnosztizálására. Ez a technológia nagy adathalmazokat és összetett algoritmusokat használ fel olyan minták és összefüggések azonosítására, amelyeket a hagyományos diagnosztikai módszerek nem képesek észlelni4.
A folyamat első lépése az orvosi adatok AI-rendszerbe történő rögzítése, beleértve az elektronikus egészségügyi nyilvántartásokat, a laboratóriumi eredményeket, a képalkotó vizsgálatok képanyagát, a genetikai információkat, sőt, még az életmódbeli tényezőket is. Minél több adat kerül rögzítésre a rendszerben, annál pontosabb és eredményesebb lehet az AI által használt algoritmus. A rendszer képes a rendelkezésre álló adatok segítségével azonosítani azokat a mintákat vagy tendenciákat, amelyek egy adott betegségre vagy állapotra utalhatnak.
A mesterséges intelligencia orvosdiagnosztikai használatának egyik legfontosabb előnye, hogy a rendszer képes folyamatosan tanulni és idővel javítani a prognózis pontosságát. Ahogy tovább bővítjük az adatok halmazát, az algoritmus képes lesz finomítani az előrejelzéseit az új paraméterek alapján.
A gyógyszerkutatás előremozdítása
Hagyományosan a betegségek kezelésére szolgáló új gyógyszerek felfedezése és kifejlesztése hosszú és összetett feladat, de az AI alkalmazásának célja, hogy felgyorsítsa ezt a folyamatot.
A hatóanyag-célpontok azonosításának és validálásának hagyományos módszere hosszadalmas és gyakran sikertelen folyamat5. A mesterséges intelligencia a mélytanulási algoritmusokon keresztül hatalmas adatkészletek elemzésére képes, beleértve a genomikai, proteomikai és klinikai adatokat, ezáltal pontosabban és gyorsabban azonosíthatja a potenciális gyógyszercélpontokat. Léteznek olyan mesterséges intelligencia platformok, amelyek szerkezet alapú gyógyszertervezést használnak annak előrejelzésére, hogy a különböző gyógyszermolekulák hogyan léphetnek kölcsönhatásba a célponttal, ezáltal javítva a gyógyszerfejlesztés pontosságát.
A gyógyszerformulálás a gyógyszerfejlesztés kritikus lépése, amely magába foglalja az új gyógyszer megfelelő összetételének, kémiai szerkezetének és gyógyszerformájának kialakítását. A mesterséges intelligencia algoritmusai megjósolhatják a vegyületek oldhatóságát és stabilitását, elősegítve a hatékonyabb formulálást.
Hosszú távon arra számítunk, hogy a mesterséges intelligencia elkezdi integrálni a fejlettebb szimulációs technikákat- mint például a kvantumszámítástechnikát-, hogy pontosabb előrejelzést adhasson a célmolekulák molekuláris viselkedéséről. Ez az automatizált fejlődés tovább csökkentheti a gyógyszerformuláláshoz szükséges időt.
A klinikai vizsgálatok felgyorsítása
A mesterséges intelligencia forradalmasíthatja a klinikai vizsgálatokat. Elsősorban a betegek toborzásában és a vizsgálatok tervezésében várható szignifikáns fejlődés6. Az automatizált gépi folyamatok segítségével elemezhetővé válnak az anonimizált elektronikus egészségügyi nyilvántartások (EHR), így hatékonyabban azonosíthatóvá válhatnak a klinikai vizsgálatokhoz szükséges, azokhoz megfelelő jelöltek.
Ezen túlmenően az AI-algoritmusok optimalizálhatják a vizsgálati protokollokat, előre jelezve az adott terápiás területen a leghatékonyabb adagolási és kezelési tervet. Az elkövetkező években az AI szerepe az adaptív vizsgálattervezésben is egyre hangsúlyosabb lesz. Ezek a protokollok lehetővé teszik a vizsgálati terv módosítását a folyamat előrehaladtával a rendelkezésre álló időközi eredmények alapján.
A betegtoborzás optimalizálása és a vizsgálatok tervezésének ésszerűsítése évekkel lerövidítheti a gyógyszerfejlesztési folyamatot. A klinikai vizsgálatok összetettsége miatt a mesterséges intelligencia várhatóan nem lesz képes teljesen kiváltani a humán erőforrásokat és továbbra is szükség lesz bizonyos manuális felügyeletre, viszont a hatékony tervezés és vizsgálat irányítás elengedhetetlen eszközévé fog válni a közeljövőben.
Felhasznált források
- KSH (2022): A dolgozó orvosok száma korcsoport és nem szerint https://www.ksh.hu/stadat_files/ege/hu/ege0006.html
Megtekintve: 2024.05.21. - KSH (2022): Járóbeteg-szakellátás https://www.ksh.hu/stadat_files/ege/hu/ege0012.html
Megtekintve: 2024.05.21. - Cindy Gordon: AI In HealthCare Is Making Our World Healthier (Oct 31, 2022) https://www.forbes.com/sites/cindygordon/2022/10/31/ai-in-healthcare-is-making-our-world-healthier/?sh=41464a4a13ea
Megtekintve: 2024.05.21. - Emerging India Analytics: AI-Powered Diagnostics: The Future of Early Disease Detection and Prevention (Sep 27, 2023) https://www.linkedin.com/pulse/ai-powered-diagnostics-future-early
Megtekintve: 2024.05.21. - Guadalupe Hayes-Mota: AI is Rapidly Transforming Drug Discovery (Feb 29, 2024) https://www.forbes.com/sites/forbesbusinesscouncil/2024/02/29/ai-is-rapidly-transforming-drug-discovery/?sh=66461a6b84b1
Megtekintve: 2024.05.21. - Chris Anagnostopoulos, Chris Anagnostopoulos, Alex Devereson, Thomas Devenyns, Heikki Tarkkila: How Artificial Intelligence Can Power Clinical Development (Nov 22, 2023) https://www.mckinsey.com/industries/life-sciences/our-insights/how-artificial-intelligence-can-power-clinical-development
Megtekintve: 2024.05.21.
A cikket összeállította:
Dózsa Ákos
HU-NON-01227
Lezárás dátuma: 2024. június 19.