Jak AI změní péči o diabetiky? Nabízí obrovský potenciál, ale i rizika

Již dnes pomáhá umělá inteligence v podobě algoritmů chytrých inzulinových pump optimalizovat dávkování inzulinu v reálném čase, čímž snižuje riziko hypoglykemií a zlepšuje čas strávený v cílovém rozmezí (TIR) u diabetiků s intenzifikovaným inzulinovým režimem. V budoucnu by umělá inteligence na základě dat z glukózových senzorů a informací o příjmu sacharidů a pohybových aktivitách mohla ještě více pomoci například při nastavování dávek bazálního inzulinu a bolusového kalkulátoru pro flexibilní dávkování inzulinu a také s výpočtem inzulin-sacharidového poměru či citlivosti na inzulin, což naznačují již některé pilotní práce (například Tyler NS et al., Nat Metab 2020;2:612–619). To může přispět k zásadnímu omezení chyb v dávkování inzulinu u pacientů s intenzifikovanou inzulinoterapií.

Pomocník pro screeningová vyšetření

Algoritmy založené na strojovém učení a neuronových sítích jsou v praxi také využívány při diagnostice diabetické retinopatie pomocí digitální fundus kamery a dosahují vynikající přesnosti, často srovnatelné či vyšší než u zkušených oftalmologů. Díky tomu lze detekovat změny na sítnici oka dříve, než se projeví klinicky významné symptomy. Zavedení screeningu diabetické retinopatie přímo v ambulanci diabetologa tak představuje zcela inovativní řešení, které zvyšuje dostupnost i efektivitu tohoto druhu péče, protože reálné kapacity oftalmologů jsou pro diabetiky v některých regionech často limitované. Navíc se tím však zvyšuje i komfort pacienta, protože vyšetření se provádí bez rozkapání očí, a pokud není zjištěno podezření na retinopatii při screeningu u diabetologa, pacient již nemusí na další vyšetření k oftalmologovi.

Další oblastí, kde AI může již brzy najít větší uplatnění, je screening diabetické nohy. Příklad může být mobilní aplikace FootSnap AI. Pacient do ní může nahrát fotky svého defektu na noze z různých úhlů, které umělá inteligence analyzuje podobně jako při screeningu diabetické retinopatie. Cílem je vyhodnocení, zda jde o rizikový diabetický defekt s pravděpodobným rozvojem infekce nebo gangrény. Výsledky testování tohoto algoritmu vykazují v porovnání se zkušenými hodnotiteli vysokou míru senzitivity i specificity (90–93 %), jak ukazuje například pilotní práce britských autorů publikovaná loni v Diabetes Research and Clinical Practice (Cassidy B et al., Diabetes Res Clin Pract 2023;205:110951).

Automatická analýza dat

Pro uplatnění AI v medicíně jsou různá screeningová vyšetření obecně velmi vhodná. Právě při hledání „jehly v kupce sena“, tedy analýzy velkého množství informací, ve kterých je třeba odlišit od většiny „normálních“ nálezů malou část abnormálních či zjevně patologických, by AI mohla efektivně pomoci.

Další potenciální využití AI v medicíně obecně vychází z toho, že dokáže kombinovat a analyzovat rozsáhlá data z různých zdrojů, ať už jde o ambulantní či nemocniční systémy nebo laboratorní záznamy. Algoritmy založené na umělé inteligenci tak mohou například díky zpětnému hodnocení pacientských záznamů identifikovat nemocné se zvýšeným rizikem vzniku komplikací, jako jsou kardiovaskulární onemocnění, neuropatie, retinopatie či nefropatie. U predisponovaných jedinců může AI pomoci hodnotit i riziko samotného rozvoje diabetu 2. typu (například díky aktivitám výzkumné skupiny Sanford Health’s advanced analytics group, která mimo jiné srovnává zdravotní záznamy vyšetřovaných osob s trajektoriemi pacientů s již rozvinutým diabetem). To by otevíralo nové možnosti pro zahájení včasné intervence a preventivních opatření u osob ve zvýšeném riziku diabetu, což může pomoci nejen výrazně zlepšit jejich prognózu, ale i snížit náklady na léčbu vzniklých komplikací.

