Odemykání nových možností ve zdravotnictví pomocí AI

Zdravotnictví ve Spojených státech je v raných fázích významného potenciálního narušení v důsledku používání strojového učení a umělé inteligence. Tento posun probíhá již více než deset let, ale s nedávným pokrokem se zdá, že je připraven k rychlejším změnám. Zbývá ještě mnoho práce, abychom porozuměli nejbezpečnějším a nejúčinnějším aplikacím umělé inteligence ve zdravotnictví, vybudovali důvěru lékařů v používání umělé inteligence a přizpůsobili náš systém klinického vzdělávání tak, aby podporoval lepší využívání systémů založených na umělé inteligenci.

Aplikace AI ve zdravotnictví

Umělá inteligence se ve zdravotnictví vyvíjela po celá desetiletí, a to jak ve funkcích péče o pacienty, tak v back-office. Některé z prvních a nejrozsáhlejších prací se objevily v použití modelů hlubokého učení a počítačového vidění.

Nejprve trochu terminologie. Tradiční statistické přístupy ve výzkumu – např. observační studie a klinické studie – používají modelovací přístupy zaměřené na populaci, které se opírají o regresní modely, ve kterých se k predikci výsledků používají nezávislé proměnné. V těchto přístupech platí, že zatímco více dat je lepších, existuje efekt plató, ve kterém od určité velikosti souboru dat nelze z dat získat lepší závěry.

Umělá inteligence přináší novější přístup k predikci. Struktura zvaná perceptron zpracovává data, která jsou předávána vpřed po řadě, a je vytvořena jako síť vrstev diferenciálních rovnic pro úpravu vstupních dat, aby vytvořila výstup. Během trénování každý řádek dat při průchodu sítí – nazývanou neuronová síť – upravuje rovnice na každé vrstvě sítě tak, aby se předpokládaný výstup shodoval se skutečným výstupem. Jak jsou data v trénovací sadě zpracovávána, neuronová síť se učí, jak předvídat výsledek.

Existuje několik typů sítí. Konvoluční neuronové sítě, nebo CNN, byly mezi prvními modely, které zaznamenaly úspěch zdravotnických aplikací. CNN se velmi dobře učí z obrázků v procesu zvaném počítačové vidění a našly aplikace, kde jsou obrazová data prominentní: radiologie, vyšetření sítnice a snímky kůže.

Novější typ neuronové sítě nazývaný architektura transformátoru se stal dominantním přístupem díky svému neuvěřitelnému úspěchu u textu a kombinací textu a obrázků (také nazývaných multimodální data). Transformátorové neuronové sítě jsou výjimečné, když dostanou sadu textu, při predikci následného textu. Jednou z aplikací architektury transformátoru je Large Language Model neboli LLM. Několik komerčních příkladů LLM zahrnuje Chat GPT, Anthropics Claude a Metas Llama 3.

U neuronových sítí bylo obecně pozorováno, že bylo těžké najít plošinu pro zlepšení učení. Jinými slovy, vzhledem ke stále většímu množství dat se neuronové sítě nadále učí a zlepšují. Hlavním omezením jejich schopnosti jsou stále větší soubory dat a výpočetní výkon pro trénování modelů. Ve zdravotnictví je vytvoření datových souborů chránících soukromí, které věrně reprezentují skutečnou klinickou péči, klíčovou prioritou pro pokrok ve vývoji modelů.

LLM mohou představovat změnu paradigmatu v aplikaci AI pro zdravotnictví. Díky své schopnosti s jazykem a textem se dobře hodí k elektronickým záznamům, ve kterých jsou téměř všechna data textová. Pro školení také nevyžadují vysoce anotovaná data, ale mohou používat existující datové sady. Dvě hlavní chyby těchto modelů jsou, že 1) nemají model světa nebo nerozumí analyzovaným datům (říká se jim fantazijní automatické doplňování) a 2) mohou halucinovat nebo konfabulovat, vytvářet text nebo obrázky, které vypadají přesně, ale vytvářejí informace prezentované jako fakt.

Příklady použití, které se pro AI zkoumají, zahrnují automatizaci a augmentaci pro čtení radiologických snímků, snímků sítnice a dalších obrazových dat; snížení úsilí a zlepšení přesnosti klinické dokumentace, což je hlavní zdroj syndromu vyhoření lékaře; lepší, empatičtější, trpělivá komunikace; a zlepšení efektivity funkcí back-office, jako je cyklus příjmů, operace a fakturace.

