Progress on vältimatu. Tehisintellekt (AI, ingl k artificial intelligence) ja masinõpe on tehnoloogiad, mida on tuntud juba aastakümneid, kuid meediakünnise on need ületanud alles hiljuti. Selle põhjus on algoritmide areng ning tohutud andmemahud, mille pealt "masinad" on võimelised õppima.

Need tehnoloogiad on saanud osaks igapäevaelust. Meie telefonides on targad abistajad, tänavatel sõidavad isejuhtivad autod ning sotsiaalmeediavoog on loodud AI abiga. Pole kahtlustki, et tehisintellekt siseneb ka tervishoiusüsteemi. Kõik eeldused on selleks olemas – suured andmemahud, e-tervis ning uus põlvkond, kes oskab arvutiga ümber käia.

Igapäevaselt üleslaetavad andmemahud on muutunud hoomamatuks.

Onkoloogil, kes tegutses kümmekond aastat tagasi, oli kitsas valik ravimeid. Praegu on käimas kümneid kliinilisi uuringuid, milles katsetatakse sadu ravimeid. Selleks, et arst saaks langetada parima otsuse, on tal kohustus olla kursis uuringute tulemustega, teada, kuidas antud ravim töötab kellel see töötab ja kellel ning millisel juhul mitte.

Eelneva põhjal tuleb vastu võtta otsus, kas ja mis doosis võiks see sobida konkreetsele patsiendile. Ühiskond nimetab seda professionaalsuseks ning need on arstilt eeldatavad oskused.

See nõuab, et arstil on ressurssi teaduskirjanduse analüüsiks. Samuti iga patsiendi puhul võtta aega erisuguste tegurite arvestamiseks, mille alla kuuluvad vähi iseloom ja aste, patsiendi üldine seisund ning tema kaasuvad haigused.

Kõik selleks, et kokkuvõttes võtta vastu õige otsus. See tundub teooriaski raske, sest väga lihtne on midagi kahe silma vahele jätta. Alateadlikult mõjutavad veel omakorda arsti mitmed asjaolud: une kvaliteet möödunud ööl, kodune olukord, aeg lõunapausini, töö õhkkond ning eelmine sarnane haigusjuht. Lisaks on inimesed väga kehvad tõenäosuste arvutamisel. Tihti pannakse liigselt rõhku ühele ja ebapiisavalt teisele asjaolule. Varane ja täpne diagnoosi panek ei ole marginaalne probleem.

Miks tarkvara ei võiks meid sellega aidata?

Tehisintellekt on juba meditsiinisektorisse sisenemas. Ajakirjas Nature avaldati üle-eelmisel aastal uuring, milles nahaarstid ja tehisintellekt pidid kumbki piltide alusel diagnoosima nahavähki. Tulemuseks oli, et masina diagnoosi täpsus oli võrreldav ja kohati paremgi kui nahaarstidel.

Eksperdid ennustavad, et tehisintellekt siseneb esialgu niinimetatud visuaalsetes valdkondades nagu dermatoloogia, radioloogia, patoloogia ja onkoloogia. Taolised abimasinad, mis on võimelised pilte analüüsima ning arstile soovitusi andma, milliseid pilte esmajärjekorras vaadata, on kasutusel olnud mammograafias pikalt.

Alles möödunud aastal sõnas Suurbritannia peaminister Theresa May, et tehisintellekti kasutuselevõtt tervishoius võiks 2033. aastaks Suurbritannias ära hoida 20 000 vähist põhjustatud surma aastas. Tehisintellekt saaks May sõnul aidata varakult diagnoosida eesnäärme-, kopsu-, jämesoole- ja munasarjavähki.

Miks ütles ta seda alles praegu, mil tehnoloogiad on kasutusel olnud pikalt? Seni kasutusel olnud tehnoloogiad ei olnud otseselt tehisintellekt. See oli lihtsalt jupp koodi, millele kirjutati käsitsi juhiseid, kuidas ta peaks käituma. See tähendab, et need masinad ei olnud võimelised oma vigadest õppima erinevalt tehisintellektist.

Kui tänapäeval jääb tehisintellektil diagnoosimata vähk, mis patsiendil viis aastat hiljem avaldub, siis võib ta esialgse pildi tarkvarasse üles laadida.

