Mija właśnie 9 lat od jednego z największych sukcesów sztucznej inteligencji: 14 stycznia 2011 r. superkomputer Watson, zaprojektowany przez IBM,  zwyciężył w Jeopardy!. Chociaż liczba komputerów pokonujących ludzi w grach stale rośnie, zwycięstwo w Jeopardy! było wyjątkowe, bo pytania w tej grze wymagają nie tylko mocy obliczeniowej i sprawnie przeszukiwalnej wiedzy encyklopedycznej – trzeba dobrze rozumieć język, jego kalki kulturowe oraz skróty myślowe. Te umiejętności pozostawały dotąd poza zasięgiem komputerów.

Po wygraniu Jeopardy! superkomputer Watson rozpoczął studia  medyczne i niecałą dekadę później komputery są skuteczniejsze w diagnozowaniu raka piersi ze zdjęć mammograficznych. Dotąd przyjmowano, że w diagnozie niezbędne jest doświadczenie i intuicja – a jednak metody uczenia maszynowego wsparte bogatym zasobem zdjęć i późniejszych historii pacjentów rozpoznają nowotwory na wcześniejszym etapie niż lekarze i rzadziej klasyfikują jako nowotwór zmiany niezłośliwe.

Czy ten niesamowity postęp poprawia sytuację pacjentów? By tak było, zdjęcia mammograficzne – jak w powyższym przykładzie – częściej musiałyby w praktyce (a nie do celów treningowych) diagnozować komputery niż ludzie. Takich danych oczywiście nie ma, trudno też spodziewać się całkowitego wykluczenia radiologów z pracy diagnostycznej (np. masowych zwolnień) – sztuczna inteligencja zastępowałaby przecież tylko niektóre zadania wykonywane przez tych specjalistów.  Jeśli algorytmy rzeczywiście przenikają do świata medycyny, powinno się to przejawiać w zmieniającej się strukturze ogłoszeń o wolnych miejscach pracy. Oferty pracy zawierają informacje o oczekiwanych umiejętnościach kandydata i jego przyszłych obowiązkach. Oferty zawierające m.in. słowa takie jak sieci neuronowe, uczenie maszynowe można bezpiecznie zaklasyfikować jako wykorzystujące sztuczną inteligencję. Śledząc wymagania zawarte w ogłoszeniach można ocenić czy i w jakim stopniu sztuczna inteligencja przeniknęła do różnych zawodów i sektorów. Podejście to zastosowali Daron Acemoglu, David Autor,  Jonathon Hazell (wszyscy z MIT) i Pascual Restrepo (Boston College). Popyt na miejsca pracy związany z AI wzrósł ponad trzykrotnie w ciągu ostatniej dekady, chociaż ciągle stanowi niewielką część zatrudnienia. Ich szacunki sugerują, że 0,6% ofert pracy było związanych z AI. Co ważniejsze, te wakaty dotyczyły głównie sektorów, które są zarówno producentami, jak i konsumentami AI, takich jak technologie informacyjne, usługi biznesowe i finanse. Opieka zdrowotna, wielka obietnica  ostatniej dekady, pozostaje sektorem o najniższym zapotrzebowaniem na osoby zdolne pracować z metodami sztucznej inteligencji.

Jak niskie było wykorzystanie AI w służbie zdrowia? Avi Goldfarb (Toronto), oraz Bledi Taska i Florenta Teodoris (USC) wskazują, że około 1 na 1200 ofert pracy w służbie zdrowia zawierało w opisie umiejętności związane z AI. Te kilka ofert było skoncentrowanych w jeszcze mniejszej liczbie szpitali: mniej niż 5% szpitali wymagało umiejętności AI. Szpitale te nie były losowe: zwykle były większe i znajdowały się w większych miastach. Jeszcze bardziej zaskakujące było to, że umiejętności związane z AI były częściej wymagane na stanowiskach badawczych i administracyjnych niż na stanowiskach klinicznych. Tak więc, nawet jeśli AI zaczyna pojawiać się w szpitalach, nic nie wskazuje na to, że zmienia sytuację pacjentów.

Avi, Bledi i Florenta przedstawiają możliwe wyjaśnienie niskiego stopnia wykorzystania AI. Wdrażanie sztucznej inteligencji rodzi szereg problemów związanych z zarządzaniem, nie tylko w opiece zdrowotnej. Szpitale, które chcą stosować technologie oparte na AI, mogą martwić się kwestiami bezpieczeństwa, nawet przy dobrze przetestowanych technologiach. Ponadto zmiana technologiczna wymaga przeszkolenia lekarzy w stosowaniu nowych instrumentów, co wymaga czasu i pieniędzy. Co więcej, wdrożenie sztucznej inteligencji to spory nakład finansowy, który może się po prostu nie zwrócić mniejszym szpitalom.

Oprócz praktyk zarządzania, Avi wraz z Jay Shaw, Frankiem Rudziczem i Trevorem Jamiesonem podkreślają rolę pacjentów. Ludzie łatwiej przyjmują diagnozę od lekarza, który może z czystym sumieniem stwierdzić „z mojego doświadczenia to najlepsza terapia”. Algorytmy obserwują dane i zgadują relacje, lecz wiedza na poparcie tych obserwacji często nie istnieje. Choć zatem jest statystycznie bardziej poprawna niż indywidualne doświadczenie tego czy innego lekarza, nikt nie umie wyjaśnić dlaczego komputer zaleca daną terapię. Trudno jest komputerowi (bądź programiście) wyjaśnić, dlaczego dana interwencja medyczna zwiększa prawdopodobieństwo sukcesu, co ma ogromne znaczenie dla pacjentów ryzykujących – jak by nie było – własnym zdrowiem a nawet życiem.

Poza tym, są oczywiście dylematy związane z prywatnością i bezpieczeństwem danych czy mechanizmami konkurencji na rynku usług medycznych. Chociaż powyższa lista nie wyczerpuje potencjalnych problemów związanych z wprowadzeniem nowych technologii, ilustruje część z wyzwań związanych ze sztuczną inteligencją, z których większość wykracza poza względy czysto kosztowe. To nie algorytmy i technologia rozwijają się zbyt wolno. To ich wdrożenie jest zbyt skomplikowane. A my jesteśmy zbyt niecierpliwi.

Dziennik Gazeta Prawna, 13 marca, 2020