2026 m. Lietuvos mokslų akademija ir Ateities biomedicinos fondas premijas skyrė trims jauniesiems mokslininkams, dirbantiems personalizuotos medicinos tematikoje. Premija teikiama už reikšmingą mokslinę veiklą, novatoriškus tyrimus ir jų indėlį į pažangios medicinos vystymą Lietuvoje.
Dr. Arnas Karužas, Lietuvos sveikatos mokslų universiteto mokslininkas, tapo medicinos krypties laureatu – jis įvertintas už darbą „Giliųjų neuroninių tinklų pritaikymas automatizuotai echokardiografinei širdies nepakankamumo ir aortos pokyčių diagnostikai ramybės ir krūvio metu“.
Dr. A. Karužas yra gydytojas kardiologas, mokslininkas ir medicinos technologijų startuolio „Ligence“ bendraįkūrėjas bei vadovas. 2025 m. bendrovės kuriama dirbtiniu intelektu paremta echokardiografijos programinė įranga „Ligence Heart“ gavo JAV Maisto ir vaistų administracijos FDA 510(k) leidimą naudoti automatizuotai ir rankinei suaugusiųjų 2D transthorakalinės echokardiografijos vaizdų analizei ir ataskaitoms rengti.
– Apie ką yra jūsų mokslinis tyrimas ir kaip pats atsidūrėte šioje srityje?
– Į šią sritį atėjau gana natūraliai. Dirbtinio intelekto pritaikymu kardiologijoje pradėjau domėtis dar rezidentūros laikotarpiu – gerai prisimenu, kad buvau antrų ar trečių metų rezidentas. Mano domėjimosi sritis visada buvo širdies ultragarsinis tyrimas. Iki tol dariau įvairius mokslinius tyrimus būtent apie patį echokardiografinį tyrimą.
Vėliau nusprendžiau, kad atėjo laikas pagalvoti apie praktinį pritaikymą. Labai norėjau sukurti tai, kas iš tikrųjų galėtų keisti kasdienę klinikinę praktiką – pirmiausia mano paties, bet ir kitų gydytojų bei personalo darbą. Norėjosi, kad širdies ultragarsinis tyrimas taptų efektyvesnis ir labiau standartizuotas.
Labai norėjau sukurti tai, kas iš tikrųjų galėtų keisti kasdienę klinikinę praktiką – pirmiausia mano paties, bet ir kitų gydytojų bei personalo darbą. Norėjosi, kad širdies ultragarsinis tyrimas taptų efektyvesnis ir labiau standartizuotas.
Širdies ultragarsinis tyrimas iš savęs yra labai dinamiškas, kintantis, labai priklausomas nuo vertintojo ir tyrėjo. Dirbtinis intelektas gali įnešti daug standartizacijos, vienodesnio vertinimo. Tai leidžia tiksliau vertinti įvairius parametrus ir pacientui lengviau bei tiksliau nustatyti tam tikras diagnozes, pavyzdžiui, širdies nepakankamumą.
– Kur čia atsiranda personalizuota medicina?
– Esmė ta, kad neuroniniai tinklai leidžia kiekvienam pacientui įvertinti gerokai daugiau parametrų, negu gydytojas rutininėje praktikoje dažnai gali pagal turimą laiką.
Pagal individualius paciento parametrus galima įvertinti, pavyzdžiui, plautinės hipertenzijos riziką, širdies nepakankamumo sunkumo laipsnį, širdies geometrijos pokyčius. Kitaip tariant, kiekvienam pacientui galima pasakyti, kokie pokyčiai yra tikėtini ir į ką gydytojas turėtų atkreipti dėmesį po širdies ultragarsinio tyrimo.
– Kodėl širdies ultragarsiniame tyrime vis dar tiek daug žmogiškojo faktoriaus?
– Ultragarsinis tyrimas yra labai kitoks nei, pavyzdžiui, kompiuterinė tomografija ar širdies magnetinis rezonansas, kur yra aiškūs standartai, vienodos skenavimo sekos, daugeliu atvejų – pakankamai geros kokybės vaizdai.
Su ultragarsu viskas labai priklauso nuo to, kaip taisyklingai gydytojas uždeda daviklį, kaip taisyklingai įrašo atitinkamą širdies projekciją, kaip tiksliai pamatuoja kiekvieną širdies dalį, greičius, diametrus ar tūrius.
