– Wśród data scientistów jest takie powiedzenie: „rubbish in, rubbish out”. Oznacza, że jeżeli wrzucimy śmieciowe dane do modelu, to dostaniemy śmieci z powrotem. Dane danym są nierówne. Choć wciąż jesteśmy bardzo daleko od prawdziwego „artificial intelligence” jak z filmów science fiction, kluczowe jest uczenie maszynowe. Zamiast ciąć pacjenta, lepiej jest sprawdzić jego stan zdrowia w sposób nieinwazyjny za pomocą analizy komputerowej. Temu właśnie służy medycyna obliczeniowa – mówi dr inż. Karolina L. Tkaczuk, dyrektorka ds. rozwoju w Sano – Centre for Computational Personalised Medicine.

Dr inż. Karolina Tkaczuk jest biotechnolożką, bioinformatyczką i doświadczoną menedżerką, której zainteresowaniem jest medycyna obliczeniowa. Przez lata prowadziła badania naukowe i od wielu lat prowadzi projekty, których celem jest komercjalizacja wyników badań z dziedziny nauk medycznych. Zarządzała m.in. projektami innowacyjnymi o potencjale translacyjnym w BTM Innovations, a w Ardigen, spółce grupy Selvita, odpowiadała za rozwój biznesu bioinformatycznego oraz AI. Ocenia też projekty grantowe na badania wdrożeniowe dla licznych grantodawców, łącznie z rządem Hiszpanii.

Wykształcenie zdobyła w najlepszych krajowych ośrodkach akademickich – Politechnice Łódzkiej w Centrum Kształcenia Międzynarodowego oraz w Międzynarodowym Instytucie Biologii Komórkowej i Molekularnej. Pracowała też w Instytucie Biologii Doświadczalnej im. M. Nenckiego PAN. Spędziła 5 lat na Uniwersytecie w Wirginii w Charlottesville (USA), gdzie m.in. prowadziła badania naukowe w obszarze bioinformatyki i krystalografii białek, a także zarządzała projektami naukowymi. Przez lata współpracowała z amerykańskimi grupami kapitałowymi, które zajmują się ochroną własności intelektualnej i komercjalizacją.

Wyszukiwarka Google na hasło „medycyna obliczeniowa” wyświetla głównie linki do artykułów powiązanych z Sano – Centrum Zindywidualizowanej Medycyny Obliczeniowej w Krakowie, gdzie jest Pani dyrektorką ds. rozwoju. To nie tylko efekt dobrego SEO?

Absolutnie nie, tym się właśnie zajmujemy. Cieszy mnie ten fakt, ponieważ to znaczy, że zespół robi „dobrą robotę”.

Dlaczego w ogóle bioinformatyka, dlaczego medycyna obliczeniowa? Skąd fascynacja tym rodzajem badań?

Ja zawsze byłam osobą ciekawską. Z wykształcenia jestem biotechnologiem, ale rozwiązania z tego zakresu wykorzystujemy od dawna. Chciałam robić coś nowego, bardziej innowacyjnego, dlatego naturalnym kierunkiem rozwoju dla mnie była bioinformatyka strukturalna. To metody obliczeniowe, które umożliwiają projektowanie badań czy leków. Medycyna obliczeniowa może natomiast pomóc w tworzeniu systemów wspomagania decyzji, z których mogą korzystać lekarze, również w procesie diagnozowania.

Bycie dyrektorem ds. rozwoju to nie tylko codzienna praca z danymi, ale czasem pewnie nieco mniej fascynujące dla naukowca zajęcia?

