Odblokování nových možností ve zdravotnictví pomocí umělé inteligence

Zdravotnictví ve Spojených státech je na počátku významného potenciálního přerušení kvůli používání strojového učení a umělé inteligence. Tento posun začal před více než desetiletím, ale díky nedávným pokrokům se zdá, že je připraven na rychlejší změny. Zbývá ještě много práce, aby se pochopily nejbezpečnější a nejúčinnější aplikace umělé inteligence ve zdravotnictví, aby se mezi klinickými pracovníky vyvinula důvěra v používání umělé inteligence a aby se naše klinické vzdělávací systémy přizpůsobily lepšímu využívání systémů založených na umělé inteligenci.

Aplikace umělé inteligence ve zdravotnictví

Umělá inteligence prošla evolucí po desetiletích ve zdravotnictví, a to jak v pacientských, tak v back-office funkcích. Některé z nejranějších a nejrozsáhlejších prací se odehrály při používání hlubokého učení a počítačového vidění.

Nejdříve, einige terminologie. Tradiční statistické přístupy ve výzkumu – například observační studie a klinické studie – používaly modely zaměřené na populaci, které spoléhaly na regresní modely, ve kterých se nezávislé proměnné používaly k předpovídání výsledků. V těchto přístupech, zatímco více dat je lepší, existuje efekt plateau, ve kterém nad určitou velikostí datové sady nelze získat lepší inferenci z dat.

Umělá inteligence přináší nový přístup k předpovídání. Struktura nazývaná perceptron zpracovává data, která jsou předávána vpřed řádek po řádku, a je vytvořena jako síť vrstev diferenciálních rovnic, které modifikují vstupní data, aby produkovaly výstup. Během tréninku se každá řada dat, jakmile projde sítí – nazývanou neuronovou sítí – modifikuje rovnice ve každé vrstvě sítě, aby se předpovídaný výstup shodoval se skutečným výstupem. Jakmile jsou data ve tréninkové sadě zpracována, neuronová síť se učí, jak předpovídat výsledek.

Existuje několik typů sítí. Konvoluční neuronové sítě, nebo CNN, byly mezi prvními modely, které našly úspěch ve zdravotnických aplikacích. CNN jsou velmi dobré v učení z obrázků v procesu nazývaném počítačové vidění a našly aplikace, kde jsou obrazová data prominentní: radiologie, vyšetření očí a kožní obrázky.

Novější typ neuronové sítě nazývaný architektura transformátorů se stal dominantním přístupem díky jeho úžasnému úspěchu pro text a kombinace textu a obrázků (také nazývané multimodální data). Transformátorové neuronové sítě jsou výjimečné, když jsou jim dány text, na předpovídání následujících textů. Jednou z aplikací architektury transformátorů je Velký jazykový model nebo LLM. Více komerčních příkladů LLM zahrnuje Chat GPT, Anthropics Claude a Metas Llama 3.

Co bylo pozorováno u neuronových sítí obecně, je, že plateau pro zlepšení učení bylo těžké najít. Jinými slovy, s více a více daty, neuronové sítě pokračují v učení a zlepšování. Hlavní limity jejich schopnosti jsou větší a větší datové sady a výpočetní síla pro trénink modelů. Ve zdravotnictví je vytvoření datových sad, které chrání soukromí a věrně reprezentují skutečnou klinickou péči, klíčovým prioritou pro rozvoj modelů.

LLM mohou představovat paradigmatický posun v aplikaci umělé inteligence ve zdravotnictví. Protože jsou vybaveny jazykem a textem, jsou dobrým zápasem pro elektronické záznamy, ve kterých je téměř všechna data text. Nevadí jim také vysoce anotovaná data pro trénink, ale mohou použít existující datové sady. Dvě hlavní chyby těchto modelů jsou, že 1) nemají světový model nebo pochopení dat, která jsou analyzována (byly nazvány fancy autocomplete), a 2) mohou halucinovat nebo konfabulovat, vyrábět text nebo obrázky, které vypadají přesně, ale vytvářejí informace, které jsou prezentovány jako fakt.

Případy použití, které jsou zkoumány pro umělou inteligenci, zahrnují automatizaci a rozšíření pro čtení radiologických obrázků, vyšetření očí a dalších obrazových dat; snižování úsilí a zlepšování přesnosti klinické dokumentace, která je významným zdrojem vyhoření klinických pracovníků; lepší, více empatickou, komunikaci pacientů; a zlepšování efektivity back-office funkcí, jako je cyklus výnosů, operace a fakturace.

