Redke bolezni so tiste, za katerimi zboli 5 ali manj ljudi na 10 tisoč prebivalcev. Čeprav so, kot pove ime, redke, je samo v Evropski uniji 30 milijonov ljudi z redkimi boleznimi. Ker so tako redke, jih zdravniki težko prepoznajo in pravilno diagnosticirajo. Prav zato se je Žitnik s svojo ekipo lotila raziskave, kako bi lahko umetna inteligenca pomagala pri hitrejšem postavljanju diagnoze.
"Redke bolezni so lahko zelo heterogene, tako da se pri različnih ljudeh kažejo na različne načine, posamezniki imajo različne simptome. Zato je zelo težavno pravilno diagnosticirati bolezni. Tudi statistika v ZDA kaže, da bolniki z redkimi boleznimi v povprečju čakajo sedem let do prave diagnoze, v tem času morajo obiskati od štiri do osem specialistov in včasih prejmejo več diagnoz, ki so napačne," težave bolnikov z redkimi boleznimi opiše Žitnik.
In ker bolniki niso pravilno diagnosticirani, bolezen ni pravilno in pravočasno zdravljena, zato lahko tako napreduje, da je več ni mogoče pozdraviti ali omiliti njenih simptomov, še poudarja Marinka Žitnik.
Razvoj algoritma za diagnozo redkih bolezni
Že desetletja se znanstveniki trudijo razviti algoritme za različne bolezni. Pri redkih boleznih je po besedah Marinke Žitnik eden izmed ključnih izzivov, kako zbrati dovolj podatkov za razvoj algoritma.
"V primerjavi z drugimi boleznimi je za redke bolezni značilno, da imamo zanje relativno malo zbranih podatkov, saj je za vsako redko bolezen razmeroma malo pacientov. Zato postane z vidika umetne inteligence ključni izziv, kako lahko najproduktivneje zgradimo orodja globokega učenja, ki v splošnem zahtevajo veliko količino podatkov, tako da so ta orodja stabilna in točna. Ta problem smo v moji skupini rešili tako, da smo uporabili in razvili najsodobnejše metode strojnega učenja, ki lahko naučijo izredno točne globoke modele na podlagi predznanja s področja medicine in potem z majhnim številom dejanskih podatkov pacientov."
Postopek učenja algoritma sestavljata dva koraka. Najprej so algoritem učili na splošnih medicinskih podatkih, natančneje na milijonih raznovrstnih medicinskih podatkov za več kot 17.000 različnih bolezni. "Ogromna količina podatkov je izhajala iz raznovrstnih podatkovnih baz, eksperimentalnih podatkov naših sodelavcev, medicinske literature in znanja, ki obstaja v strokovno pregledanih podatkovnih okoljih. Vse skupaj smo imeli več kot nekaj sto milijonov povezav med molekulami in človeškim genomom ter potem človeškimi boleznimi."
V drugem koraku so algoritem učili na podatkih posameznega pacienta z redko boleznijo. Uporabili so podatke, kot je "posameznikov simptomatski klinični pregled, kjer imamo podatke o simptomih, predhodnih morebitnih diagnozah, ki jih je pacient imel, podatke iz elektronske digitalne knjige za tega pacienta. S tema vrstama podatkov, genomom in klinično sliko posameznika, lahko algoritem zgradi napovedi, ki pridejo v obliki genov in ki po mnenju algoritma najverjetneje povzročajo pacientovo bolezen."
Algoritem preizkusili na podatkih 485 bolnikov v ZDA
Algoritem so preizkusili na podatkih bolnikov, ki so del ameriške mreže 12 specializiranih inštitutov, v katerih obravnavajo bolnike, ki jim drugje ne uspejo postaviti prave diagnoze.