Osobiście odpowiadam w Sano za organizowanie relacji zarówno z ośrodkami akademickimi (w tym sąsiadującą z Sano Akademią Górniczo-Hutniczą w Krakowie), jak i z poszczególnymi klinikami czy przedstawicielami przemysłu. Centrum realizuje też swoją misję popularyzatorską – rozpowszechniamy w mediach wiedzę na temat medycyny obliczeniowej. Efekty tej pracy widać również w Google, o czym mówiliśmy na początku. Jednakże głównym zadaniem mojego zespołu pozostaje poszukiwanie partnerów do współpracy dla naszych grup badawczych, działania komunikacyjne, brokerowanie wytwarzanych przez nas rozwiązań i pozyskiwanie funduszy na dalsze prowadzenie badań Sano.

Cóż, to całkiem pojemne pod względem zadań stanowisko, które obejmuje w zasadzie rozwój całego centrum na wielu płaszczyznach. A jakie cele postawiła Pani przed sobą, obejmując tę funkcję?

Najważniejszą kwestią dla mnie było stworzenie marki Sano Science, czyli wypromowanie Centrum jako nowej organizacji zajmującej się badaniami na najwyższym światowym poziomie w obszarze medycyny obliczeniowej na terenie Polski i Europy. Drugim równie ważnym celem było nawiązanie współpracy z uczelniami, przemysłem i sektorem medycznym, ponieważ bez nich nie istnieje w zasadzie ani medycyna obliczeniowa, ani dobra nauka.

Przyzna Pani jednak, że Sano to niejedyny ośrodek zajmujący się danymi w Polsce, także tymi medycznymi.

Oczywiście tak. Dlatego niezwykle ważna jest dla nas współpraca z sektorem akademickim oraz innymi podmiotami w celu łączenia sił. Z okresu mojej pracy w Stanach Zjednoczonych wyniosłam to, że siła tkwi w grupie. Nie ma więc sensu wyważać drzwi w pojedynkę, jeśli można to zrobić wspólnie.

Mówimy o medycynie obliczeniowej, ale to nie jest tylko analiza danych medycznych. Technologie te działają już z powodzeniem od wielu lat. Jak można scharakteryzować główne trendy tej dziedziny medycyny?

Na rozwój medycyny obliczeniowej można patrzeć w bardzo szerokim kontekście. To mogą być na przykład badania podstawowe nad zastosowaniem modeli obliczeniowych do badania przepływu płynów w organizmie. Takie projekty realizujemy właśnie w Sano. Mówimy tu o technologii stosowanej często choćby w kardiologii. Zamiast ciąć pacjenta, lepiej jest sprawdzić, czy da się ocenić jego stan zdrowia w sposób nieinwazyjny, chociażby dzięki analizie komputerowej.

Oczywiście to nie wszystko. Możemy wyszczególnić projektowanie czy poszukiwanie nowych biomarkerów, czyli takich cząsteczek, które pozwolą nam na wczesnym etapie stwierdzić, czy dana osoba cierpi na konkretną chorobę. Albo w znacznym stopniu wykluczyć takie ryzyko. Wtedy można zastosować dalsze metody diagnostyczne, już bardziej wyrafinowane, aby taką diagnozę postawić.

Kolejny obszar to analiza obrazów, która już dzisiaj usprawnia pracę wielu szpitali, szczególnie w nowoczesnej radiologii. Zajmujemy się też czymś, co nazywa się „personal health data science”. Ten zespół w Sano tworzy systemy, które badają wszystkie parametry zdrowotne pacjentów i na wczesnym etapie mogą wspierać lekarzy w dokonywaniu właściwych decyzji co do stylu życia, aktywności fizycznej czy diety. Pozwala to niwelować skutki ewentualnych złych zachowań, potencjalnie zwiększających ryzyko zachorowania. De facto jest to budowa swoistego asystenta zdrowotnego dla pacjentów, który podpowiada, co należy robić dziś, aby w przyszłości nie musieć się leczyć.