Reálné příklady

Umělá inteligence byla postupně zavedena do klinické péče. Obvykle úspěšné použití umělé inteligence následovalo peer-reviewed studie o výkonu, které prokázaly úspěch a v některých případech schválení FDA pro použití.

Mezi nejranějšími případy, ve kterých umělá inteligence funguje dobře, jsou detekce onemocnění v vyšetřeních očí a radiologii. Pro vyšetření očí publikovaná literatura o výkonu těchto modelů byla následována nasazením automatizovaného fundoskopie pro detekci onemocnění očí v ambulantních prostředích. Studie o segmentaci obrazů, s mnoha publikovanými úspěchy, vedly k několika softwarovým řešením, která poskytují podporu pro radiology, snižují chyby a detekují abnormality, aby se radiologickým pracovním postupům více efektivně.

Novější velké jazykové modely jsou zkoumány pro pomoc s klinickými pracovními postupy. Ambientní hlas je používán k vylepšení používání Elektronických zdravotních záznamů (EHR). V současné době jsou umělá inteligence scribes implementovány, aby pomohly s lékařskou dokumentací. To umožňuje lékařům soustředit se na pacienty, zatímco umělá inteligence se stará o dokumentační proces, zlepšuje efektivitu a přesnost.

Kromě toho mohou nemocnice a zdravotnické systémy použít prediktivní modelovací schopnosti umělé inteligence, aby rizikově stratifikovaly pacienty, identifikovaly pacienty, kteří jsou vystaveni vysokému nebo rostoucímu riziku, a určily nejlepší postup. Skutečně, clusterové detekční schopnosti umělé inteligence jsou stále více používány ve výzkumu a klinické péči, aby identifikovaly pacienty se podobnými charakteristikami a určily typický postup klinické akce pro ně. To může také umožnit virtuální nebo simulované klinické studie, aby se určily nejúčinnější léčebné postupy a měřily jejich účinnost.

Budoucí případ použití může být použití umělé inteligence založené na jazykových modelech ve komunikaci mezi lékaři a pacienty. Tyto modely byly nalezeny s platnými odpověďmi pro pacienty, které simulují empatické konverzace, což usnadňuje řízení obtížných interakcí. Toto použití umělé inteligence může výrazně zlepšit péči o pacienty, poskytující rychlejší a efektivnější triáž pacientských zpráv 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, bezpečnosti pacientů a klinické účinnosti při používání nástrojů umělé inteligence. Zatímco klinické studie jsou standardem pro nové léčby, existuje debata o tom, zda nástroje umělé inteligence by měly následovat stejný přístup. Další obavou je riziko úniku dat a ohrožení soukromí pacientů. Velké jazykové modely školené na chráněných datech mohou potenciálně úniknout zdrojových dat, což představuje významnou hrozbu pro soukromí pacientů. Zdravotnické organizace musí najít způsoby, jak chránit data pacientů a zabránit únikům, aby udržely důvěru a důvěrnost. Bias v tréninkových datech je také kritickou výzvou, která musí být řešena. Aby se zabránilo zkresleným modelům, musí být zavedeny lepší metody pro zabránění zkreslení v tréninkových datech. Je zásadní vyvinout tréninkové a akademické přístupy, které umožní lepší trénink modelů a zahrnutí rovnosti ve všech aspektech zdravotnictví, aby se zabránilo zkreslení.

Použití umělé inteligence otevřelo řadu nových obav a hranic pro inovace. Další studie jsou potřebné k určení, kde lze najít skutečné klinické výhody při používání umělé inteligence. Aby se tyto výzvy a etické obavy řešily, musí se zdravotnické poskytovatelé a softwarové společnosti soustředit na vývoj datových sad, které přesně modelují zdravotní data, zatímco zajišťují anonymitu a chrání soukromí. Kromě toho musí být navázány partnerství mezi zdravotnickými poskytovateli, systémy a technologickými/softwarovými společnostmi, aby se nástroje umělé inteligence zaváděly do praxe bezpečným a uvážlivým způsobem. Tímto způsobem mohou zdravotnické organizace využít potenciál umělé inteligence, zatímco dodržují bezpečnost, soukromí a spravedlnost pacientů.