Nii on tarkvaral võimalik veast õppida, et seeläbi tulevikus diagnoosi täpsust suurendada. Sellised tehnoloogiad võiksid muuta otsuste tegemise meditsiinis tõhusamaks, kiiremaks ja, mis kõige tähtsam, turvalisemaks.

Nagu igal tehnoloogial on ka sellel oma puudujäägid. Üks nendest on nn "musta-kasti" probleem (ingl k black-box problem).  

See seisneb selles, tehisintellekt ei ole võimeline põhjendama, millele ta diagnoosi panekul toetub. AI on õppinud kümnete tuhandete piltide pealt seoseid looma.

Näiteks kui tahame tehisintellekti õpetada tuvastama STOP märki, toidame tarkvarale tuhandeid pilte STOP märgist, mille tulemusena õpib see märki tuvastama. Me ei tea aga, kas tarkvara on õppinud märki ära tundma, kuna see on kaheksanurk, sellepärast, et see on punane või lihtsalt, kuna selle peal on kirjas STOP. Võib-olla leidis tehisintellekt mingi teise seose, millest me ei ole teadlikud. Arstidele ja patsientidele ei piisa ainult vastusest, sest me vajame ka põhjendusi.

Google'i tütarfirma DeepMind, mille fookuseks on tehisintellekti arendamine ja rakendamine, on sellele probleemile leidnud ühe võimaliku lahenduse. Nad kasutavad kahte erinevat tehislikku närvivõrku (ingl k neural network).

Üks neist näitab, mida see pildilt näeb. Näiteks silma võrkkesta pildil võib see näidata haiguskoldeid, veritsusi või muid haigusele viitavaid tunnusmärke.

Teine närvivõrk analüüsib nähtut, pakkudes arstile diagnoose, mille tõenäosus on esitatud protsentides. Seejärel on arstil võimalik hinnata tehisintellekti poolt pakutut.

Tehisintellekti väljaarendamise taga on erasektor. Sektor, milles eetilised põhimõtted jäävad tagaplaanile, kui jutt on kasumist.

Tehisintellekt võib panna täpse diagnoosi ning soovitada vastavale patsiendile individuaalse raviskeemi, mis võtab arvesse tema kaasuvaid haiguseid, geene ning muid faktoreid. Arst võib selle diagnoosi ja raviskeemi üle vaadata ning sellega nõustuda või mitte. Kuid ka siis võib arstil jääda märkamata, et tehisintellekt soovitab antud ravimit või ravimifirmat teistega võrreldes tihedamini.

Selleks põhjuseks võib olla, et firma, mis tehisintellekti koostas, lisas vastava koodijupi, mille tagajärjel on tarkvara ühe ravimi suunas kaldu. See võib olla ebaeetiline olukordades, mil on olemas sama toimeainega kuid odavam ravim. Kuna Eestis määratakse ravimeid toimeainepõhiselt, ei ole see probleem muu maailmaga võrreldes nii aktuaalne.

Kas see tähendaks, et arsti ei olegi enam tulevikus vaja? Kindlasti ei kao arstid kuhugi. Tuleb meeles pidada, et masinad on mõeldud meie olemasolevate võimete tugevdamiseks. Vaevalt kardame, et meid telefonid või isiklikud isejuhtivad sõidukid asendavad. Diagnoosi panek ei ole lõpp, sest tuleb välja selgitada ka põhjus – miks haigus avaldus ning kuidas seda tulevikus ära hoida?

Toetudes David Bickerile, dermatoloogia õppetoolile Columbia Ülikoolis, siis me ei peaks mõtlema sellele, kas peaksime vastavat tehnoloogiat vastu võtma. Pigem tuleks esitada küsimus, kuidas saame tuleviku tehnoloogiaid tõhusalt rakendada tervishoiusüsteemi kasuks? Kas patsiendid arvavad meist kehvemini, kui diagnoosi panekul masinatelt abi küsime?

Paljud arstiteaduskonna loengud algavad ajaloolise sissejuhatusega, milles räägitakse sellest, kuidas tehnoloogia aitas tõsta ravi efektiivsust. Antibiootikumid, röntgen, geneetiline testimine – need on tehnoloogiad, mis aitasid tervishoius sooritada suuri hüppeid. Siiski on paljudes hirm, et tulev tehnoloogia tuleb meie asemele, mitte kõrvale.