Tada viskas labai atsiremia į tyrėjo patirtį, gebėjimus, tos dienos nuotaiką ar nuovargį. Dirbtinis intelektas leidžia tą procesą padaryti labiau standartizuotą, efektyvesnį ir tikslesnį.
Yra mokslinių tyrimų, kurie tai rodo. Vieni iš „Ligence Heart“ modelių buvo vertinti Vokietijoje, Dresdeno universitetinėje ligoninėje. Pavyzdžiui, vertinant vieną pagrindinių širdies nepakankamumo parametrų – išstūmio frakciją – mūsų tikslumas, lyginant su ekspertais vertintojais ir auksiniu standartu kompiuterine tomografija, parodė, kad matuodami šį parametrą buvome tikslesni negu ekspertai.
Mano moksliniame tyrime pagrindinis dėmesys buvo skirtas vadinamajai kairiojo skilvelio diastolinei disfunkcijai. Yra kelių rūšių širdies nepakankamumas, o mano kryptis buvo būtent diastolinio širdies nepakankamumo nustatymas ir šiai patologijai svarbių parametrų visiškai automatizuotas vertinimas.
Tai reiškia – be žmogaus įvesties. Dirbtinis intelektas nuo A iki Z automatizuotai įvertino parametrus ir pasiekė pakankamą tikslumą, lyginant su ekspertais. Rezultatai reikšmingai nesiskyrė ir algoritmas gebėjo pakankamai tiksliai diagnozuoti tokio tipo širdies nepakankamumą.
Tai ypač svarbu, nes diastolinis širdies nepakankamumas yra labai kompleksiškas ir tarp tyrėjų yra didelių vertinimo skirtumų. Jei dirbtinis intelektas gali tai padaryti, manau, realioje klinikinėje praktikoje jis gali įnešti daugiau standartizacijos ir padėti tiksliau diagnozuoti šio tipo širdies nepakankamumą.
– Kas šiuos modelius padaro tokiais tiksliais? Kokiais duomenimis jie mokomi?
– Modelių kūrimas yra viena dalis, o modelių validavimas – visai kita. Modeliai kuriami naudojant labai įvairius duomenis. Reikia naudoti skirtingų ultragarso aparatų gamintojų vaizdus, nes modeliai turi veikti su skirtingų aparatų duomenimis. Jie turi būti apmokyti su įvairios kokybės ultragarso vaizdais, įvairiomis patologijomis, normos atvejais, skirtingų lyčių, rasių duomenimis. Kitaip tariant, duomenys turi būti labai diversifikuoti.
Tada neuroniniai tinklai įgauna platų pritaikomumą, bet vis tiek savo ribose.
Šie modeliai buvo labiau skirti rutininiams pacientams – tiems, kurie ateina į klinikinę praktiką, pavyzdžiui, skųsdamiesi dusuliu, bet neturi labai ryškių ydų ar jau nustatyto širdies nepakankamumo.
Tada pritaikome ir palyginame dvi skirtingas darbo eigas: vienoje vertina ekspertas, kitoje – dirbtinis intelektas. Lyginame visus parametrus ir žiūrime, kaip jie sutampa arba nesutampa.
Svarbu tai, kad tai vyksta su visiškai naujais duomenimis – ne tais, kuriais modeliai buvo mokyti. Tai vadinama išorine validacija. Mes palyginame, kaip neuroniniai tinklai matuoja ir vertina duomenis, kurių jie nebuvo matę mokymo metu, ir kaip tą daro ekspertas.
Be to, gydytojas žino daug klinikinės informacijos – laboratorinius tyrimus, paciento būklę, anamnezę. Dirbtinis intelektas mato tik širdies ultragarso vaizdus, juos analizuoja ir pateikia rekomendacijas. Jis tikrai nepriima galutinio sprendimo, bet pateikia rekomendacijas, kurias galima palyginti su eksperto vertinimu.
– Mes nuolat kalbame apie gydytojų darbo krūvį. Ką tokie įrankiai duoda gydytojui? Ar tai nėra dar viena papildoma programa, kuri tik padidina darbo krūvį?
