Jednocześnie rośnie świadomość kosztu środowiskowego związanego z rozwojem i eksploatacją modeli – od zużycia energii i wody w centrach danych po materiało‑ i emisjochłonność łańcuchów dostaw sprzętu. Coraz wyraźniej widać, że długofalowy sukces wdrożeń AI będzie zależał nie tylko od czułości i swoistości algorytmów, ale także od tego, na ile odpowiedzialnie zarządzamy ich śladem zasobowym i ryzykiem etycznym.
W praktyce klinicznej hematoonkologa największy potencjał widać w obszarach, gdzie algorytmy wspierają zadania polegające na intensywnym przetwarzaniu licznych danych. W radiologii i medycynie nuklearnej modele ułatwiają wykrywanie subtelnych zmian i standaryzację opisów, co sprzyja wcześniejszemu rozpoznaniu i szybszym decyzjom terapeutycznym. W patologii cyfrowej narzędzia uczące się identyfikują cechy rokownicze, kwantyfikują naciek i proliferację, a także wspomagają wykrywanie rzadkich zdarzeń komórkowych, co bywa szczególnie istotne w nowotworach układu krwiotwórczego. W badaniach klinicznych narzędzia przetwarzania języka naturalnego reorganizują nieustrukturyzowane zapisy dokumentacji, wspierając rekrutację pacjentów i monitorowanie bezpieczeństwa, a systemy predykcyjne pomagają personalizować dawki czy sekwencje leczenia.
Dla onkologii dziecięcej kluczowe jest, aby modele były trenowane i walidowane na populacjach pediatrycznych oraz, aby architektura badań uwzględniała ograniczone wolumeny danych i heterogeniczność rzadkich nowotworów. W tym obszarze szczególną wagę zyskuje transparentność procesu tworzenia algorytmów, jawność ograniczeń i nadzór człowieka nad ostateczną decyzją. Regulacyjne dokumenty WHO, EMA i FDA podkreślają, że bezpieczeństwo, sprawiedliwość i odpowiedzialność są równie ważne, co metryki wydajnościowe. To wymaga od ośrodków powołania interdyscyplinarnego zespołu nadzorującego cykl życia narzędzi – od kwalifikacji i walidacji lokalnej po monitorowanie działania i aktualizacji.
Ślad środowiskowy nie jest przesłanką do rezygnacji z AI, lecz do selektywnego, mierzalnego wdrażania. Ośrodek może ograniczać zużycie energii i wody, wybierając infrastrukturę o wysokiej efektywności, ograniczając redundantną retencję danych, przenosząc część obliczeń bliżej źródła tam, gdzie to zgodne z przepisami, oraz wprowadzając kryteria środowiskowe do postępowań zakupowych. Jednocześnie warto dążyć do mierzenia efektu klinicznego narzędzi: wcześniejsze wykrycie choroby, lepszy dobór terapii i eliminacja niepotrzebnych procedur często oznaczają pośrednie zmniejszenie emisji w systemie ochrony zdrowia. Taki bilans korzyści i kosztów powinien stanowić standard oceny projektów cyfrowych w hematoonkologii.
Warto korzystać z oficjalnych, stale aktualizowanych zasobów. WHO publikuje wskazówki dotyczące etyki i regulacji AI w zdrowiu, kładąc nacisk na przejrzystość, nadzór człowieka i zarządzanie ryzykiem w całym cyklu życia systemu. EMA przedstawiła dokument refleksyjny na temat użycia sztucznej inteligencji w cyklu życia produktów leczniczych, który pomaga ośrodkom, sponsorom badań i producentom urządzeń projektować zgodne z prawem procesy wytwarzania, oceny i nadzoru. FDA rozwija ramy dla oprogramowania jako wyrobu medycznego i urządzeń z funkcjami uczenia maszynowego, zwracając uwagę na konieczność jawności, śledzenia zmian i działania po wprowadzeniu do obrotu. Z kolei NCI porządkuje kluczowe pola zastosowań AI w onkologii i inwestuje w infrastrukturę badań oraz interoperacyjność.
Zachęcamy do zapoznania się z artykułem pt. „Sztuczna inteligencja w onkologii: wartość kliniczna a środowiskowa” dostępnym na portalu onkologia.edu.pl.
Na podstawie:
