Jak algorytm odsłania słabe punkty systemów opieki zdrowotnej

Coraz więcej ośrodków badawczych sięga po sztuczną inteligencję, by zaprowadzić porządek w ogromnych zbiorach danych medycznych. Nie chodzi tu o budowanie futurystycznych robotów — celem jest trzeźwa kalkulacja: gdzie każde wydane euro, każdy lekarz i każde urządzenie przynosi największy wzrost szans na przeżycie u pacjentów onkologicznych?

Algorytm, który dostrzega to, czego nie widać gołym okiem

Międzynarodowy zespół badaczy wprowadził dane ze 185 krajów do modelu uczenia maszynowego. Analizie poddano nie tylko liczby nowych diagnoz nowotworowych i zgonów, ale również parametry ekonomiczne i medyczne. Wzięto pod uwagę wydatki na ochronę zdrowia, zakres ubezpieczeń, liczbę onkologów i pielęgniarek oraz dostępność radioterapii.

Algorytm otrzymał jedno centralne pytanie: jaka kombinacja czynników najlepiej tłumaczy, dlaczego pacjenci onkologiczni w jednym kraju przeżywają częściej niż w innym, przy porównywalnej liczbie zachorowań? Badacze posłużyli się wskaźnikiem śmiertelności do zachorowalności — powszechnie stosowaną miarą w onkologii. Im niższy wynik, tym lepsze rokowania.

To podejście oparte na danych odwraca klasyczne rozumowanie: nie wymyślaj najpierw polityki, a potem ją mierz — najpierw mierz, a następnie buduj ukierunkowaną strategię.

Wyniki zaskakują na kilku poziomach. Model pokazuje, że kraje o podobnych dochodach mogą potrzebować zupełnie innych działań. Priorytety przesuwają się w zależności od mocnych i słabych stron krajowego systemu opieki zdrowotnej. W efekcie powstaje szczegółowa mapa, na której dla każdego kraju widać wyraźnie: tutaj inwestycja w radioterapię przyniesie największe korzyści, tam — w ubezpieczenie podstawowe lub profilaktykę.

Brazylijska, polska czy japońska ścieżka — żadne rozwiązanie nie pasuje do wszystkich

Badanie ilustruje to konkretnymi przykładami. W Brazylii model wskazuje, że rozszerzenie pokrycia ubezpieczeniowego może przynieść znacznie większy wzrost przeżywalności niż dodatkowe inwestycje w drogie urządzenia. Miliony ludzi nadal nie otrzymują terminowej diagnozy ani leczenia — po prostu dlatego, że formalnie pozostają poza systemem.

W Polsce natomiast algorytm wskazuje na inny punkt krytyczny: niewystarczający dostęp do radioterapii. Infrastruktura i personel istnieją, lecz brakuje mocy przerobowych i równomiernego rozmieszczenia geograficznego. Dodatkowy akcelerator liniowy w niedostatecznie obsługiwanym regionie może tam uratować więcej istnień niż rozszerzenie ubezpieczenia, które na papierze już funkcjonuje.

Również w zamożnych krajach priorytety się różnią. W Japonii dostęp do radioterapii ponownie pojawia się jako czynnik decydujący — mimo relatywnie sprawnego systemu opieki zdrowotnej. W Stanach Zjednoczonych produkt krajowy brutto per capita waży w modelach zaskakująco dużo, co wskazuje na znaczne różnice w dostępności finansowej i nierówności między grupami społecznymi.

Algorytmy bezlitośnie obnażają fakt, że samo bogactwo nie wystarczy — sposób, w jaki kraj rozdysponowuje swoje zasoby, decyduje o tym, czy pacjenci żyją naprawdę dłużej.

Trzy czynniki, które najczęściej powtarzają się na całym świecie

Mimo to w analizach pojawiają się wyraźne wzorce. W wielu krajach trzy elementy konsekwentnie wiążą się z lepszymi wskaźnikami przeżywalności w chorobach nowotworowych:

poziom produktu krajowego brutto per capita;
stopień powszechnego ubezpieczenia zdrowotnego;
liczba i rozmieszczenie ośrodków radioterapii.