Také se pracuje na využití AI při hodnocení množství sacharidů ve stravě. Pomocí obrazové analýzy fotografií jídel by mohla umělá inteligence pomáhat pacientům odhadnout množství sacharidů ve stravě, a na základě toho jim navrhnout vhodnou úpravu dávky inzulinu a také dietního režimu. Přestože tato aplikace zatím vykazuje velkou nepřesnost ve výsledných odhadech, její další vývoj může pacientům výrazně usnadnit každodenní sledování příjmu potravy a pomoci jim v lepší regulaci glykemie.

Vzdělávání a podpora pacientů

Umělá inteligence má potenciál být efektivním nástrojem i v oblasti adherence a edukace pacientů. Může být integrována do aplikací a přenosných zařízení, a ve spolupráci s nimi může na základě dat o konkrétním pacientovi poskytovat personalizovaná doporučení týkající se úpravy stravy, cvičení a režimových opatření.

V budoucnu by mohly být velké jazykové modely (LLM – large language model), jako je například ChatGPT, využívány i jako podpůrné nástroje pro pacientské rozhovory a pro tvorbu edukačních materiálů, které pacienti lépe pochopí. Zatím tomu ovšem brání jejich časté zkreslení v odborném a poloodborném textu. Podle studie v NEJM AI (Rydzewski NR et al., NEJM AI 2024;1:10.1056/aioa2300151), která testovala různé LLM na standardizovaném souboru onkologických otázek, dosahoval nejlepších odpovědí model ChatGPT-4, i v tomto případě však nebyla pravdivost odborného textu s onkologickou problematikou ani 75 %. I když je to od velkých jazykových modelů působivý výkon, stále mají klinicky významnou chybovost, a proto nemohou být v současné době schváleny pro využití jako zdravotnický prostředek.

Nicméně, až se tyto nedostatky odstraní, lze předpokládat, že virtuální asistenti, řízení AI, budou pacientům poskytovat podrobné medicínské informace, odpovídat na jejich otázky a pomáhat jim lépe rozumět jejich onemocnění a léčbě.

Ekonomický přínos a zvýšení efektivity

AI nabízí benefity nejen v rámci klinického využití, ale také v ekonomické oblasti. Předpokládá se, že pokročilé systémy predikce hospitalizací, monitoringu adherence a automatizace rutinních procesů v ambulantní péči mohou přinést výrazné úspory ve zdravotnictví a zlepšit přístup k péči pro širší skupinu pacientů. Analýza dat z klinických studií pomocí AI nástrojů může také urychlit objevování a vývoj nových léčebných metod a léků nejen pro diabetiky.

Ochota využívat technologie narůstá, ale…

Z pohledu využití jednotlivých digitálních agend v medicíně se v různých evropských zemích v praxi nejvíce využívají elektronické záznamy o pacientech a ePreskripce, které v různých formách používá většina zemí. Daleko méně jsou však využívány aplikace pro lékaře a on-line platformy či telemedicína, jejichž dostupnost se v praxi pohybuje kolem 40–60 %, a ještě mnohem méně je ověřených aplikací pro pacienty, systémů pro monitoring nebo nástrojů, které by pomáhaly s automatizací opakujících se klinických úkonů.

Přitom podle průzkumu společnosti Deloitte vyjadřuje 30–40 % pacientů ochotu používat digitální technologie, zejména zařízení, která monitorují různé parametry jejich zdraví (glykemie, TK atd.) a fyzické kondice. Nadpoloviční většina také oceňuje možnost využívat elektronickou preskripci.

Bariéry větší digitalizace a využití AI

Implementace umělé inteligence v medicíně je však spojena i s několika významnými riziky a výzvami.

Nejčastěji se v souvislosti s AI mluví o „problému černé skříňky“ a interpretovatelnosti výsledků. Mnohé AI systémy, zejména ty založené na hlubokém učení a neuronových sítích, fungují tak, že jejich rozhodovací procesy jsou pro uživatele neprůhledné. Nedostatek transparentnosti může vést k nedůvěře lékařů či pacientů v doporučení AI a potenciálně k chybným klinickým rozhodnutím. Proto se klade důraz na vývoj AI modelů, které poskytují nejen predikce, ale i srozumitelná vysvětlení svých rozhodnutí (tzv. vysvětlitelná AI; explainable AI – XAI), což je klíčové pro zvýšení důvěry a bezpečnosti při využití v klinické praxi.

