RAPORT

AI może pomóc, ale następnym razem

Choć naukowcy sygnalizowali od dawna o istnieniu zagrożenia wystąpienia pandemii, te głosy zostały zignorowane. Znajdujący się w erze rewolucji technologicznej świat okazał się zupełnie nieprzygotowany na wirusa potrafiącego błyskawicznie przenosić z osoby na osobę. I choć dysponujemy narzędziami sztucznej inteligencji, dzięki którym m.in. śledzimy na bieżąco zagrożenie epidemiczne, jest za późno, aby wykorzystać pełne możliwości AI. Następnym razem będziemy mądrzejsi. W tym czasie musimy na nowo przemyśleć granice pomiędzy dozorem, wolnością a gromadzeniem i przetwarzaniem danych. Tarcza ochronna zbudowana z systemów sztucznej inteligencji wymaga od społeczeństwa kompromisów w sferze prywatności.

AI na froncie To sztuczna inteligencja po raz pierwszy zaalarmowała, że coś niepokojącego dzieje się w Wuhan. 30 grudnia 2019 roku, system BlueDot wykorzystujący mechanizmy uczenia maszynowego do monitorowania ognisk chorób zakaźnych, wysłał pierwszy alarm dotyczący zwiększającej się liczby przypadków zapalenia płuc o niewyjaśnionym podłożu. 9 dni później Światowa Organizacja Zdrowia poinformowała o nowym wirusie. Jednak BlueDot nie był jednym systemem, który wychwycił niepokojące sygnały. Także system Map Zdrowia (HealthMap) działający w Bostońskim Szpitalu Dziecięcym zidentyfikował pierwsze sygnały mogące świadczyć o epidemii. To niesamowite, że systemy zlokalizowane gdzieś na drugim końcu świata są w stanie zareagować szybciej niż instytucje zdrowia publicznego i władze lokalne będące najbliżej ogniska zapalnego. Wyobraźmy sobie teraz, że jak tylko pojawiają się pierwsze sygnały dostarczane przez przykładowo BlueDot, ogłoszony zostaje stan zagrożenia epidemicznego w Wuhan. W takim scenariuszu istnieje duże prawdopodobieństwo, że epidemia ograniczyłaby się tylko do jednego miasta lub państwa, nie rozlewając się na cały świata. Jednak to, że BlueDot dostrzegł niewidzialne przez ludzi sygnały nie ma dziś większego znaczenia. Mając nawet tak dobre technologie, brakowało nam odpowiednich procedur i doświadczenia. Mamy bowiem do czynienia z sytuacją bez precedensu, na którą nikt nie był przygotowany, ale którą można było przewidzieć. Trudno dziś też powiedzieć, jak informacje pochodzące z systemu BlueDot zostały przekute na konkretne decyzje czy działania, jeśli w ogóle okazały się pomocne. Nie mamy na ten temat wystarczających informacji. Do tego musimy wziąć pod uwagę, że na samym początku epidemii władzom Chin nie zależało na transparentnym rozwiązaniu problemu, ale raczej na jego tuszowaniu. Wiele czynników złożyło się na to, że moment, kiedy można było skutecznie działać, po prostu przespano. O znaczeniu systemów AI w czasach pandemii mówi się częściej. W chińskich szpitalach znalazły zastosowanie do szybkiej diagnozy pacjentów – algorytmy AI są w stanie wychwycić typowe dla chorych na COVID-19 zmiany w płucach spowodowane działaniem wirusa. Okazały się one pomocne w szczycie epidemii, gdy trzeba było wykonać dużą liczbę testów, laboratoria były przeciążone, a czas oczekiwania na wynik to zazwyczaj kilkanaście godzin. Mówi się też, że AI pomaga naukowcom w wynalezieniu szczepionki. Jednak większość tych sensacyjnych doniesień jest przesadzona. Żaden lekarz ani naukowiec nie podejmie decyzji dotyczącej ludzkiego zdrowia i życia na podstawie sugestii z obliczeń, które prowadzone są na podstawie niesprawdzonych danych i informacji. Bo tak dziś niejednokrotnie działają systemy AI. Prace nad szczepionką prowadzone będą w tradycyjny sposób, według określonych – choć i znacznie przyspieszonych – procedur. Nagłówki w postaci „AI szuka szczepionki na COVID-19” albo „AI diagnozuje chorych z koronawirusem” brzmią sensacyjnie, rzeczywistość wygląda jednak inaczej. Dziś technologie nie są jeszcze na tyle doskonałe, aby okazały się dużą pomocą w walce z SARS-CoV-2. Obecna pandemia obnaża nie tylko słabości systemów ochrony zdrowia, ale też jasno pokazuje, jak możemy się lepiej przygotować na podobną sytuację w przyszłości. Jednak do tego będzie nam potrzebna digitalizacja i większy nadzór na zdrowiem populacji. Nawet jeżeli ceną okaże się konieczność dzielenia się większą ilością danych.