Czynniki te nie działają niezależnie od siebie. Bogatszy kraj dysponuje zazwyczaj większym budżetem na ochronę zdrowia, ale bez solidnego ubezpieczenia lub dostępu do wyspecjalizowanych ośrodków grupy wrażliwe społecznie niewiele na tym korzystają. Algorytmy pomagają uczynić te zależności widocznymi i wskazać, gdzie należy działać w pierwszej kolejności.

Od opisywania do zarządzania — AI jako narzędzie polityki zdrowotnej

Do niedawna międzynarodowe statystyki dotyczące nowotworów ograniczały się głównie do dokumentowania nierówności. Nowa fala zastosowań sztucznej inteligencji idzie o krok dalej, próbując bezpośrednio kształtować politykę zdrowotną.

Badacze stworzyli interaktywne narzędzie, w którym decydenci mogą zobaczyć: jeśli w danym kraju zwiększymy liczbę jednostek radioterapii o dziesięć procent, co stanie się ze wskaźnikiem śmiertelności do zachorowalności? Co jeśli ten sam wysiłek skierujemy na rozbudowę podstawowej opieki zdrowotnej lub wczesnych badań przesiewowych?

Rodzaj inwestycji	Prawdopodobny wpływ według modelu	Typowy kontekst
Więcej ośrodków radioterapii	Duży efekt tam, gdzie infrastruktura jest ograniczona	Kraje z rosnącą zachorowalnością, lecz ograniczoną opieką wysokospecjalistyczną
Rozszerzenie pokrycia ubezpieczeniowego	Duży efekt przy wysokich barierach finansowych	Kraje z wysokimi dopłatami własnymi lub dużym sektorem nieformalnym
Dodatkowe ogólne wydatki na zdrowie	Umiarkowany efekt, silnie zależny od sposobu wydatkowania	Bogatsze kraje z nieefektywną strukturą systemu

Taka tabela nie wynika wprost z modelu, lecz ilustruje, jak symulacje mogą być wykorzystywane w praktyce — jako swoisty pulpit decyzyjny, przy pomocy którego ministrowie porównują scenariusze, zanim zwiążą miliardy w wieloletnich planach.

Sztuczna inteligencja przesuwa politykę onkologiczną od intuicji i politycznych odruchów ku scenariuszom z konkretnymi szacunkami lat życia, które można zyskać lub stracić.

Co to oznacza dla europejskiej i polskiej opieki zdrowotnej?

W przypadku krajów europejskich sytuacja jest subtelniejsza niż w wielu krajach o niskich i średnich dochodach. Podstawowa opieka zdrowotna jest względnie dobrze zorganizowana, ale presja związana z czasami oczekiwania, niedoborami kadrowymi i kosztownymi innowacyjnymi terapiami szybko rośnie. Model AI uwzględniający dane krajowe może wymuszać trudne, lecz precyzyjne wybory.

Może się okazać, że dodatkowy budżet na onkologiczne pielęgniarki w regionalnych szpitalach przynosi więcej korzyści niż nowa generacja wysoce ukierunkowanych leków, które docierają tylko do wąskiej grupy pacjentów. Albo że inwestycja w logistykę szybszej diagnostyki — chodzi o laboratoria patomorfologiczne czy diagnostykę obrazową — ratuje więcej istnień niż marginalne rozszerzenie programów przesiewowych.

Metoda nadaje się również do analiz regionalnych wewnątrz krajów. Województwo z wysokim odsetkiem osób starszych ma inne priorytety niż duże miasto z młodą populacją, ale dużymi nierównościami społeczno-ekonomicznymi. Ten sam model może osobno przeliczyć oba obszary, o ile dostępne są wystarczająco wiarygodne dane.

Nowe pytania o etykę i przejrzystość

Rosnąca popularność tego rodzaju modeli predykcyjnych rodzi jednocześnie intrygujące pytania. Kto decyduje o tym, które zmienne trafią do modelu, a które zostaną wykluczone ze zbioru danych? Jak zapobiec utrwalaniu istniejących nierówności — na przykład gdy dane dotyczące grup wrażliwych są niekompletne?

