AI je pro rozšíření, ne nahrazování lékařů – Thought Leaders

Od: Doug Teany, inovační poradce a bývalý provozní ředitel Corindus

AI a jeho aplikace v oblasti zdravotnictví se v posledních několika letech výrazně rozvinuly. AI technologie jsou nyní dostupnější zdravotnickým pracovníkům než kdykoli předtím a nabízejí obrovské příležitosti v oblasti zdravotnictví, zejména v komplexních roboticky asistovaných postupech, které vyžadují výjimečnou míru vhledu a předvídavosti ze strany lékařů. Bohužel stále existuje názor, že AI, jako výsledek svého rozvoje, nevyhnutelně nahradí roli lékaře, ačkoli to nemůže být dále od pravdy.

Ve skutečnosti AI vybavuje lékaře novými znalostmi a schopnostmi, které zlepšují klinické rozhodování a pomáhají dosáhnout pozitivnějších výsledků pro pacienty. Přenáší jejich pozornost z technického myšlení o manipulaci drátem v srdci na holistické myšlení o strategii případu a o tom, jak dosáhnout nejlepšího možného výsledku. Když je nasazen v roboticky asistovaných procedurálních prostředích, AI může pomoci vytvořit encyklopedii historických klinických a procedurálních znalostí, ke kterým může přistupovat každý lékař, aby vyřešil jakýkoli případ. Zařazení funkcí, jako je počítačové vidění, bude revolucí současného standardu péče, vybavující lékaře mocným nástrojem, který může reagovat a předcházet komplikacím, než nastanou. To vše se děje bez nahrazení klíčového hnacího prvku v procesu – lékaře.

Vytvoření základny s daty a strojovým učením

Dnes se lékaři primárně spoléhají na osobní zkušenosti a individuální rozhodovací dovednosti, které mohou kolísat v závislosti na jejich školení, počtu provedených procedur a dalších faktorech. AI zavádí lékaře do nových dat a informačních poznatků, které dříve nebyly dostupné, což může být besonders užitečné v komplexních procedurálních prostředích využívajících robotiku. V těchto případech, kde jsou robotické zařízení připojena k historickým úložištím dat, AI nabízí nevídanou hodnotu tím, že vyplňuje mezery ve znalostech pomocí poznatků z tisíců podobných případů. Poskytnutím lékaři přístupu k historickým datům případů za hranice jeho vlastní zkušenosti může snížit část rizika spojeného s těmito složitými postupy.

Strojové učení umožňuje robotickému systému učit se z experiencia a přizpůsobovat se novým vstupům. V důsledku toho může robot automatizovat své pohyby, aby odrážel stejné techniky, které používají nejlepší lékaři na světě, což zvyšuje šance na řešení problémů, které nastanou během případu. To nakonec umožňuje lékařům soustředit svou pozornost na strategii případu a reagovat na komplikace účinněji. Tento typ datově řízeného vhledu připomíná, jak data dramaticky změnily krajinu profesionálního baseballu na počátku roku 2000, podtržené vydáním knihy Moneyball. Kniha sledovala Oakland Athletics a manažera Billyho Beanea, který použil datově řízený, důkazní přístup ke stavbě týmu, místo aby se spoléhal na zastaralé metody, které postrádaly data. V důsledku toho byl tento model obrovským úspěchem a účinně spustil novou éru hry poháněnou daty.

V zdravotnictví vytváří databáze procedurálních znalostí poháněných strojovým učením podobné poznatky pro lékaře, vybavující je cennými informacemi, které dříve nebyly dostupné. Schopnost zobrazit pacienta na pozadí tisíců podobných případů umožňuje lékařům učinit lepší, informovanější rozhodnutí o tom, jak řešit případ.

Další krok: Počítačové vidění a vysoká automatizace

Plný potenciál AI v roboticky asistovaných procedurálních prostředích je plně realizován, když jsou kombinovány datové vhledy a strojové učení s počítačovým viděním, umožňujícím robotickému systému inteligentně identifikovat a reagovat na situace na základě bohatých obrazových dat. V kardiovaskulárních zásazích je významná část procedurální doby věnována manipulaci drátem, z nichž většina je „metodou pokusu a omylu“ pro navigaci cév. Tato metodika může potenciálně vést k nesprávnému umístění zdravotnických zařízení, jako jsou stenty, nebo k delším procedurálním časům, které zvyšují radiační expozici pro lékaře a pacienty.

Ale jakmile automatizované systémy pokračují v učení účinných pohybů a vytváření znalostních pravidel, můžeme umožnit počítačovému vidění automatizovat větší části procedury. Počítačové vidění také umožňuje systému detekovat komplikace, než nastanou, jako když se guidewire prolapsoval, a může automaticky provádět korekční akce k dodání zařízení a zabránit poškození pacienta.

Důležitým způsobem je automatizace, bez ohledu na průmysl, na spektru, a automobilový průmysl nabízí solidní příklad. Mnoho dnešních aut má určitou míru nízké automatizace, jako je asistent brzdy, adaptivní tempomat a centrování do pruhu. Na druhém konci spektra výrobci, jako je Tesla (TSLA ), automatizují všechny bezpečnostně kritické funkce, vyžadující méně akcí od řidičů, ačkoli řidiči jsou stále nezbytní. Totéž platí pro automatizaci ve zdravotnictví. Nakonec AI poháněná automatizace udržuje lékaře v řidičském sedadle, zatímco automatizuje určité úkoly, které odvracejí pozornost lékařů od kritických prvků, jako je strategie případu a reakce na komplikace.

AI staví lékaře do centra

 Obavy o AI a automatizaci, které nahrazují lékaře, jsou prostě neopodstatněné a nejsou založeny na úplném pochopení toho, jak zdravotnictví nasazuje AI a strojové učení. Stejně jako autonomní auta potřebují řidiče, automatizované intervenční postupy, na které jsme zaměřeni, budou potřebovat vedení lékaře, ale s přidáním odborných znalostí digitální encyklopedie postavené na zkušenostech jiných vysoce kvalifikovaných lékařů z celého světa. Automatizace standardizuje způsob, jakým se postupy provádějí, na velmi vysoké úrovni kvality, což dosahuje nadřazeného cíle robotické automatizace – činí případy bezpečnějšími, rychlejšími a účinnějšími, zatímco snižuje trauma na pacienta.