Příklady z reálného světa

AI byla postupně zaváděna do celkové klinické péče. Úspěšné použití umělé inteligence obvykle následovalo po recenzovaných testech výkonu, které prokázaly úspěch a v některých případech schválení FDA k použití.

Mezi první případy použití, ve kterých umělá inteligence funguje dobře, patřila umělá inteligence detekující onemocnění v obrazech vyšetření sítnice a radiologii. U vyšetření sítnice po publikované literatuře o výkonu těchto modelů následovalo nasazení automatizované fundoskopie k detekci onemocnění sítnice v ambulantních podmínkách. Studie segmentace obrazu s mnoha publikovanými úspěchy vedly k mnoha softwarovým řešením, která poskytují podporu rozhodování radiologům, snižují chyby a detekce abnormalit, aby byly pracovní postupy radiologů efektivnější.

Pro pomoc s klinickými pracovními postupy se zkoumají novější velké jazykové modely. Okolní hlas se používá ke zlepšení používání elektronických zdravotních záznamů (EHR). V současné době se zavádějí písaři umělé inteligence, kteří pomáhají v lékařské dokumentaci. To umožňuje lékařům soustředit se na pacienty, zatímco AI se stará o proces dokumentace a zlepšuje efektivitu a přesnost.

Kromě toho mohou nemocnice a zdravotnické systémy využívat schopnosti prediktivního modelování umělé inteligence ke stratifikaci pacientů, identifikaci pacientů s vysokým nebo rostoucím rizikem a určení nejlepšího postupu. Schopnosti klastrové detekce umělé inteligence jsou ve skutečnosti stále více využívány ve výzkumu a klinické péči k identifikaci pacientů s podobnými charakteristikami a určení typického průběhu klinického působení pro ně. To lze také povolit virtuální nebo simulované klinické studie k určení nejúčinnějších léčebných kurzů a měření jejich účinnosti.

Případem budoucího použití může být použití jazykových modelů poháněných umělou inteligencí v komunikaci mezi lékařem a pacientem. Bylo zjištěno, že tyto modely mají pro pacienty platné odpovědi, které simulují empatické rozhovory, což usnadňuje zvládnutí obtížných interakcí. Tato aplikace AI může výrazně zlepšit péči o pacienty tím, že poskytuje rychlejší a efektivnější třídění zpráv pacientů na základě závažnosti jejich stavu a zprávy.

Výzvy a etické úvahy

Jednou z výzev při implementaci umělé inteligence ve zdravotnictví je zajištění souladu s předpisy, bezpečnost pacientů a klinická účinnost při používání nástrojů umělé inteligence. Zatímco klinické studie jsou standardem pro nové způsoby léčby, existuje diskuse o tom, zda by nástroje umělé inteligence měly používat stejný přístup. Další obavou je riziko narušení dat a ohrožení soukromí pacientů. Velké jazykové modely trénované na chráněných datech mohou potenciálně uniknout zdrojová data, což představuje významnou hrozbu pro soukromí pacientů. Zdravotnické organizace musí najít způsoby, jak chránit data pacientů a předcházet narušení, aby si zachovaly důvěru a důvěrnost. Předpojatost v trénovacích datech je také zásadní výzvou, kterou je třeba řešit. Aby se zabránilo zkresleným modelům, musí být zavedeny lepší metody, jak se vyhnout zkreslení v trénovacích datech. Je zásadní vyvinout školicí a akademické přístupy, které umožní lepší model školení a začlení spravedlnost do všech aspektů zdravotní péče, aby se předešlo zkreslení.

Použití AI otevřelo řadu nových problémů a hranic pro inovace. Je zapotřebí další studie o tom, kde lze nalézt skutečný klinický přínos používání AI. K řešení těchto výzev a etických problémů se organizace poskytovatelů zdravotní péče a softwarové společnosti musí zaměřit na vývoj datových sad, které přesně modelují zdravotnická data a zároveň zajišťují anonymitu a chrání soukromí. Kromě toho musí být vytvořena partnerství mezi poskytovateli zdravotní péče, systémy a technologickými/softwarovými společnostmi, aby se nástroje umělé inteligence uvedly do praxe bezpečným a promyšleným způsobem. Řešením těchto výzev mohou zdravotnické organizace využít potenciál umělé inteligence při zachování bezpečnosti pacientů, soukromí a spravedlnosti.