Tehisintellekt pole Eesti meditsiinisüsteemis enam ulme, vaid igapäevane tööriist, mis on jõudnud laboritest otse operatsioonisaalide ja erakorralise meditsiini osakondade ekraanidele. Kui meedias köidavad tähelepanu juturobotid ja pildigeneraatorid, siis haiglaseinte vahel käib vaiksem, kuid märksa kaalukam revolutsioon. Põhja-Eesti Regionaalhaiglas (PERH) ja Tartu Ülikooli Kliinikumis (TÜK) ei võitle arstid kriitilistes olukordades enam üksi – neile on kriitilistes olukordades appi toodud algoritmid, mis märkavad inimsilmale nähtamatut ja teevad tundidepikkused analüüsid ära mõne minutiga.

Eriti valus on vajadus abi järele siis, kui iga sekund loeb. Nii kehtibki meditsiinis karm tõde: aeg on aju. Hetkest, mil kiirabi toob haigla ukse ette insuldikahtlusega patsiendi, algab halastamatu võidujooks. Kui veresoon on ummistunud ja tekib isheemiline insult, hukkub iga minut miljoneid ajurakke.

Siin tulebki mängu tehisaru. TÜK-i radioloogiakliiniku arst-õppejõud Martin Reimi sõnul on kiire diagnoos insuldi puhul võtmeküsimus. See määrab, kas patsient naaseb koju omal jalal või jääb voodihaigeks. Kliinikumis ja PERH-is kasutatavad rakendused suudavad analüüsida kompuutertomograafia pilte hetkega ja joonistada välja need aju piirkonnad, kus verevarustus on kriitiliselt puudulik.

“Rakendus hindab, kui suur osa ajust on erinevate ravivõtetega päästetav ja kui palju on juba jäädavalt hävinud,” lisas Reim. See annab arstidele kiire ja objektiivse info keerulise valiku tegemiseks: kas on mõtet alustada trombi lahustavat ravi või suunata patsient operatsioonile.

Sama kinnitas PERH-i ülemarst Kristo Erikson. Tema sõnul on tänu tehisintellektile oluliselt suurenenud nende patsientide hulk, kelle ajukahjustust õnnestub vähendada. Kui varem sõltus raviotsus suuresti sellest, kui palju aega oli insuldi algusest kulunud, siis nüüd saab lähtuda täpsest pildilisest infost. Kui tehisaru näitab, et kude on elus, jagub ka lootust.

Tööpõld on lai 

PERH-is ja kliinikumis toimuv on osa hoogsalt laienevast üleilmsest arendustööst. Näiteks kui 2020. aastal oli USA toidu- ja ravimiametilt (FDA) ametlikult heakskiidu saanud vähem kui 400 tehisintellekti kasutavat meditsiiniseadet, siis mullu oli neid juba üle 1250.

Tallinna Tehnikaülikooli teadur Elli Valla ja kaasprofessor Maie Bachmanni sõnul domineerib sadade seadmete seas selgelt radioloogia. Valdkond moodustab suure osa kõigist heakskiidetud lahendustest. Põhjus on lihtne: piltdiagnostikas on andmed standardsed, mahukad ja hästi märgendatud, mis lihtsustab mudelite treenimist ja valideerimist.

Kuigi radioloogia on tehisintellekti n-ö kaanepoiss, näeb masinate võidukäiku mujalgi. Eesti arstide sõnul on tehisaru kanda kinnitanud mitmes valdkonnas. Eluline näide on kapselendoskoopia, kus patsient neelab alla väikese kaamera: masin valib seedetraktist tehtud tuhandetest kaadritest välja need vähesed, kus on midagi kahtlast, säästes arsti tundidepikkuste videote vaatamisest. 

Kõige suuremat ajavõitu võib näha aga sõeluuringutes. Nii Erikson kui ka Reim toovad välja, et paljudes riikides kasutatakse tehisaru juba praegu rinna- ja kopsuvähi sõeluuringutel esimese hindajana. Masin filtreerib tuhandete piltide seast täiesti terved inimesed automaatselt välja ja arsti lauale ehk teisele ringile jõuavad ainult need ülesvõtted, kus masin märkas midagi kahtlast.