Sano Centrum prowadzi również badania w obszarze rzeczywistości wirtualnej oraz rzeczywistości poszerzonej, tzw. VR (virtual reality) i AR (augmented reality). Pewnie większości z nas trudno sobie wyobrazić zastosowanie takich technologii w praktyce, zwłaszcza medycznej. Dobrym przykładem są wirtualne trenażery dla chirurgów, którzy mogą doskonalić swoje umiejętności na robotach operacyjnych lub wykonywać operacje laparoskopowe.

Zajrzyjmy do działań Pani zespołu od kuchni. W jaki sposób podchodzicie do pracy z danymi?

Praca w zespole zajmującym się projektami z obszaru medycyny obliczeniowej to praca interdyscyplinarna. Nigdy nie jest tak, że pracują tu wyłącznie informatycy nad kodem. To są zespoły, które mają wielu specjalistów z kilku dziedzin. Potrzebny jest zarówno ktoś znający się na kodowaniu, jak i ten, kto ma styczność z biologią i rozumie te procesy. Nie obejdzie się tu też bez lekarza, który dokładnie wie, co może usprawnić jego pracę i jakie narzędzia będą najbardziej przydatne. Wie również, jakie problemy należy rozwiązać w pierwszej kolejności oraz w czym mogą mu pomóc nowoczesne technologie.

To nie koniec. Gdybyśmy spróbowali takie rozwiązanie stworzyć sami, bez udziału tzw. odbiorcy końcowego, czyli potencjalnego pacjenta albo lekarza, to szanse na powodzenie byłyby marne. To są osoby, które najdokładniej wiedzą, gdzie leży problem. Dlatego na poziomie koncepcyjnym pracujemy w grupach mieszanych. Później informatycy planują poszczególne kroki, co jakiś czas spotykamy się, żeby skonfrontować tę pracę z praktykami, czyli lekarzami. Musimy sprawdzić, czy te wyniki, które dostajemy, po prostu mają sens.

A jeśli nie mają sensu?

To nie tak. One nawet dla nas mogą mieć sens, ale dla lekarza niekoniecznie. Będą zbyt oczywiste lub będzie czegoś brakowało. Dlatego kluczowa jest współpraca właśnie z klinicystami.

Mówi Pani o jakości danych?

Oczywiście. Wśród data scientistów jest takie popularne powiedzenie: „rubbish in, rubbish out”. Oznacza ono, że jeżeli wrzucimy śmieci do środka, to dostaniemy śmieci z powrotem. Dane danym są nierówne. Nawet nie chodzi o to, że dane z jednego ośrodka są gorsze niż dane z innego ośrodka. Czasami dane w obrębie jednej przychodni potrafią się bardzo różnić z różnych powodów: mogą być stosowane różne urządzenia do pozyskiwania danych, mogą one być obsługiwane przez personel o różnych umiejętnościach, dochodzi też czynnik losowy. Zasadniczo nie ma idealnych zestawów danych, w których ich jakość będzie w stu procentach identyczna. To doskonale widać na etapie tworzenia takich rozwiązań. I wtedy wyskakuje nam coś zupełnie niezgodnego, niepodobnego do całej reszty.

I co wtedy?

Przyglądamy się danym bliżej. Jeśli to są zdjęcia histopatologiczne czy rentgenowskie, to mogą być rozmazane albo niekompletne. Ważnym etapem przy tworzeniu rozwiązań medycyny obliczeniowej jest sprawdzenie jakości danych na wejściu, zanim zaczniemy dalsze prace nad projektem.

No dobrze. To mamy już dane i musimy je przeanalizować. Z jakich technologii korzysta medycyna obliczeniowa?

W praktyce najczęściej używane są sieci neuronowe i uczenie maszynowe. Wciąż jesteśmy bardzo daleko od takiego prawdziwego „artificial intelligence”, jakie sobie możemy wyobrazić, oglądając filmy science fiction jak np. „Ex Machina”. Dziś sztuczną inteligencją może być określane wszystko, co zrobimy w obrębie obliczeń. Kluczowe jest jednak machine learning (ML). Dzięki niemu możemy wziąć dostępne dla projektu dane, wskazać pożądane i niepożądane rezultaty w obrębie danych, a później obserwować, jak system uczy się je rozpoznawać.