"Za tistih 485 pacientov, ki še niso bili diagnosticirani, smo podatke vnesli v naš algoritem, in ta je potem za 75 odstotkov teh bolnikov med prvimi petimi rezultati našel pravilni gen, ki povzroča bolezen. To je zelo velik dosežek, ker je algoritem moral preveriti več kot dvajset tisoč genov in najti enega samega, pravega, ki najverjetneje povzroča bolezen. To je bil velik uspeh, ker algoritem deluje izredno hitro, potrebuje manj kot minuto, da po tem, ko dobi podatke pacienta, zgradi napoved zanj."
Kot poudarja profesorica Žitnik, je treba te napovedi še ovrednotiti in razumeti, katere so najzanesljivejše. Tu pa so se zanesli na sodelavce v teh 12 specializiranih inštitutov, "ki so bili zelo navdušeni, da imajo zdaj tudi orodja umetne inteligence, na katere se lahko zanašajo, da jim lahko pomagajo pri iskanju diagnoz za te paciente. Danes se ukvarjamo s tem, kako ta algoritem, ki smo ga zdaj retrospektivno preverili in ocenili njegovo točnost, uporabiti pri pacientih, ki trenutno sploh nimajo diagnoze."
Zato ga zdaj vpeljujejo v uporabo v omenjenih inštitutih v ZDA, sodelujejo pa tudi z mednarodno skupnostjo, da bi algoritem uporabili tudi v Evropi in na Bližnjem vzhodu ter tako pomagali skupnosti bolnikov z redkimi boleznimi.
Od diagnoze do zdravila
Ko bolnik dobi pravilno diagnozo, je naslednji korak zdravljenje bolezni ali vsaj omilitev simptomov. Ker je razvoj novih zdravil, sploh za redke bolezni, izjemno zapleten, drag in dolgotrajen, so se Marinka Žitnik in člani njene raziskovalne skupine odločili, da bodo tudi pri tem uporabili orodja umetne inteligence, saj se prvenstveno ukvarjajo prav z razvojem umetne inteligence za razvoj novih zdravil.
Razvoj zdravil za redke bolezni pa je še posebej težaven, "ker je razmeroma majhno število pacientov, postopek razvoja novega zdravila pa je zahteven in drag. V povprečju lahko razvoj novega zdravila stane od dve do tri milijarde dolarjev in lahko tudi traja več kot desetletje." Sogovornica zato ugotavlja, da bi za razvoj novih zdravil za redke bolezni potrebovali popolnoma drugačen pristop. Ena izmed alternativnih možnosti je tako imenovano repozicioniranje zdravil: "Pri tem poskušamo ugotoviti, ali bi lahko zdravila, ki so že odobrena in na trgu, ali kombinacijo že znanih zdravil, molekul, primerno uporabili, da bi pomagali nekemu pacientu. Gre torej za to, da vzamemo zdravilo in ga repozicioniramo za neko novo bolezen. V raziskovalni skupini smo razvili algoritem, ki nam je omogočal, da smo za vseh sedem tisoč redkih bolezni zgradili napovedi o morebitnih kandidatih za repozicioniranje zdravil za te redke bolezni. Upamo, da bomo leta 2025 že imeli nekaj več kot eno klinično raziskavo, ki bo potekala na podlagi napovedi umetne inteligence, kar je dosežek, ki ga trenutno še ni bilo v svetu."
Kljub številnim dosežkom in objavam pa Marinka Žitnik poudarja, da njej in njeni ekipi največ pomeni to, da njihovo delo pomaga bolnikom z redkimi boleznimi in izboljšuje njihovo življenje.
Kako zanesljiv pa je pri podajanju medicinskih informacij jezikovni model ChatGPT? Kako lahko umetna inteligenca pomaga napovedati, ali bodo nedonošenčki razvili kognitivne in motorične težave? Ali bo slovenskim raziskovalcem z uporabo umetne inteligence uspelo razviti učinkovitejše zdravljenje za najpogostejši možganski tumor, glioblastom? Kako zanesljiva pa je umetna inteligenca pri napovedovanju razvoja bolezni?
Odgovore na vprašanja so iskali v oddaji Ugriznimo znanost, ki je bila na sporedu v četrtek, 18. aprila, na TV Slovenija. Ogledate si jo lahko tukaj.