Az egészségügyben ma már nemcsak az orvosi tapasztalat és a betegellátás minősége számít, hanem az is, hogyan tudjuk értelmezni és hasznosítani a rendelkezésre álló hatalmas mennyiségű adatot. Szabados Levente, a Neuron Solutions tudományos tanácsadója évek óta dolgozik azon, hogy a mesterséges intelligencia és az adattudomány kézzelfogható segítséget nyújtson a kutatásban és a gyógyításban egyaránt.
A Semmelweis Egyetem Egészségügyi Menedzserképző Központban tavaly indult egyedülálló egészségügyi adattudomány mesterképzés második évfolyamán tart előadásokat, ahol a hallgatókkal többek között a gépi tanulás új irányait és a természetesnyelv-feldolgozás legfrissebb eredményeit fogja megosztani.
A hallgatók számára különösen értékes, hogy olyan szakembertől tanulhatnak, aki egyszerre látja az iparági gyakorlat kihívásait, a nemzetközi tapasztalatokban rejlő inspirációt és a tudományos fejlődés lehetőségeit.
Hogyan látja az egészségügyben az adattudomány szerepét jelenleg és a közeljövőben?
Mivel az egészségügy hagyományosan erős empirikus alapokkal rendelkező terület, ezért mind a kutatási, mind a közegészségügyi területen jelentős szerepet játszik a megalapozott, adatalapú döntéshozatal. Ami azonban újszerű jelen helyzetünkben, hogy a digitalizáció előrehaladtával immáron évtizedes távlatban, a lakosság széles körét lefedő adatok állnak rendelkezésre, melyek lehetővé teszik a modern gépi tanulási technikák alkalmazását, így soha nem látott léptékű prediktív modellezési és kutatási lehetőségeket nyitnak.
Az adattudomány eszköztára ebben döntő fontosságú, három szempontból is: a kutatás szintjén mind a modellek kialakítása, mind a konkrét AI-alapú diagnosztikai megoldások alkalmazása, mind pedig a tudományos munkafolyamat hatékonyabbá tétele forradalmasítható mesterséges intelligencia alapú megoldásokkal, emellett az egészségügyi praxis és döntéshozatal terén az adatalapú eszközök használata és döntési kultúra kialakítása is komoly lehetőségeket rejt. Röviden: nagyobb szükség van adattudományra, mint valaha!
Milyen nemzetközi tapasztalatokat hozott, amelyek inspirálóak lehetnek a magyar hallgatók számára?
Az AI-rendszerek jelenlegi médiakörnyezetben főként „lakossági” felhasználásukkal kerültek rivaldafénybe, de fontos kiemelni, hogy az alapkutatás terén – épp úgy, mint a szellemi munkavégzésben – csendes forradalom zajlik. Míg az utóbbi téren a széles körben elérhető nagy nyelvmodellek személyes produktivitásban és automatizációban betöltött szerepe a meghatározó – ahogy azt több jelentős példa is mutatja, például a gyógyszerkutatás területén (nyelvmodellekkel támogatott irodalomkutatás, szakértői támogató rendszerek alkalmazása) –, addig az előbbi területen a nem nyelvi alapú „megalapozó modellek” (például AlphaFold protein modelljei) jelenthetnek kitörési pontot. Mindkét témával, tehát az „AI for science” és az „AI first science” tematikájával is részletesen fogunk foglalkozni a kurzuson.
Mit gondol, hogyan változhat az egészségügyi szakemberek és az adattudósok együttműködése a következő 5–10 évben?
Ahogy azt fentebb említettem, soha nem látott adatgazdagságot tapasztalhatunk napjainkban, így nemcsak várható, de tulajdonképp szakmai kötelességünk is, hogy az adatalapú döntési kultúrát a lehető legmélyebben integráljuk az egészségügybe. Ehhez sokkal szorosabb együttműködésre van szükség az egészségügyi szakemberek és az adattudomány képviselői között.
Kulcs a „hídemberek” léte, akik képesek közvetíteni a két oldal között azáltal, hogy kellő ismerettel rendelkeznek mindkét területen. Ha sikerrel járunk a képzési területen, igen komoly változásokat érhetünk el.
Hogyan lehet elérni, hogy a hallgatók ne csak az algoritmusok elméletét értsék, hanem képesek legyenek valós egészségügyi problémák megoldására is?
Gyakran egyfajta misztikus köd övezi az adattudomány világát, és könnyű úgy érezni, valamiféle elvont számvarázslatról van szó. Pedig egyáltalán nem így van. Analógiával élve: bár a mobiltelefonjaink mélyén rejlő chipekben a részecskefizika legmélyebb jelenségei is felmerülnek, mégis képesek vagyunk atomfizikai tudás nélkül is okostelefont használni.
Fontos látni, hogy az atomfizikus és a hétköznapi telefonáló között számos szint húzódik, akik a hardver vagy szoftver egyes rétegeit értik és használják. Fontos, hogy mindig az elérendő cél által vezettetve a megfelelő réteget válasszuk, és annak ismeretével próbáljunk feladatokat megoldani. A varázslat mellékes. A feladat megoldása a lényeges – életeket ment!
Ön szerint melyek a legnagyobb kihívások az egészségügyi adatok feldolgozásában és értelmezésében technológiai, etikai, szabályozási oldalról?
A legnagyobb kihívás a „fejekben” van. Bár látszólag ellentét feszül a privát szféra védelme és az adatok feldolgozásából kinyerhető közhaszon között, ez csak akkor valós ellentét, ha nem ismerjük elég mélyen a technológia adta lehetőségeket! Nem igaz, hogy csak úgy lehet szenzitív adatokat feldolgozni, hogy az aláássa az egyének jogait!
Léteznek bizonyíthatóan stabil megoldások arra nézve, hogy adatokból következtetéseket vonjunk le, és mégis megőrizzük az adatok mögötti egyének jogait. Ezeket a megoldásokat ismerni és használni kell, ehhez azonban szemléletváltásra van szükség a döntéshozók esetében éppúgy, mint a szakemberekében.