Dlatego badacze postulują tworzenie przejrzystych modeli, rzetelnej dokumentacji oraz angażowanie organizacji pacjentów w proces interpretacji wyników. Algorytm może wskazać, że inwestowanie w daną grupę ma relatywnie niewielki wpływ na krajowy wskaźnik śmiertelności. Polityka musi jednak wciąż rozstrzygnąć, czy ta grupa mimo wszystko zasługuje na szczególną ochronę — choćby z powodów sprawiedliwości społecznej.

AI w praktyce — od artykułu naukowego do szpitalnego korytarza

Przełożenie globalnych modeli na codzienną praktykę wymaga też konkretnych kroków operacyjnych. Szpitale i ubezpieczyciele muszą systematycznie dostarczać dane — nie tylko o zgonach i kosztach, ale również o czasach oczekiwania, powikłaniach, jakości życia po leczeniu i dostępie do programów rehabilitacyjnych.

Dysponując takimi danymi, model krajowy może na przykład wykazać, że wszystkie regiony mają wystarczające zasoby radioterapeutyczne, lecz transport pacjentów zawodzi. Stosunkowo proste rozwiązanie — takie jak refundowany przewóz lub lepsza organizacja logistyki — może wówczas przynieść większy efekt niż zakup nowego sprzętu.

Modele AI mogą ponadto łączyć to, co dotychczas często analizowano oddzielnie: profilaktykę, wczesne wykrywanie, leczenie i opiekę poszpitalną. Scenariusz może pokazać, że nieco mniejsza rozbudowa drogich immunoterapii połączona z poważnymi inwestycjami w programy rzucania palenia przynosi w sumie więcej zyskanych lat życia.

Siła tego podejścia tkwi nie w jednej magicznej zmiennej, lecz w całej ścieżce — od stylu życia, przez leczenie, aż po powrót do zdrowia.

Spojrzenie szerzej — co pacjenci i czytelnicy mogą z tego wyciągnąć

Choć badanie koncentruje się na poziomie decyzji politycznych, pośrednio dotyka również indywidualnych pacjentów. Osoba przechodząca przez leczenie onkologiczne zazwyczaj widzi tylko własny szpital. Analizy pokazują tymczasem, jak bardzo szanse na przeżycie zależą od systemowych wyborów — takich jak zakres ubezpieczenia, regionalne możliwości lecznicze czy organizacja ścieżek terapeutycznych.

Dla organizacji pacjentów to potężny argument, by stawiać konkretne postulaty: bardziej przejrzyste dane o czasach oczekiwania, lepsze rozmieszczenie onkologicznych ośrodków eksperckich czy obowiązek raportowania wyników przez ubezpieczycieli. Sztuczna inteligencja dostarcza amunicji w postaci twardych danych, które czynią rozmowy z decydentami mniej abstrakcyjnymi.

Dla badaczy otwiera się natomiast nowe pole pracy. Modele można rozbudowywać o dane genetyczne, informacje o stylu życia czy czynniki środowiskowe, takie jak zanieczyszczenie powietrza. W ten sposób powstają scenariusze, które obejmują nie tylko leczenie choroby, ale też zapobieganie jej wystąpieniu. Balans między indywidualnymi wyborami a zbiorowymi rozwiązaniami staje się wówczas ostrzejszy i bardziej wymierny.

Kolejnym krokiem mogą być symulacje, w których jednocześnie przelicza się kilka działań. Co stanie się z umieralnością na nowotwory, jeśli kraj jednocześnie zaostrzył politykę antynikotynową, rozbudował radioterapię i wzmocnił pokrycie ubezpieczeniowe? Takie kombinacje lepiej oddają złożoną rzeczywistość niż manipulowanie jednym guziczkiem polityki. I właśnie tu sztuczna inteligencja może pokazać swoją prawdziwą wartość — nie jako wyrocznię, ale jako partnera w obliczeniach, który pomaga sprecyzować trudne wybory.