– Tikslas yra priešingas – kad dirbtinis intelektas padėtų ir leistų dirbti gerokai greičiau.
Yra atskirų tyrimų, kurie vertino algoritmų poveikį darbo trukmei. Jie nebuvo mano premijuoto darbo dalis, bet, pavyzdžiui, iš tyrimų Vokietijoje matome, kad kuo pacientas yra labiau kasdienis, standartinis – toks, kuriam visada atliekami įprasti matavimai ir kuris neturi retų patologijų – tuo labiau galima sutrumpinti tyrimo laiką. Kai kuriais atvejais iki 67 procentų.
Jeigu pacientas sudėtingas, turi daugiau išimtinių sutrikimų ar retesnių patologijų, laiko sutaupymas sumažėja arba net nepasikeičia. Tokiais atvejais reikia daug eksperto įsitraukimo, nes dirbtinis intelektas nebūna toks tikslus, kai atvejis yra retas ir modelis tam nėra apmokytas. Dėl to gydytojas išlieka labai svarbus.
– O ką tikslesnė ir greitesnė diagnostika duoda pacientui?
– Ankstesnę gydymo pradžią, geresnę gyvenimo kokybę ir mažiau galimų klaidų. Svarbu suprasti, kad tokiu atveju paciento tyrimą įvertina tarsi du ekspertai: neuroninis tinklas, turintis pakankamą tikslumą lyginant su ekspertu, ir gydytojas, kuris peržiūri matavimus, išvadas ir, jeigu reikia, pataiso arba patvirtina.
Tai reiškia, kad kiekvienas pacientas, naudojant neuroninius tinklus, gauna dviejų ekspertų vertinimą. Taip sumažinama klaidų tikimybė ir didinamas tikslumas.
– Dirbtinis intelektas medicinoje kelia ir vilčių, ir baimių. Kaip matote gydytojo ir DI santykį ateityje?
– Tendencija keičiasi teigiama linkme. Labai didelį postūmį sukūrė didieji kalbos modeliai, tokie kaip „ChatGPT“. Jie padarė dirbtinį intelektą labai populiarų, prieinamą visiems, labiau suprantamą ir galbūt sumažino baimę, kas apskritai yra dirbtinis intelektas.
Didžiausias iššūkis yra atvesti dirbtinį intelektą į kasdienę klinikinę praktiką. Tai labai ilgas kelias. Labai svarbi dedamoji yra pasitikėjimo sukūrimas. Sveikatos priežiūros specialistas turi pajausti, kad dirbtinio intelekto sprendimas jam padeda ir tampa tikra pagalbine sistema.
Tikslas yra sukurti gydytojo asistentą, kuris padėtų dirbti. Ar lengva tai padaryti? Tikrai ne. Skirtingos šalys turi skirtingą brandą tokiems sprendimams. Iš to, ką matau šiandien, didžiausią brandą turi Jungtinės Amerikos Valstijos – jos labai atviros inovacijoms ir geba jas gana greitai bei sistemiškai įsileisti į klinikinę praktiką.
Atskirai paminėčiau ir Didžiąją Britaniją. Ji taip pat labai atvira, protingai įsivertina inovacijas, palygina naujus įrankius tarpusavyje, įsivertina, kaip jie veikia jų ekosistemoje, ir teikia rekomendacijas.
Likusi Europos Sąjunga, sakyčiau, šiandien dar gana konservatyvi. Ypač jei naujovės ateina ne iš didelių, gerai žinomų korporacijų, pasipriešinimo kartais jaučiasi dar daugiau. Europa šioje vietoje juda lėčiau, lyginant su kitais kontinentais. Manau, Europoje turime kur pasitempti, kad greičiau perimtume naujas technologijas.
– Ko trūksta Lietuvai, kad sveikatos sistema būtų imlesnė tokioms inovacijoms?
– Esminis dalykas – edukacija ir lyderystė integruojant dirbtinio intelekto sprendimus į kasdienę praktiką.
Tai yra ir prioritetų klausimas. Lietuvoje jau yra įstaigų, kurios ieško dirbtinio intelekto sprendimų ir skatina jų diegimą. Bet atsiranda įvairios grandys: teisiniai aspektai, integraciniai aspektai.