Intensiivravis töötab TI aga n-ö arvutipolitseinikuna. Algoritmid aitavad aega kokku hoida ravimite koostoimete ja neerupuudulikkuse annuste täpsustamisel, hoiatades arste kohe, kui tehakse viga. Samuti arendavad PERH ja TÜK koostöös välja digipatoloogiat, kus TI aitab koeproovides tuvastada haiguslikke rakke.

Neuroloogias on spetsialistidele abiks tehisarul põhinevad lahendused aju bioelektriliste signaalide (EEG) hindamisel. Lahendused teevad igapäevase töö kiiremaks, kuigi päris iseseisva epilepsia diagnoosimiseni pole masinad veel jõudnud.

Lisaks Eesti haiglate edusammudele näitavad aga üleilmsed suundumused ja maailma tipphaiglate praktika, et tehisaru rakendusala on veelgi laiem. Küpsemad valdkonnad on näiteks oftalmoloogia, kus tehisaru otsib silmapõhja piltidelt diabeetilise retinopaatia tunnuseid, ning kardioloogia, kus analüüsitakse EKG-põhiseid rütmihäireid.

Masin leiab inimsilmale nähtamatu

Lisaks kiirusele pakub tehisaru täpsust, mis ületab kohati inimsilma võimekust. Martin Reim toob näite interventsionaalsest radioloogiast, kus arstid peavad vähiravis sulgema kasvajat toitvaid veresooni, et kasvaja n-ö nälga jätta.

“Oleme tuvastanud mitmel korral õiged sihtmärgiks valitud veresooned, mis oleks võinud jääda inimsilmale konventsionaalsel meetodil märkamata,” sõnas Reim. TI suudab kasvaja ümbritsevast koest selgelt eristada ja leida üles just sulgemist vajavad peenikesed arterid. Nii säästetakse patsiendi terveid kudesid tervele kehale mõjuvate ravimite eest.

Samasugust suuremat täpsust nähakse kiiritusravis. Näiteks on PERH-is kasutusel tarkvara, mis suudab paari minutiga automaatselt tuvastada ja piiritleda ligi 300 erinevat anatoomilist struktuuri. “Autokontureerimise puhul ei kujuta keegi ravimeeskonnast enam tööd ilma selleta isegi ette. See hoiab raviplaani koostamisel kokku keskmiselt 50 protsenti, aga kohati isegi kuni 90 protsenti ajast,” märkis Kristo Erikson.

Arstid saavad selle arvelt omakorda keskenduda keerulisematele ravijuhtudele ja suhelda rohkem patsientidega, selmet ekraanil jooni vedada. Siiski rõhutavad nii Erikson kui ka Reim, et tehisaru on vaid abimees, mitte otsustaja. Lõplik vastutus ja kontroll jääb alati inimesele.

Reaalsuskontroll

Kui eelmainitust jäi mulje, et tehisintellekt lahendab võluvitsana suure hulga haiglatööga seotud kitsaskohti, pole praktika ikkagi nii roosiline. Eesti meedikud tunnistavad, et peavad kohati uue tehnoloogia tõttu rohkem aega arvuti taga veetma. Sageli selleks, et masina praaki inimkäega parandada.

Kuigi TI suudab tuvastada mustreid kiiremini kui inimene, puudub tal patsiendi tervisest laiem arusaam ja n-ö kõhutunne. See viib olukorrani, kus tehnoloogia võib töö kiirendamise asemel seda hoopis pidurdada. Seda kinnitas ka Tartu Ülikooli Kliinikumi radioloog Martin Reim, kelle sõnul toob uute tööriistade rakendamine sageli kaasa rohkem klõpse ja lisategevusi.

Kõige suuremat peavalu valmistavad valepositiivsed tulemused. TI näeb sellistel puhkudel haigust seal, kus seda tegelikult pole. PERH-i ülemarst Kristo Eriksoni sõnul võib seetõttu muutuda ajamahukamaks näiteks radioloogi töö. “Ta peab hakkama tegelema AI diagnoosi tagajärjel tellitud näidustamata lisauuringute menetlemisega,” selgitas Erikson. Seega, selle asemel, et pühenduda patsientidele, on arst sunnitud üle vaatama tervete inimeste “pabereid”, mille masin on valesti märgistanud.