Prognozowanie sytuacji epidemicznej Wspomniany system BlueDot nie tylko wykorzystuje algorytmy przetwarzania języka naturalnego do monitorowania serwisów informacyjnych i raportów dotyczących opieki zdrowotnej w poszczególnych regionach świata i w różnych językach. Potrafi też śledzić informacje o sprzedanych biletach lotniczych, aby tworzyć scenariusze rozprzestrzeniania się epidemii na inne regiony świata. Tego typu systemy są bardzo dokładne. Przykładowo, raport Metabiota z 25 lutego prognozował, że 3 marca na całym świecie będzie łącznie 127000 przypadków zarażenia koronawirusem. I choć algorytm pomylił się o 30000 przypadków, jest to nadal w granicach błędu biorąc pod uwagę jak skomplikowane jest monitorowanie tak nieprzewidywalnych zjawisk. Takich firm specjalizujących się w sztucznej inteligencji do celów śledzenia sytuacji epidemiologicznej jest więcej. Przykładem jest Stratifyd (USA). System skanuje posty w portalach społecznościowych, jak Facebook i Twitter, porównując je z opisami chorób zaczerpniętymi z Narodowego Instytutu Zdrowia. W ten sposób AI szuka pierwszych sygnałów, które dziś mogą być komunikowane w Internecie, zanim pacjent zgłosi się do lekarza i zanim lokalne organizacje zdrowia pojedyncze przypadki pacjentów połączą w schemat identyfikujący zagrożenie. Postęp w tej dziedzinie jest ogromny. Wystarczy przypomnieć nieudany projekt realizowany przez Google. Na podstawie wyników wyszukiwań w sieci internetowej, gigant internetowy rozpoczął w 2008 publikację tzw. trendów grypy (Google Flu Trends). Szybko się okazało, że bazowanie jedynie na hasłach wpisywanych w wyszukiwarkę, a powiązanych z grypą, jest bardzo niedokładne. Po kilku sporych niedoszacowaniach poziomu infekcji, w 2015 Google zawiesił

Systemy rozpoznawania twarzy można wykorzystać do analizy wczesnych sygnałów świadczących o chorobie lub stanie psychicznym, w ten sposób wstępnie diagnozując ludzi przebywających w miejscach publicznych. W przypadku pandemii jak SARS-CoV-2, narzędzie miałoby niezaprzeczalne zalety, ale czy jesteśmy gotowi na taką ingerencję w naszą prywatność?