Man labai patiko Jungtinės Karalystės NHS pavyzdys. Jie paskelbė 11 klausimų klausimyną ir jį išdalijo ligoninėms. Atsakydama į tuos klausimus kiekviena ligoninė gali aiškiai įsivertinti, kokių dirbtinio intelekto paslaugų jai reikia, ar ligoninė infrastruktūriškai pasiruošusi jas gauti, kaip įsivertinti, ar konkretus dirbtinio intelekto prietaisas jai tinkamas, ar jis tikrai sprendžia ligoninės problemą.
Man atrodo, kad mums kartais trūksta žinojimo, kur yra mūsų trukdžiai, vadinamieji bottleneck’ai, ir ką dirbtinis intelektas gali išspręsti. Tik tada galima pasižiūrėti, ar yra sprendimų, kurie gali padėti.
– Širdies ir kraujagyslių ligos išlieka viena iš top mirties priežasčių pasaulyje, Lietuva – ne išimtis. Ar Lietuva turi potencialo tapti personalizuotos kardiologijos šalimi?
– Manau, kad tikrai turi. Lietuvoje yra lyderystės, kuriamos naujos programos, skatinimo priemonės. Man pačiam tenka dalyvauti kuriant programas, susijusias su personalizuotos medicinos sprendimų pritaikymu, įskaitant kardiologiją ir dirbtinį intelektą.
Man pačiam tenka dalyvauti kuriant programas, susijusias su personalizuotos medicinos sprendimų pritaikymu, įskaitant kardiologiją ir dirbtinį intelektą.
Mes to potencialo turime. Tik mūsų resursai yra riboti – nesame didelė šalis. Todėl labai linkėčiau turėti aiškų prioritetą.
Jeigu sakome, kad turime 20 prioritetų, tai iš esmės nebeturime prioritetų. Dažniausiai, jei turi daugiau nei tris prioritetus, jau pradedi sunkiai juos įgyvendinti. Pas mus kartais to per daug: per daug prioritetų, tada finansavimas ir žmogiškieji resursai išsiskaido, ir su ribotais resursais nebegalime tapti lyderiais vienoje srityje.
– Ar personalizuotos medicinos programos ir didesnis institucinis dėmesys galėtų pastumti šią sritį į priekį?
– Teko dalyvauti darbo grupėje, kuri dirbo su būsimais personalizuotos medicinos kvietimais ir finansavimu.
Manau, kad dėmesys Lietuvoje šiai sričiai yra pakankamas. Bet reikia priemonių ir veiksmų, sudėliotų taip, kad personalizuota medicina galėtų tapti prioritetine mokslo finansavimo ir plėtros prasme.
Šiai sričiai dar trūksta finansavimo, žmogiškųjų resursų ir aiškios krypties. Personalizuota medicina yra labai plati. Ar mes norime personalizuotos medicinos, kuri remiasi genomika, radiomika ar panašiais dalykais? Ar norime konkrečioje srityje, pavyzdžiui, kardiologijoje, turėti stipriausią personalizuotą mediciną?
Manau, kad Lietuva dar nėra iki galo to nusprendusi, bet tikiuosi, kad artimiausiu metu nuspręs.
– Kokios personalizuotos medicinos kryptys Europoje šiandien turi daugiausia potencialo?
– Genomika ir genetiniai tyrimai tikrai yra viena ryškiausių ir svarbiausių krypčių. Bet labai svarbus yra ir skirtingų duomenų apjungimas – metabolomikos, genomikos, radiomikos. Čia daug gali padaryti dirbtinis intelektas, nes jis leidžia sujungti kompleksinius duomenis ir priimti sprendimus, kurie yra personalizuojami kiekvienam pacientui.
Dirbtinis intelektas personalizuotoje medicinoje yra labai taikomas. Net dalis mūsų sprendimų iš medicininių vaizdų pusės gali būti integruojama kaip vienas tokios sistemos segmentų.
Personalizuota medicina kardiologijoje taip pat yra labai aktuali kryptis. Europos Komisijos finansavimo kvietimų šioje srityje yra nemažai, nes sergamumas širdies ir kraujagyslių ligomis yra didžiulis, o prevencija čia turi labai didelę reikšmę.
Su širdies ir kraujagyslių sistema labai daug ką galime užbėgti už akių – jei esame laiku.