Reim tõi aga välja ka tõsisema ohu. Tehisaru kasutusega seotud ülikiire tempo võib viia selleni, et ravi alustatakse valeinfo põhjal. “Näiteks kui EMO-s tehtud röntgenülesvõttel leiab TI võimaliku murru ja markeerib selle kenasti värvilise kastikesega pildile, kuid tegelikult on tegemist normipärase anatoomilise struktuuriga,” kirjeldas ta.

Kui TI saadab analüüsitud pildi Tervise Pildipanka enne, kui radioloog on selle kinnitanud, tekib probleem. EMO arst võib värvilist kastikest nähes patsiendi kipsi panna, kuigi luumurdu tegelikult pole. “TI analüüsi tõttu võis patsient saada ilmaasjata kipsi või täiendava radioloogilise uuringu, mis kasutab suuremat kiirgust ja mida poleks vaja,” hoiatas Reim.

Just seetõttu on enamikul radioloogilistel TI-lahendustel juures hoiatus “not for diagnostic use”. Klausel annab mõista, et tehisintellekt pole arst, vaid pigem nagu tark, ent kogenematu praktikant, kelle iga liigutust peab kontrollima spetsialist.

Taolise kontrolli muudab aga keeruliseks tehisaru olemuslik omadus, mida teadlased kutsuvad musta kasti probleemiks. Kui luumurru puhul saab arst vaadata pilti ja öelda, kas masina joonistatud kastike on õiges kohas, siis keerulisemate mudelitega jääb otsustusprotsess inimmõistusele hoomamatuks.

Siit koorub välja fundamentaalne küsimus: kui palju peab arst tegelikult tundma tehnoloogiat, mis tema otsuseid suunab? “Kas piisab lennujuhi oskustest ehk süsteemi jälgimisest ja juhtimisest või peab arst mõistma ka nn mootori ehitust, et säilitada sisuline vastutus patsiendi ees?” arutlesid Maie Bachmann ja Elli Valla. 

Ehkki on olemas tööriistu – näiteks soojuskaardid –, mis markeerivad ära tehisaru tähelepanu koondumise pildil, pakuvad need otsustusprotsessist vaid osalise pildi. Masinõppes tuleb täpsuse ja seletatavuse vahel teha paratamatu kompromiss: kõige teravamate mudelite “musta kasti” on sageli kõige keerulisem lahti muukida. Seetõttu käsitlevadki arstid algoritme üksmeelselt kui otsustustuge, mitte kui iseseisvat diagnostikut.

E-tervise paradoks

Kui musta kasti probleem on väljakutse kogu maailmas, põrkub tehisaru treenimine ka andmete otsa. Mure pole omane ainult Eestile, kuid e-riigi kontekstis torkab kontrast digitaalse fassaadi ja reaalse andmekvaliteedi vahel teravalt silma. “Eesti e-tervist kiidetakse õigustatult, meil on unikaalne digitaalne infrastruktuur. Aga tehisintellekti jaoks ei piisa andmete olemasolust – oluline on, mis kujul need on,” selgitas Elli Valla.

Reaalsuses moodustavad suure osa Eesti terviseandmetest vabas vormis tekstid, PDF-id või skaneeritud paberid. Masinõpe vajab aga treenimiseks struktureeritud ja standardiseeritud andmeid. “Praegu nõuab iga uurimisprojekt sageli kuudepikkust käsitööd, et andmed üldse kasutatavaks muuta,” nentisid teadlased.

See tähendab, et kuigi andmed on olemas, ei saa tehisaru neid kasutada. Ka Kristo Erikson kinnitas, et andmekvaliteet on pigem kehv ja andmed killustunud. See võimaldab lahendusi luua vaid kitsaste valdkondade jaoks.

Andmete killustatuse ja privaatsusnõuete vastu on teadlastel varuks uut tüüpi lahendus: sünteetilised andmed. Tallinna Tehnikaülikooli teadlased selgitasid, et generatiivsed mudelid suudavad luua sünteetilisi meditsiinilisi kujutisi – näiteks röntgenülesvõtteid, mis on reaalsete luumurdude jms äravahetamiseni sarnased.

