29-30 ოქტომბერს, თბილისში ალტე უნივერსიტეტისა და თბილისის სახელმწიფო სამედიცინო უნივერსიტეტის ურთიერთთანამშრომლობითა და შოთა რუსთაველის საქართველოს ეროვნული სამეცნიერო ფონდის მხარდაჭერით გაიმართა კონფერენცია – „ხელოვნური ინტელექტი ჯანდაცვასა და მედიცინაში“ (AIMCare 2026).
ღონისძიებამ ერთ ინტერდისციპლინურ სივრცეში გააერთიანა დარგის წამყვანი მკვლევრები, კლინიცისტები, ინჟინრები, ჯანდაცვის ექსპერტები, აკადემიური პერსონალი და სტუდენტები მსოფლიოს 10 ქვეყნიდან — საქართველოდან, დიდი ბრიტანეთიდან, გერმანიიდან, ესპანეთიდან, საფრანგეთიდან, იტალიიდან, ირლანდიიდან, პოლონეთიდან, ჩეხეთიდან და იორდანიიდან.
კონფერენციის ერთ-ერთი თემა ხელოვნური ინტელექტის რეალურ კლინიკურ ღირებულებას შეეხებოდა. ამ თემაზე აუგსბურგის უნივერსიტეტის სამედიცინო ცენტრის ციფრული მედიცინის ინსტიტუტის ხელმძღვანელი, მონაცემთა მართვისა და კლინიკური გადაწყვეტილებების მხარდაჭერის პროფესორი ლუდვიგ ქრისტიან ჰინსკე გვესაუბრა.
თქვენი მოხსენება ეხებოდა ხელოვნური ინტელექტის მიერ მედიცინაში რეალური ღირებულების შექმნას. დღეს AI-ზე ყველგან საუბრობენ, თუმცა რეალურ კლინიკურ პრაქტიკაში მისი ფართომასშტაბიანი დანერგვა მაინც ფერხდება. თქვენი გამოცდილებით, რა არის ამის მთავარი მიზეზი?
როდესაც ამ სფეროში მუშაობა დავიწყეთ, გვეგონა, რომ მთავარი იყო მონაცემთა ბაზების შექმნა, ალგორითმების სწავლება და მაღალი სიზუსტის მაჩვენებლების მიღება. თუმცა წლებთან ერთად მივხვდით, რომ ეს მხოლოდ პირველი, ყველაზე მარტივი ნაბიჯია. ნამდვილი გამოწვევა იწყება მაშინ, როდესაც ეს ტექნოლოგია უშუალოდ კლინიკაში, ექიმის ყოველდღიურ სამუშაო პროცესში უნდა გადავიტანოთ.
არსებობს დიდი აცდენა სამეცნიერო ლიტერატურაში გამოქვეყნებულ ათასობით წარმატებულ ალგორითმსა და რეალურ კლინიკურ პრაქტიკაში მათ ინტეგრაციას შორის. ექიმების 20%-ზე ნაკლებს აქვს AI ინსტრუმენტები გამოყენებული. მთავარი პრობლემა ისაა, რომ ხშირად ქმნიან პროდუქტებს ალგორითმული სიზუსტისთვის და ავიწყდებათ კლინიკური სამუშაო ნაკადი. თუ AI სისტემა ექიმს დროს არ უზოგავს ან მისთვის მოუხერხებელია, მას უბრალოდ არ გამოიყენებენ.
ჯერ კიდევ 1970-იან წლებში, დაახლოებით 50 წლის წინ, შეიქმნა ერთ-ერთი პირველი AI სისტემა MYCIN, რომელიც ინფექციური დაავადებების დიაგნოსტიკაში სიზუსტით სპეციალისტებსაც კი სჯობნიდა. მიუხედავად ამისა, ის კლინიკურ პრაქტიკაში ვერ დამკვიდრდა, რადგან საავადმყოფოს სხვა სისტემებთან ინტეგრირებული არ იყო და ექიმებს მონაცემების ხელით შეყვანა უხდებოდათ. ანუ, არქიტექტურა და ალგორითმები ნახევარი საუკუნის წინაც არსებობდა, მაგრამ მთავარ დაბრკოლებად დღემდე კლინიკურ პროცესებში მათი პრაქტიკული ინტეგრაცია რჩება.