Czy może Pani zdradzić, nad czym aktualnie pracujecie? Na LinkedIn można przeczytać o projekcie analizy graficznej mózgu.

Ta grupa zajmuje się danymi obrazowymi w chorobach mózgu. Specjalizują się w chorobach neurodegeneracyjnych, jak np. choroba Parkinsona czy Alzheimera. Badania pomogą przybliżyć nam zrozumienie tego, co konkretnie może wywoływać te choroby.

W tym projekcie wykorzystujemy uczenie maszynowe do znajdowania połączeń pomiędzy procesami chemicznymi w mózgu. Mam nadzieję, że w przyszłości ta wiedza wspomoże badaczy i lekarzy pracujących nad tymi zjawiskami, dzięki czemu zaczną szybciej przewidywać, czy u danego pacjenta właśnie rozwija się alzheimer lub parkinson.

Zdaje się, że tego typu badania już funkcjonują od jakiegoś czasu. To gdzie tu medycyna obliczeniowa mogłaby znaleźć dla siebie miejsce?

Rzeczywiście w prasie naukowej jest dużo informacji na ten temat. Natomiast przyczyny pojawienia się alzheimera nadal nie są do końca znane. Wiemy, że jeśli w rodzinie była osoba chora, to prawdopodobieństwo wystąpienia choroby jest większe. Ale czy na pewno? Na razie nie możemy tego przewidzieć, zwłaszcza na wczesnym etapie, przed wystąpieniem objawów.

Zatem medycyna obliczeniowa ma za zadanie przyspieszenie badań, jak również diagnozy?

Z jednej strony pozwoli to na oszczędność czasu, a z drugiej – na przeprowadzenie badania mniej doświadczonemu personelowi. Osoba z dwuletnim doświadczeniem a taka, która jest w zawodzie od 20 lat, to zupełnie różni specjaliści. I jednym, i drugim chcemy dać narzędzia do usprawnienia pracy.

A jak długo trwa wdrożenie tych rozwiązań?

Chcielibyśmy, aby były implementowane od razu, ale na razie ta droga jest długa. Rozwiązania muszą przejść metody walidacji, czyli stwierdzenia, że ta metoda naprawdę działa i myli się nie częściej niż lekarz.

Jak to rozumieć?

Pomyłka systemu nie może być częstsza niż lekarza. To złoty standard obowiązujący dziś w medycynie obliczeniowej. Jeśli będzie równa lekarzowi to super, a jeśli będzie rzadziej się mylić – uznajemy to za ogromny sukces.

Ale lekarzy raczej nie zastąpicie?

Oczywiście nie, to nie są systemy do zastąpienia lekarzy. Choć często pojawia się niezrozumienie, nawet wśród personelu medycznego, co powoduje niechęć czy nieufność wobec medycyny obliczeniowej. My z kolei chcemy tych specjalistów tylko wspomóc. Lekarze bowiem często są przepracowani, przemęczeni, obciążeni mnóstwem obowiązków, również tych administracyjnych.

Mało tego, kolejnym krokiem jest certyfikacja, podczas której musimy wykazać, że taki system spełnia normy międzynarodowe, jest powtarzalny, że tam nie dzieje się nic przez przypadek. I dopiero wtedy są przeprowadzane badania kliniczne, czyli testowanie działania urządzenia bezpośrednio w klinice. Wtedy możemy porównać pracę lekarza i systemu, co pozwala dokładnie ocenić poprawność działania systemu. Pamiętajmy, że wszelkie decyzje czy plany dotyczące leczenia zawsze podejmuje specjalista. System ma tylko dostarczyć odpowiednie informacje, które mogą wspomóc podjęcie decyzji. Dlatego te systemy nazywamy systemami wspomagania decyzji (ang. decision support systems, DSS).