“See võimaldab treenida uusi diagnostilisi mudeleid haruldaste haiguste tuvastamiseks, ilma et seataks ohtu päris patsientide delikaatseid andmeid,” märkis Valla. Lisaks areneb jõudsalt nn föderatiivõpe (federated learning). Algoritmi õpetatakse sellisel juhul erinevate haiglate vahel nii, et patsiendi tundlikud terviseandmed jäävad sama asutuse piiresse. Nii saavad andmed ummikseisust hoolimata teadust edasi viia.

Innovatsiooni hind ja hangete kadalipp

Uute lahenduste haiglatesse toomine pole aga lihtne protsess. Kristo Erikson tõi näite kiiritusravist, kus ainuüksi automaatne kontureerimine maksab haiglale ligikaudu 17 eurot patsiendi kohta. Kuigi meditsiinisüsteemi mastaabis pole summa astronoomiline, tõdes Erikson, et esmapilgul suurt rahalist kokkuhoidu haiglatele tehisarust oodata pole.

Põhjus peitub turu killustatuses. “AI-lahendused muudab praegu kalliks see, et tehakse n-ö väikseid AI-sid väga erinevate firmade ja idufirmade poolt,” selgitas ta. See tähendab, et ühe suure ja kõikeoskava programmi asemel peab haigla ostma, testima ja integreerima hulgaliselt eritotstarbelisi tööriistu.

Arstide sõnul on ka ärimudelid kirjud. Osa tootjaid küsib ühekordset ostuhinda, teised kasseerivad raha aga analüüsitud patsiendi või pildi pealt. Reim tõi välja ka platvormiärid, mille puhul liitub haigla suure süsteemiga, kus saab vastavalt vajadusele erinevaid programme kasutusele võtta. Kuigi ühekordne ost võib näida ahvatlev, soosivad haiglad pigem litsentsipõhiseid mudeleid. “Tarkvara ostmisel peab silmas pidama, et ühekordse ostu puhul toodet üldjuhul edasi ei arendata või küsitakse uue versiooni eest uuesti raha,” selgitas Erikson.

Sageli on aga rahakulust suuremakski komistuskiviks bürokraatia ja IT. Eriksoni sõnul pidurdab arengut näiteks kehtiv riigihangete seadus, mis muudab kiirelt muutuvas TI-valdkonnas toodete ostmise avalikele asutustele keerukaks. Tohutult aega nõuab ka uute lahenduste lõimine haiglate olemasolevatesse IT-süsteemidesse. “Peame looma süsteemi, kuidas saaksime fast track- (kiirtestimise – toim.) lahendusena erinevaid rakendusi kasutada, et õppida, kuidas neid integreerida ja hinnata, kas töövahendil on üldse oodatav kasutegur,” nentis Reim.

Lisaks riigisisesele bürokraatiale seab olulised piirid Euroopa Liit. Tallinna Tehnikaülikooli teadlased rõhutasid, et range sertifitseerimine on patsientide ohutuse tagamiseks küll hädavajalik turvavõrk, kuid praegusel kujul toimib see ka innovatsioonipidurina. “Tarkvara võib eksimisel patsienti kahjustada ja keegi peab kontrollima, et see oleks ohutu,” nentisid Bachmann ja Valla. Samas loob Euroopa meditsiiniseadmete ja tehisintellekti määruste topeltkoormus olukorra, kus väiksematele arendajatele ja teadlastele kujuneb turule sisenemine sageli ületamatuks barjääriks.

See selgitab ka, kellele hangete raha lõpuks läheb. Vastupidiselt levinud hirmule ei liigu meditsiiniline tehisaru pelgalt suurte tehnoloogiahiidude nagu Google’i või Amazoni kätte. Bachmanni ja Valla sõnul valitsevad turgu jätkuvalt traditsioonilised meditsiinitehnoloogia gigandid – GE HealthCare, Siemens ja Philips. Haiglad eelistavad omakorda kindlapeale minekut ja partnereid, kelle seadmeid nad juba kasutavad. See jätab idufirmadele ja tehnoloogiakontsernidele väiksema turuosa.

Personaalne lähenemine

Kui siiani on tehisaruga püütud peamiselt haigusi tuvastada ja pilte analüüsida, siis laiatarbekaubana tuntuks saanud generatiivne tehisaru avas meditsiinis täiesti uue suuna. Järgmine suur hüpe ei pruugi tulla mitte uue diagnoosi, vaid vähenenud bürokraatia näol.