projekt. Dziś systemy sztucznej inteligencji mogą wsłuchiwać się we wczesne sygnały o zagrożeniach z wielu źródeł. Nie dotyczy to już tylko epidemii, ale także innych zjawisk globalnych jak kryzysy ekonomiczne, polityczne, konflikty regionalne itd. Większość tego typu rozwiązań natrafia na ogromną barierę w postaci ograniczonego dostępu do danych. Systemy AI nie zyskują wglądu do informacji sprawozdawczych, wprowadzonych do kartotek pacjentów rozpoznań chorobowych; nie mają pojęcia o tym, co dzieje się w szpitalach czy w gabinetach lekarskich, jakie objawy są rejestrowane, jaki jest stan pacjentów, u których lekarzy stwierdzono chorobę itd. Dane trafiające do instytucji zdrowia publicznego i agencji rządowych pozostają tam zamknięte w szczelnych silosach. A dla stworzenia precyzyjnej mapy sytuacji, są one konieczne. W efekcie systemy sztucznej inteligencji, jak wspomniany BlueDot, muszą opierać się na szczątkowych informacjach z drugiego źródła, jak wpisy w wyszukiwarkach internetowych albo ogólnodostępne informacje z mediów społecznościowych. To utrudnia, a wręcz uniemożliwia przygotowywanie precyzyjnych prognoz. Dokładność BlueDot spadała z każdym dniem rozwoju sytuacji, kiedy to w Internecie zaczęło pojawiać się wiele niezweryfikowanych danych. Wraz z pandemią koronawirusa zmieniają się priorytety i punkt widzenia. Argumentem blokującym wykorzystanie zbiorów danych – naukowych, medycznych, statystycznych – zawsze była ochrona danych i prywatność. Takich, co uważają, że dotychczasowe podejście trzeba zweryfikować, przybywa. Analizy Big Data, prowadzone na poziomie narodowym i międzynarodowym, mogłyby odpowiedzieć na wiele pytań w medycynie i zdrowiu publicznym. W praktyce dysponujemy technologiami, których jednak nie można wykorzystać właśnie ze względu na brak konsensusu w zakresie przetwarzania danych. Choroby nie znają granic i są wspólne dla wszystkich ludzi na świecie; nie są problemem narodowym, ale globalnym. To dziś uzmysławia nam doskonale pandemia wirusa SARS-CoV-2, który z łatwością przekracza granice. To pandemia, która zaczęła się od jednego chorego, a dziś liczona jest w setkach tysięcy zakażonych w każdym zakątku świata. Jednak przełamanie granic dostępu do danych nie będzie łatwe. W każdym państwie istnieją inne przepisy dotyczą

ce przetwarzania i dostępu do kartotek medycznych. Nie wszędzie zostały one zdigitalizowane. Różne formaty i sposoby zapisu informacji utrudniają ich odczytanie przez systemy AI. Miną dziesiątki lat, zanim międzynarodowe standardy zostaną ujednolicone. Czy obecne doświadczenia skłonią nas do zmiany punktu widzenia w kwestii prywatności? Czy zdamy sobie sprawę, że dostęp do naszych danych może mieć znaczenie w nauce, zdrowiu populacyjnym, diagnozie i leczeniu? W jakim zakresie władze i koncerny powinny dysponować danymi i czy bezpieczeństwo ogółu usprawiedliwia tak daleko idącą ingerencję w sferę prywatną?

Wczesna diagnoza Oprócz prognozowania przebiegu epidemii, sztuczna inteligencja może w przyszłości pomóc zidentyfikować osoby zarażone. Modele uczenia maszynowego do badania obrazów medycznych mogą wychwycić wczesne oznaki choroby. Ale wymagają one zazwyczaj dużej ilości danych, aby nauczyć się precyzyjnego diagnozowania. Takie zdolności technologii byłyby nieocenione w innych dziedzinach, gdzie zidentyfikowanie choroby na podstawie pierwszych sygnałów ma strategiczne znaczenie dla wyników