Porozmawiajmy też o efektach ubocznych, ponieważ mamy do czynienia ze zdrowiem i życiem człowieka.

Efekty uboczne to najbardziej kontrowersyjny temat zarówno wśród naukowców, pacjentów, jak i samych lekarzy, zwłaszcza gdy chodzi o stosowanie leków. Obecnie jest to temat szczególnie drażliwy w kontekście różnego rodzaju szczepionek. Podobne zarzuty kierowane są pod adresem medycyny obliczeniowej – czy wytwarzane systemy z udziałem sztucznej inteligencji i ich zastosowanie w praktyce klinicznej nie będą niosły za sobą efektów ubocznych. Kluczowe jest informowanie społeczeństwa o tym, jak działają takie systemy. Uświadomienie, że są one tylko pomocą dla lekarzy i pacjentów, nie podejmują samoistnie żadnych decyzji, gdyż leży to w gestii wysoko wyspecjalizowanego personelu medycznego, który takie decyzje podejmuje na bazie odpowiedniego zestawu informacji. A informacje te ma albo z badań laboratoryjnych czy specjalistycznych, albo uzyskał je za pomocą inteligentnych systemów informatycznych.

Powstała też koncepcja medycyny spersonalizowanej, która zakłada leczenie niejako każdego z pacjentów indywidualnie na podstawie osobniczych cech i parametrów zdrowotnych. Nigdy jednak nie da się wykluczyć efektów ubocznych w stu procentach. Przy takim podejściu holistycznym, nakierowanym na konkretną jednostkę, istnieje szansa, że te skutki możemy czy będziemy mogli zminimalizować.

Jaką przyszłość ma przed sobą medycyna obliczeniowa?

Wierzę, że przyszłością medycyny jest ta personalizacja albo inaczej zindywidualizowanie. W tej chwili leczymy pacjentów w modelu generycznym dla danej choroby. Natomiast wiemy nie od dziś, że nie każdy pacjent reaguje tak samo na dane leczenie czy konkretny lek. Mamy różne alergie, różne niepożądane skutki, które się zdarzają częściej lub rzadziej, w zależności od pacjenta. Dlatego o wiele lepsze jest leczenie pacjentów w bardziej spersonalizowany sposób, na podstawie tzw. make-upu genetycznego, czyli profilu cech genetycznych danego pacjenta.

Dziś jest to zupełnie niemożliwe, ponieważ nie mamy wystarczającej ilości ani danych, ani możliwości diagnozy i planowania leczenia, które umożliwiałoby lekarzowi takie podejście do pacjenta. Być może za kilka, kilkanaście lat to zacznie się zmieniać. W momencie gdy zdobędziemy większą wiedzę naukową i medyczną, a analizy genomów będą znacznie tańsze i możliwe będzie wykonywanie ich dla każdego pacjenta, wtedy będziemy w stanie zaproponować takie rozwiązania technologiczne, które pomogą przewidywać choroby i im zapobiegać znacznie wcześniej, niż ma to miejsce teraz.

Przyszłość medycyny obliczeniowej zależy też od usunięcia pewnych blockerów. Dotyczy to np. obaw części środowiska lekarskiego czy pacjentów, często wynikających z dezinformacji. Dlatego tak ważna jest edukacja i działania informacyjne, do których Sano również stara się dokładać swoją cegiełkę.

Druga sprawa to kwestia braku legislacyjnych rozporządzeń, jeśli chodzi o współdzielenie danych. Ale to nie jest problem polski, tylko globalny. Pozostaje jeszcze transparentność, jaką technologia musi się odznaczać. Pacjenci muszą wiedzieć, co się dzieje się z ich danymi, w jaki sposób są przetwarzane i analizowane, oraz otrzymać rzetelną informację, co mogą dzięki tym danym uzyskać.