თქვენ ხაზი გაუსვით იმასაც, რომ AI მხოლოდ დიაგნოსტიკის ინსტრუმენტი არ არის და მან ექიმს სხვა მხრივაც უნდა შეუწყოს ხელი, რა იგულისხმება ამაში?
მედიცინა არ არის მხოლოდ ალგორითმები, მედიცინა არის ადამიანური ურთიერთობა. პაციენტს, როდესაც ის ავადაა, არ სურს კომპიუტერმა განუსაზღვროს მკურნალობა — მას სჭირდება ექიმი, რომელიც მოუსმენს, თანაუგრძნობს და იმედს მისცემს.
დღეს ექიმები, განსაკუთრებით ინტენსიურ თერაპიაში, დროის 80-90%-ს კომპიუტერთან, დოკუმენტაციის შევსებაში ატარებენ და მხოლოდ 10%-ს — პაციენტთან. ხელოვნური ინტელექტის მთავარი ფოკუსი სწორედ ეს უნდა იყოს: მან უნდა ითავოს ადმინისტრაციული ტვირთი, ჩანაწერების ოპტიმიზაცია და შეცდომების პრევენცია, რათა ექიმს გამოუთავისუფლდეს დრო პაციენტთან პირისპირ კომუნიკაციისთვის.
AI-ის კლინიკურ დანერგვასთან ერთად, ერთ-ერთი ყველაზე მწვავე საკითხი ეთიკა და მიკერძოებულობაა (bias). როგორ იჩენს ეს პრობლემა თავს სამედიცინო მონაცემებში?
ეს უდიდესი გამოწვევაა. ხელოვნური ინტელექტი სწავლობს იმ მონაცემებიდან, რომლებსაც ჩვენ ვწვდით. იმ შემთხვევაშიც კი, თუ ჩვენ ალგორითმს სპეციალურად არ მივაწვდით ინფორმაციას პაციენტის სქესის, კანის ფერისა თუ ეთნიკური კუთვნილების შესახებ, AI მაინც ახერხებს ამის ამოცნობას არაპირდაპირი ბიომარკერებიდან — მაგალითად, სისხლის წნევის მრუდიდან ან გულმკერდის რენტგენიდან.
შედეგად, AI ფარულად აითვისებს ყველა იმ კულტურულ მიკერძოებას, რაც კი შეიძლება გაგვაჩნდეს, ამიტომაც უაღრესად მნიშვნელოვანია ამის გადამოწმება. თუ მოდელი არ შემოწმდა სხვადასხვა პოპულაციაზე, მან შესაძლოა არასწორი ან დისკრიმინაციული გადაწყვეტილებები მიიღოს.
თქვენ მოიყვანეთ მაგალითი, როდესაც ძვირადღირებული AI სისტემები პრაქტიკაში ეფექტიანი ვერ აღმოჩნდა. რატომ ხდება, რომ ტექნოლოგია ალგორითმულად გამართულად მუშაობს, მაგრამ პაციენტის საბოლოო ჯანმრთელობის გამოსავალს ვერ აუმჯობესებს?
ეს არის ე.წ. „მტკიცებულებითი უფსკრული“ (Evidence Gap). ბაზარზე არსებობს AI მოწყობილობები, რომელთაც შესანიშნავი ტექნიკური პარამეტრები აქვთ, თუმცა კვლევებმა აჩვენა, რომ მათი დანერგვით პაციენტების სიკვდილიანობა ან გართულებები რეალურად არ შემცირებულა.
მაგალითად, ჰიპოტენზიის (დაბალი წნევის) პროგნოზირების ალგორითმი ამცირებდა დაბალი წნევის ეპიზოდებს, მაგრამ პაციენტის საბოლოო ჯანმრთელობის შედეგზე ეს არსებითად არ აისახებოდა. ამასთან, მწარმოებლებმა აპარატურისა და სენსორების ფასი გააორმაგეს. ანუ საავადმყოფო იხდიდა ორჯერ მეტს ტექნოლოგიაში, რომელსაც კლინიკური სარგებელი (Clinical Value) თითქმის არ მოჰქონდა. ამიტომაც, სანამ AI პროდუქტს შევიძენთ, უნდა დავსვათ კითხვა: მართლა უმჯობესდება თუ არა პაციენტის მდგომარეობა ამ ტექნოლოგიით?
