Az EIT Health és a McKinsey&Company új kutatása reflektál az Európai Bizottság július 1-jén bemutatott Európai készségfejlesztési programjára*, amely célja a fenntarható versenyképesség erősítése, az esélyegyenlőség biztosítása és a válságokra való reagálóképesség kiépítése.
A program szerint napjainkban a munkahelyek legalább 85 százalékához szükséges digitális tudás, hiszen 2005 és 2016 között az új munkahelyek 40 százaléka a digitálisan intenzív ágazatokban jött létre, azonban 2019-ben a felnőttek csupán 56 százaléka rendelkezett az alapvető készségekkel*** . Ez a megállapítás párhuzamban áll az EIT Health és a McKinsey&Company tanulmányával, amely szerint Európában nagy szükség van a digitális tudás fejlesztésére és alkalmazására az egészségügyi szektorban is, hiszen többek között az biogyógyászat, a data science, az adatelemzés és a genomika is jelentős szerepet kapnak majd, ha az AI és a gépi tanulás áttörést ér el az egészségügyben.
„A digitális készségeket ritkán tanítják a hagyományos klinikai tudományok mellett. Ez nem is elvárható, hiszen jelenleg az egészségügyi dolgozók sincsenek még kellőképpen felkészülve a mesterséges intelligencia használatára. Az európai egészségügyi innováció élvonalában azonban egyre több hatékony és izgalmas AI-megoldást látunk, amelyek enyhíthetik az egészségügyi szolgáltatókra nehezedő nyomást. Itt az ideje, hogy foglalkozzunk a hiányosságokkal, és mindent megtegyünk annak érdekében, hogy Európa ne maradjon le a mesterséges intelligencia egészségügyi alkalmazásában” - mondta Jorge Fernández García, az EIT Health innovációs igazgatója és a tanulmány társszerzője.
A HelloAIRIS nyári iskolát, ami az egészségügyi gondozás témakörét járta körbe a GE Healthcare, a Leitat Technológiai Központ és a Stockholmi KTH Királyi Technológiai Intézet az EIT Health-szel együttműködve szervezte meg. Az adatok önmagukért beszélnek, ugyanis idén 900 jelentkezőt vonzott a program, akik közül végül 400-an vehettek részt az egyedülálló online tanfolyamon. A képzés fő célja a közép-, kelet és dél-európai régiók tehetséges tanulóinak fejlesztése volt, akik a programon olyan digitális készségeket sajátítottak el, amelyeknek nagy hasznát veszik majd a jövőben, valamint piacképes EIT egészségügyi tanúsítványt is kaptak.
„A feltörekvő régiók start-upjaival folytatott munka alapján elmondható, hogy óriási szükség van a szakemberek felkészítésére és a digitális egészségügyi ismeretek fejlesztésére. A HelloAIRIS tanfolyamot partnereink bevonásával fejlesztettük ki annak érdekében, hogy az új generációval megismertethessük a mesterséges intelligencia egészségügyi alkalmazásának alapjait. A kurzus iránti érdeklődés idén a vártnál sokkal nagyobb volt” - mondta Tóth Mónika, az EIT Health InnoStars RIS programmenedzsere.
Mely egészségügyi szakembereknek van a legnagyobb szüksége a mesterséges intelligenciára?
Jelenleg a diagnosztika alkalmazza leginkább az AI-t az egészségügyben. Az EIT Health és a McKinsey&Company felmérése alapján – amelyben 175 egészségügyi dolgozót és 62 döntéshozót kérdeztek meg – a szakemberek arra számítanak, hogy a következő 5-10 évben emellett a klinikai döntéshozatalban lesz kiemelkedő szerepe a mesterséges intelligenciának.
A tanulmány szerzői kiemelik, hogy amellett, hogy a jövőben több egészségügyi szakemberre lesz szükség, az is létfontosságú, hogy idejüket arra fordítsák, ami a legértékesebb: a betegek gondozására. A mesterséges intelligencia széles körű elfogadása és alkalmazása segítheti enyhíteni az erőforrás-kapacitások hiányából adódó problémákat és forradalmasíthatja az egészségügyi ellátást az automatizálás folyamatos fejlesztésével. Ennek következtében javulhat a szakemberek munkavégzésének hatékonysága, hiszen kevesebb időt kell az adminisztratív feladatokra fordítaniuk, így jobban tudnak a betegekre összpontosítani. A radiológusok idejének legalább 20 százaléka felszabadítható a mesterséges intelligencia alkalmazásával, így az orvosok adminisztráció helyett a klinikai csapatokkal együtt személyre tudják szabni a gyógyítás további lépéseit, ezáltal a gyógyulási folyamatok is hatékonyabbá válhatnak.