leczenia. Wystarczy wspomnieć o onkologii albo psychiatrii. W ciągu ostatnich tygodni, w Internecie pojawiło się wiele artykułów z nagłówkami sugerującymi, że systemy uczenia maszynowego są w stanie rozpoznać chorobę COVID-19 na podstawie zdjęć tomografii komputerowej. Potwierdza to Alexander Selvikvåg Lundervold z Uniwersytetu Nauk Stosowanych w Norwegii Zachodniej (Bergen), który jest ekspertem w dziedzinie uczenia maszynowego i obrazowania medycznego. Pozostaje jednak pytanie, czy obrazowanie jest właściwą drogą diagnozowania. Pierwsze fizyczne oznaki choroby mogą pojawić się na zdjęciach dopiero po pewnym czasie od zarażenia, co czyni AI niezbyt przydatną we wczesnej diagnostyce. Do tego dysponujemy prostszymi i dużo tańszymi metodami jak testy laboratoryjne potrafiące zidentyfikować wirusa w drogach oddechowych. Nawet jeżeli pacjent nie ma objawów choroby. Drugim problemem jest niespecyficzny przebieg choroby i zróżnicowanie objawów. SARS-CoV-2 to tylko jeden z rodziny koronawirusów. Niektóre z nich wywołują proste przeziębienia. Do tego zarażenie może też przebiegać bezobjawowo. Niedoskonałość tego typu narzędzi została obnażona w przypadku pomiaru temperatury. Procedurę wprowadzono powszechnie na lotniskach, dworcach i na granicach państw. Ale gorączka nie występuje w każdym przebiegu choroby, można ją obniżyć powszechnie dostępnymi lekami. W ten sposób kamery termowizyjne mające wyłapywać osoby chore okazały się skuteczne w małym stopniu. Niemniej jednak uczenie maszynowe mogłoby być wykorzystane do oceny stopnia ryzyka zakażenia. Pamiętajmy, że w przypadku profesjonalnych testów zalecanych przez WHO, na wynik badania trzeba czekać kilkadziesiąt godzin. System skracający ten czas do kilku godzin albo nawet minut, z zachowaniem precyzji wyników, to już ogromne wsparcie dla służb epidemiologicznych. W Chinach zastosowano inną metodę monitorowania polegającą na przyporządkowaniu każdemu mieszkańcowi specjalnego kodu zdrowotnego. Wykorzystano do tego celu bardzo popularną aplikację mobilną AliPay, służącą do płatności elektronicznych. Po wypełnieniu specjalnej ankiety oraz na podstawie danych geograficznych, każdy obywatel otrzymywał jeden z trzech kodów. Tylko posiadacze kodu zielonego – czyli z niskim ryzykiem zarażenia – mogli poruszać się swobodnie. Kod trzeba było zeskanować za każdym razem korzystając np. z komunikacji miejskiej. W ten sposób, oraz w połączeniu z monitoringiem GPS, władze lokalne miały kontrolę nad przemieszczaniem się ludności i mogły szybko identyfikować chociażby pasażerów autobusu, w którym przebywała pozytywnie zdiagnozowana osoba. Nie wiemy dokładnie jakie jeszcze dane system wykorzystywał. Niektóre praktyki znane z Chin byłyby trudne do wprowadzenia w demokratycznych państwach, nawet w tak kryzysowych sytuacjach jak obecna. Jedno jest pewne – monitoring zdrowia wymaga danych z pierwszego źródła, jakim są kartoteki pacjentów. Nie da się ich zastąpić szeptami w sieci internetowej.

Prace nad lekami Dane są również niezbędne, aby wykorzystać sztuczną inteligencję do opracowania nowych metod leczenia. Wiele firm wykorzystuje narzędzia oparte na uczeniu maszynowym w poszukiwaniu receptur leków, które następnie naukowcy mogą weryfikować pod względem skuteczności. Jest to zupełnie nowe

Im więcej wysokiej jakości danych medycznych dostępnych w elektronicznej kartotece pacjenta, tym precyzyjniejsze monitorowanie sytuacji zdrowotnej w skali lokalnej, krajowej i globalnej. Przed nami duże wyzwanie w postaci standaryzacji danych i ich integracji z różnych źródeł. Tutaj strategiczne mogą okazać się nie tylko dane stricte medyczne, ale również o zachowaniach i stylu życia.