AI-ის დანერგვა მხოლოდ ტექნოლოგიური პროცესი არ არის. რა მთავარ გამოწვევებს ხედავთ ჯანდაცვის სისტემისთვის მისი მასშტაბირებისა და დაფინანსების კუთხით?
დღეს მედიცინაში პერიოდული (ეპიზოდური) მკურნალობიდან გადავდივართ უწყვეტ მეთვალყურეობაზე (Continuous Care). თანამედროვე პორტატული მოწყობილობებისა და AI სენსორების წყალობით, უკვე შესაძლებელია პაციენტის მდგომარეობას თვალი მივადევნოთ არა მხოლოდ კლინიკაში ვიზიტის დროს, არამედ 24/7-ზე, სახლიდანვე, რათა გართულებები პრევენციულად, საავადმყოფოში მოხვედრამდე ავიცილოთ თავიდან.
თუმცა, ეს ნიშნავს, რომ ექიმს ან სისტემას ერთდროულად არა 100 ან 1000 პაციენტი, არამედ მთელი რეგიონი — მილიონობით ადამიანი ეყოლება უწყვეტი მონიტორინგის ქვეშ.
აქ ჩნდება ფუნდამენტური კითხვა: როგორ გადავიხადოთ ამაში და როგორ დავაფინანსოთ ასეთი სისტემა? ჯანდაცვისა და დაზღვევის არსებული მოდელები ესადაგება ძველ მიდგომას – დაფინანსებას კლინიკაში კონკრეტული ვიზიტების მიხედვით და არა უწყვეტ მეთვალყურეობას. როდესაც პაციენტების ასეთ მასშტაბს უწყვეტად აკვირდები, ტექნოლოგიური, საორგანიზაციო და ფინანსური მოდელები სრულიად უნდა გადაიხედოს.
ამასთან, AI მოდელები დროთა განმავლობაში საჭიროებს მუდმივ გადამოწმებასა და ვალიდაციას, რადგან პაციენტების პოპულაცია და კლინიკური პროცესები იცვლება. AI-ის დანერგვა არ არის ერთჯერადი აქტი, ეს არის სოციოტექნიკური პროცესი, სადაც ტექნოლოგია, ექიმი და პაციენტი ერთიან ეკოსისტემას ქმნიან. ამისთვის საჭიროა სამედიცინო პერსონალის სწავლება, მათთან საუბარი იმაზე, თუ როგორ და რატომ სურთ ტექნოლოგიის გამოყენება, და შესაბამისი ორგანიზაციული კულტურის ჩამოყალიბება.
როგორ უნდა შეფასდეს ხელოვნური ინტელექტის ნამდვილი კლინიკური სარგებელი?
ხელოვნური ინტელექტი უზარმაზარი შესაძლებლობაა, თუმცა მას ბრმად არ უნდა ვენდოთ. იმისთვის, რომ AI-მ რეალური კლინიკური სარგებელი (Clinical Value) მოიტანოს, რამდენიმე ფაქტორი ერთდროულად უნდა შესრულდეს. ეს ჰგავს მათემატიკურ გამრავლებას, სადაც ზოგადი ფორმულა ასე გამოიყურება: კლინიკური სარგებელი (Clinical Value) = გამოყენებადობა (Usability) × ქმედითობა (Actionability) × გამოსავალი (Outcome). როგორც ნებისმიერ გამრავლებაში, თუ ამ ფორმულის რომელიმე კომპონენტი ნულის ტოლია, მთლიანი კლინიკური სარგებელიც ნული ხდება. თუ პროდუქტი ტექნიკურად გენიალურია, მაგრამ ექიმისთვის მოუხერხებელია (Usability = 0), ან ექიმს არ აძლევს კონკრეტულ სამოქმედო რჩევას (Actionability = 0), ან პაციენტის ჯანმრთელობის გამოსავალს არ ცვლის (Outcome = 0) — მთლიანი კლინიკური სარგებელი ხდება ნული.
ჩვენ უნდა გადავიდეთ უბრალოდ „ლამაზი ალგორითმების შექმნიდან“ ისეთი AI ეკოსისტემის აგებაზე, რომელიც ექიმს დროს უზოგავს, პაციენტს ეხმარება და ჯანდაცვის სისტემას რეალურ ღირებულებას მატებს.