A mesterséges intelligencia nemcsak a diagnosztizálás gyorsaságát javíthatja, hanem akár annak pontosságát is. 2015-ben az algoritmusok megelőzték az embereket az ImageNet Challenge Large Scale Visual Recognition Challenge (ILSVRC) versenyen, ahol 2010-ben még 28 százalék volt az AI hibaaránya, ám ez 2017-re 2,2 százalékra csökkent. A tipikus, emberi hibaarány körülbelül 5 százalékos.****
Mesterséges Intelligencia az európai egészségügyben
Egyre több mesterséges intelligencia alapú megoldás születik Európában, ezek egy részét az EIT Health támogatja: A magyar InSimu kifejlesztett egy programot, amely lehetővé teszi, hogy az orvostanhallgatók virtuális betegeken gyakorolhassák a diagnosztizálást, míg a szintén magyar Sineko Global Kft. a radiológiai jelentéseket fordító „GRAID” szoftverével a nemzetközi teleradiológia fejlesztésére törekszik. A hazai GE Healthcare projektje a Deep MR-only RT, aminek célja, hogy a rákos betegek sugárterápiás kezelését fejlessze az MR képalkotásának fejlesztésével, így a CT-k elhagyhatóak lennének a vizsgálat során. A YogaNotch magyar start-up testre rögzíthető érzékelőket fejlesztett ki annak érdekében, hogy a jógázás alatt valós idejű, személyre szabott visszajelzéseket kapjon a használó a helyes testtartásról. A Brainscan egy lengyel start-up a mesterséges intelligenciát használja az agyi CT-vizsgálatok értelmezéséhez. A projekt a diagnosztizálás hatékonyságának javításához járul hozzá azáltal, hogy az agyi patológiás változások osztályozására, lokalizálására és összehasonlítására mesterséges intelligenciát alkalmaz a radiológiai munkafolyamatban. Egy másik sikeres példa az AI használatára az olasz PatchAi, amely az első kognitív platform, amelyen egy AI-alapú virtuális asszisztens segítségével azokat az adatokat gyűjtik és elemzik, amelyeket a betegek a klinikai vizsgálatok során bejelentenek. Portugáliában az iLof, az EIT Health Jumpstarter 2019 és a Wild Card 2019 győztese létrehozott egy mesterséges intelligenciára és fotonikára épülő, optikai ujjlenyomatokat tartalmazó felhő-alapú könyvtárat, amely segítségével 40 százalékkal tudja csökkenteni az Alzheimer-kórhoz kapcsolódó gyógyszerfejlesztések költségét és 70 százalékkal azok időigényét.
A kutatásban a továbbképzések mellett fontos igényként jelent meg az egészségügyi szakemberek mélyebb bevonása a mesterséges intelligencia fejlesztésének korai szakaszaiba. Jelenleg a megkérdezettek 44 százaléka, akiket érdekel az egészségügyi innováció és a mesterséges intelligencia, még sohasem vett részt AI-megoldás fejlesztésében vagy bevezetésében.
„A mesterséges intelligencia hatalmas potenciállal rendelkezik az egészségügyi rendszerek hatékonyságának javításában és fenntarthatóbbá tételében, de ennél is fontosabb, hogy jobb kezelési eredményeket érhetünk el vele. Az EIT Health és a McKinsey&Company riportja útmutatást nyújt a döntéshozók számára a saját egészségügyi szervezetükre vonatkozó, a mesterséges intelligenciával kapcsolatos megfelelő megközelítés kidolgozására és végrehajtására” - mondta Dr. Angela Spatharou, a McKinsey&Company partnere és a jelentés társszerzője.
A döntéshozók az interjúk során hangsúlyozták az AI képzés fontosságát, emellett pedig szükségesnek tartják, hogy a nemzeti egészségügyi rendszerek együttműködjenek az egészségügyi szakemberekkel, a tudományos élettel és az iparral egyaránt az egészségügyi szolgáltatók támogatásának érdekében. A döntéshozók szerint különösen azok számára fontos ez, akik nem elég befolyásosak és nagyok, hogy az ilyen programokat önállóan tudják véghez vinni. Emellett kiemelték azt is, hogy a mesterséges intelligencia használatának etikusnak, átláthatónak és megbízhatónak kell lennie. A riport kiegészült a McKinsey Global Institute (MGI) Az Európai Egészségügyi Rendszerek Jövőbeli Munkája című makrogazdasági elemzéssel.
A teljes tanulmány itt érhető el: https://eithealth.eu/our-impact/our-reports/
_________________
* European Skill Agenda 2020: https://ec.europa.eu/social/main.jsp?catId=1223
** Global Strategy on human resources for health: Workforce 2030, World Health Organization, 2016, https://www.who.int/hrh/resources/pub_globstrathrh-2030/en/ (2020.08.05)
*** U.o.
**** S. Dodge and L. Karam, “Understanding how image quality affects deep neural networks,” International Conference on Quality of Multimedia Experience (QoMEX), 2016 http://image-net.org/challenges/LSVRC/2010/results; http://image-net. org/challenges/LSVRC/2017/results.