AI predviđa rak jetre iz rutinskih podataka – tko će profitirati?

Model strojnog učenja koji analizira rutinske kliničke podatke – demografiju, elektroničke zdravstvene kartone i rezultate krvnih testova – uspješno je predvidio rizik od hepatocelularnog karcinoma (HCC) kod 69% pacijenata koji nisu imali dijagnosticiranu cirozu jetre. Studija, objavljena u Cancer Discovery, koristila je podatke iz UK Biobanka (500.000 osoba) i validirala rezultate na All of Us registru (400.000 osoba), identificirajući 538 slučajeva HCC-a.

Ovo nije prvi algoritam koji obećava rano otkrivanje raka, ali je jedan od rijetkih koji se temelji na podacima koji su već dostupni u većini zdravstvenih sustava. Umjesto skupih genetskih testova ili specijaliziranih skrininga, model se oslanja na rutinske krvne pretrage i postojeće zapise – što zvuči kao idealno rješenje za kliničku primjenu.

No, kao i kod svakog AI alata, pitanje nije 'može li', već 'hoće li'. Ključni detalj: 69% identificiranih HCC slučajeva dogodilo se kod pacijenata bez prethodne dijagnoze ciroze.

To znači da trenutni protokoli skrininga – koji se fokusiraju gotovo isključivo na pacijente s teškom bolešću jetre – propuštaju većinu rizičnih slučajeva. Ako se model pokaže pouzdanim, mogao bi dramatično proširiti skupinu pacijenata koji kvalificiraju za skrinig, i time i za ranu intervenciju. Studija u Cancer Discovery.

Problem je što se AI alati u medicini rijetko implementiraju onako kako su zamišljeni. U teoriji, model bi mogao postati standardni dio elektroničkih zdravstvenih kartona, automatski označavajući pacijente visokog rizika za dodatne preglede. U praksi, pritisk zdravstvenih sustava, regulatorna odobrenja i pitanja odgovornosti mogu sve to pretvoriti u još jednu 'inovaciju' koja završava na policama.

Tko stvarno ima interes ovdje? Prvi kandidati su privatne kliničke laboratorije i kompanije koje nude AI usluge, koje bi mogle pakirati ovaj model kao premium dodatak svojim postojećim sustavima. Druga mogućnost su javni zdravstveni sustavi koji traže način da optimiziraju troškove skriniga – ali to zahtijeva dokaze o stvarnoj uštedi, a ne samo obećanja. Analiza MedicalXpressa.

Još jedno otvoreno pitanje: kako će model reagirati na različite populacije? UK Biobank i All of Us registar pretežno uključuju pacijente iz visokorazvijenih zemalja sa sličnim zdravstvenim sustavima. Hoće li algoritam jednako dobro raditi u regijama s drugom prevalencijom bolesti jetre, kao što su Azija ili subsaharska Afrika?

I tu dolazimo do stvarnog uskog grla – nije riječ o tehnologiji, već o pristupu podacima i infrastrukturi. Github aktivnosti oko sličnih projekata je minimalna, što sugerira da ovo zasad ostaje zatvoreni akademski ili komercijalni projekt. Community signali iz tehnoloških foruma ukazuju na skepsu – većina inženjera i liječnika slaže se da je ideja obećavajuća, ali da su realne prepreke implementacije daleko veće od samo preciznosti modela.

U konačnici, uspjeh ovog modela ovisi o njegovoj sposobnosti da se integrira u postojeće zdravstvene sustave i da se pokажe kao koristan alat za liječnike i pacijente. Ako se to dogodi, mogao bi biti značajan korak naprijed u borbi protiv raka jetre. Međutim, ako se ne implementira na pravilan način, riskira da završi kao još jedna nepotrebna tehnologija. Vrijeme će pokazati koliko će ovaj model biti uspješan u svojoj namjени.