Nezanedbatelné jsou také právní otázky. Pokud by lékař postupoval podle doporučení AI, jejíž rozhodovací proces je neprůhledný, je komplikované určit, kdo nese odpovědnost při výskytu nežádoucích účinků či při případném poškození pacienta.

Další překážkou většího využití AI systémů může být i nedostatek kvalitních a reprezentativních tréninkových dat. Pokud jsou data neúplná, zkreslená nebo nereprezentativní pro cílovou populaci pacientů, mohou AI modely generovat nepřesná nebo dokonce škodlivá doporučení.

Kompatibilita a uživatelská přívětivost

Pro úspěšnou integraci AI do klinické praxe je nezbytné řešit i otázky interoperability, tedy aby různé systémy a zařízení měly schopnost vzájemně komunikovat a efektivně sdílet data. V diabetologii je klíčová kompatibilita AI nástrojů s existujícími elektronickými zdravotními záznamy, glukometry, glukózovými senzory či inzulinovými pumpami. To naráží na problém různých datových formátů jednotlivých výrobců, nedostatku standardů pro zdravotnická data a také otázku bezpečnosti při sdílení citlivých zdravotních informací.

K odmítání AI technologií zdravotnickým personálem či pacienty mohou přispívat i složitá uživatelská rozhraní nebo neintuitivní ovládání. Ke zmírnění této bariéry potřebují zdravotníci (ale i pacienti) adekvátní školení, což vyžaduje čas a finanční zdroje. Implementace AI může navíc vyžadovat i úpravy zavedených klinických procesů, a to může narazit na odpor ze strany personálu zvyklého na tradiční postupy.

AI jako překážka získání seniority?

Je třeba dodat, že existuje obava, zda větší zapojení umělé inteligence do klinické praxe nezploští učící křivku u mladších, nezkušených lékařů, kterým bude trvat mnohem déle, než dosáhnou potřebné seniority. Například z práce publikované v European Radiology, která hodnotila úspěšnost diagnostiky maligních uzlů ve štítné žláze za pomoci AI nástrojů, je patrné, že u mladých rezidentů využití AI významně snížilo počet falešně pozitivních biopsií (na čtvrtinu případů) ve srovnání s výsledky bez AI asistence. Zkušeným radiologům však umělá inteligence zlepšit diagnostiku příliš nepomohla, protože v jejich případě byl počet falešně pozitivních biopsií srovnatelný s pomocí AI i bez ní. Větší využívání AI nástrojů tak teoreticky může být u mladých lékařů rizikem v tom, že bude omezovat jejich přirozený proces tréninku a schopnosti učit se a získávat větší odbornost v různých klinických dovednostech.

Například pro analýzu křivek glykemických profilů získaných z glukózových senzorů mohou diabetologové využít Free AGP Reader (na www.practicaldiabetic.com), který vedle detailního popisu dává na základě reálných dat pacienta také doporučení pro nastavení inzulinoterapie i vhodná režimová opatření.

Závěr

AI nabízí v diabetologii obrovský potenciál jak v diagnostice, tak léčbě. Může pomoci zvýšit úspěšnost léčby a do budoucna má potenciál zrychlit i zkvalitnit péči o pacienty s diabetem. První praktické implementace AI, jako je screening diabetické retinopatie či využití pokročilých algoritmů v inzulinových pumpách s automatickými funkcemi, jsou velkým příslibem do budoucna.

Pro větší integraci nástrojů na bázi umělé inteligence do diabetologické praxe je ovšem nezbytné vyřešit řadu problémů, ať už jde o otázky týkající se transparentnosti, interpretovatelnosti a bezpečnosti použitých algoritmů, nebo interoperability různých systémů a zařízení. Je nutné také zajistit adekvátní školení personálu a zohlednit regulační, etické a finanční aspekty.

(red)