“Generatiivne tehisintellekt on muutnud kurssi, andmete analüüsimiselt on liigutud uue sisu loomiseni,” selgitas Valla. Tema sõnul ei oota arstid TI-lt enam ainult teist arvamust röntgenpildile, vaid praktilist abi igapäevase paberimajanduse haldamisel. Generatiivne TI pakub lahendusena reaalajas toimivat kõnetuvastust ja tõlget, suutes arstivisiidi vestluse automaatselt struktureeritud haiguslooks koondada.

Huvitava trendina tõid teadlased välja, et tervishoiutöötajad on hakanud Gen TI tööriistu iseseisvalt kasutama kiiremini, kui haiglad jõuavad ametlikke lahendusi juurutada. Juba praegu kasutavad meedikud igapäevatöös tööriistu nagu ChatGPT, Gemini, Claude, Perplexity või kitsamat mudelit OpenEvidence, et leida teaduslikku konsensust ja panna diferentsiaaldiagnoose, selmet lihtsalt guugeldada. 

See toob aga kaasa uue väljakutse: kui personal juba tööriistu omal käel kasutab, siis kuidas tagada andmeturve ja korrektsed töövõtted. Haiglate loogiline esimene samm on olnud liikuda Microsoft Copiloti suunas – turvalisus on kontrollitud ja kokkulepped juba paigas. Samas on teadlaste sõnul oluline töötajate TI-kirjaoskuse tõstmine ja selgete kasutusreeglite kehtestamine.

Samuti ei jää tulevik haiglaseinte vahele pidama. Tallinna Tehnikaülikooli teadlaste prognoosi kohaselt liigub diagnostika üha enam haiglast inimese koju – ja seda mitte ainult haiguste tuvastamiseks, vaid ka üldise terviseseisundi jälgimiseks. Teadlaste hinnangul on veel vara oodata programmi, mis teataks resoluutselt: “Teil on haigus X”. Pealegi tekib küsimus, kas sellist diagnoosi saades poleks sekkumisega juba niigi hiljaks jäädud. Seetõttu keskenduvad teadlased ja arendajad aina enam inimeste pikaajalisele jälgimisele ning varajaste riskimustrite tuvastamisele.

Tulevikus võiksid inimeste tervisenäitajatel silma peal hoida hoopis nutikellad ja kodused aju signaale monitoorivad seadmed. Bachmanni selgitusel on selline personaalne lähenemine hädavajalik, sest iga inimese aju bioelektriline signaal ja keha talitlus on ainulaadne. See, mis on ühe patsiendi jaoks täiesti tavapärane, võib teise jaoks tähendada juba ohumärki, mistõttu on universaalseid meditsiinilisi norme sageli raske seada.

Just siin tulevadki appi kodused nutiseadmed, mis ei otsi kõrvalekaldeid üldisest keskmisest, vaid inimese enda isiklikust normist, muutes tehisaru tõhusaks varajase hoiatuse tööriistaks. “Ilma ennetuseta ei ole tervishoid jätkusuutlik,” rõhutas Bachmann.

Kokkuvõte

Hoolimata tehnoloogia peadpööritavast arengust, nutikellade võidukäigust ja algoritmide matemaatilisest täpsusest, on kõigi ekspertide sõnum sama – masin ei võta arstilt vastutust.

Kuigi tehisaru on meditsiinis juba praegu elusid säästev asendamatu abiline, annab see tihti valehäireid, mistõttu tuleb sel pidevalt silma peal hoida. Kliinikumi radioloog Martin Reimi sõnul peab arstidel säilima ennekõike kriitiline meel: “Kõik ei ole puhas kuld, mis masinast välja tuleb. Peame õppima tundma võimalikke vea tekkimise kohti ja katsetama erinevaid süsteeme”. 

Tuleviku osas jäi ta aga lootusrikkaks: “TI muudab radioloogide tööd loodetavasti kiiremaks ja täpsemaks ning loodetavasti oleme mõne aasta pärast ka seal, kus saame TI-sse suhtuda kui teise silmapaari, kes teeb arstile olulises mahus eeltöö ära”. Seega kui kõik läheb hästi, ei ravi tuleviku haiglas patsienti mitte autonoomne robot, vaid arst, kellel on tänu masinale taas aega olla inimene.