podejście do prac naukowych, ale na chwilę obecną jeszcze zbyt słabo rozwinięte, aby znacznie przyspieszyć prace nad lekiem na COVID-19. Dziś, niestety, lekarze są zdani do testowania na ludziach dostępnych mieszanek różnych farmaceutyków oryginalnie przeznaczonych do leczenia innych chorób wirusowych, w nadziei, że sprawdzą się także w przypadku koronawirusa. Są to oczywiście specyfiki dostępne na rynku, a więc i bezpieczne, niemniej jednak takie podejście nie jest idealnym, a jedynie awaryjnym rozwiązaniem. Duże nadzieje wiąże się z badaniami klinicznymi prowadzonymi na cyfrowych modelach człowieka, zanim rozpocznie się testy nad ludziach. Wprowadzenie nowego leku na rynek to kwestia lat, a skrócenie tego czasu nawet o kilka miesięcy byłoby już postępem, w praktyce oznaczającym ocalenie życia kilku, kilkudziesięciu a nawet tysięcy pacjentów. Nie inaczej jest z pracami nad szczepionką, choć tutaj trzeba przyznać, że nie da się na razie ominąć tradycyjnej ścieżki prac naukowych w laboratoriach naukowych. Co więcej, algorytmy sztucznej inteligencji teoretycznie są w stanie przewidzieć ewolucję czy mutacje wirusów. Zakładając, że mamy do czynienia z wystarczającą ilością danych. Opracowane na ten podstawie szczepionki by

Czy pandemia COVID-19 wzmocni międzynarodową współpracę w obszarze badań naukowych w medycynie? Wiele cennych zasobów danych jest dziś zamkniętych w silosach uniemożliwiając ich wykorzystanie do badań w obszarze nowych leków czy monitorowania zdrowia w perspektywie globalnej.

łyby poddawane działaniu wirusów, aby sprawdzić, jak mutują. Pozwoli to wirusologom wyprzedzić o kilka kroków chorobę i opracowywać szczepionki na zmutowane wersje wirusa, zanim jeszcze mutacja wystąpi. To fascynujące, ale nadal odległe scenariusze. Nie mamy ani wystarczających informacji na temat mutacji wirusa, aby wykonać symulacje, ani modeli do przeprowadzenia tego typu obliczeń. Nie da się tego zrobić nawet w przypadku znanych nauce wirusów grypy, które co roku zaskakują, zmieniając swoje właściwości.

Systemy uczenia maszynowego analizujące scenariusze mutacji wirusów umożliwiłyby opracowywanie odpowiednich wersji szczepionek jeszcze przed wystąpieniem mutacji. Szybkie reagowanie mogłoby być mocną bronią w profilaktyce chorób wirusowych.

Lekcja na błędach Ostatecznie, kluczem do szerszego wykorzystania sztucznej inteligencji w naukach medycznych są ludzie – ich podejście, zrozumienie technologii i potencjalnych możliwości. To także wyzwanie dla całych społeczeństw, aby zaufać nowym technologiom i traktować je jako sprzymierzeńca nauki, a nie wroga wolności i prywatności. I w końcu zadanie dla firm nowych technologii, aby rozwiązania bazujące na AI budować w transparentny i etyczny sposób. Stawką w grze jest przygotowanie się na kolejne kryzysy, niezależnie od tego czy mówimy o pandemii, katastrofach naturalnych czy załamaniu gospodarki. Wczesne sygnały na wystąpienie z pozoru nieprzewidywalnych sytuacji tkwią w milionach niedostrzegalnych i rozporoszonych danych. Tylko sztuczna inteligencja jest w stanie je monitorować i dostrzec najsubtelniejsze zależności. 