Odblokování nových možností ve zdravotnictví s umělou inteligencí

Zdravotnictví ve Spojených státech je v počátečních fázích významného potenciálního rozrušení kvůli použití strojového učení a umělé inteligence. Tato změna probíhá již více než deset let, ale díky nedávným pokrokům se zdá, že je připravena na rychlejší změny. Zbývá ještě mnoho práce, aby se porozumělo nejbezpečnějším a nejúčinnějším aplikacím umělé inteligence ve zdravotnictví, aby se vybudovala důvěra mezi klinickými pracovníky při používání umělé inteligence a aby se upravil náš klinický vzdělávací systém pro lepší využití systémů založených na umělé inteligenci.

Aplikace umělé inteligence ve zdravotnictví

Umělá inteligence prošla evolucí po desetiletích ve zdravotnictví, a to jak v pacientům orientovaných, tak v back-office funkcích. Některé z nejranějších a nejrozsáhlejších prací se udály v použití hlubokého učení a modelů počítačového vidění.

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

Umělá inteligence přináší nový přístup k předpovědi. Struktura nazývaná perceptron zpracovává data, která jsou předávána vpřed řádek po řádku, a je vytvořena jako síť vrstev diferenciálních rovnic pro modifikaci vstupních dat, aby se produkoval výstup. Během tréninku, každá řádku dat, jakmile projde sítí – nazývanou neuronovou sítí – modifikuje rovnice ve každé vrstvě sítě, aby se předpovězený výstup shodoval s skutečným výstupem. Jakmile jsou data v tréninkové sadě zpracována, neuronová síť se učí, jak předpovědět 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, retinální vyšetření a kožní obrázky.

Novější typ neuronové sítě nazývaný architektura transformer se stal dominantním přístupem díky jeho úžasnému úspěchu pro text a kombinace textu a obrázků (také nazývané multimodální data). Transformer neuronové sítě jsou výjimečné, když jsou dány sadou textu, při předpovědi následujících textů. Jednou z aplikací architektury transformer 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 schopností jsou větší a větší datové sady a výpočetní síla pro trénink modelů. Ve zdravotnictví, vytvoření chráněných datových sad, které věrně reprezentují skutečnou klinickou péči, je klíčovým prioritou pro rozvoj modelu.

LLM mohou představovat paradigmatický posun v aplikaci umělé inteligence pro zdravotnictví. Protože mají facilní jazyk a text, jsou dobrým zápasem pro elektronické záznamy, ve kterých je téměř všechna data text. Také nepotřebují vysoce anotovaná data pro trénink, ale mohou použít existující datové sady. Dvě hlavní vady 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 prezentované jako fakt.

Případy použití, které se pro umělou inteligenci zkoumají, zahrnují automatizaci a augmentaci pro čtení radiologických obrázků, retinálních obrázků a dalších obrazových dat; snižování úsilí a zlepšování přesnosti klinické dokumentace, která je významným zdrojem vyhoření klinických pracovníků; lepší, více empatická, pacientská komunikace; a zlepšování efektivity back-office funkcí, jako je revenue cycle, operace a fakturace.

Reálné příklady

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

Mezi nejranějšími případy, ve kterých umělá inteligence funguje dobře, je umělá inteligence detekující onemocnění v retinálních vyšetřeních a radiologii. Pro retinální vyšetření, publikovaná literatura o výkonu těchto modelů byla následována nasazením automatizované fundoskopie pro detekci retinálního onemocnění v ambulantních zařízeních. Studie o segmentaci obrazů, s mnoha publikovanými úspěchy, vedly k několika softwarovým řešením, která poskytují rozhodovací podporu pro radiology, snižují chyby a detekují abnormality, aby se radiologickým pracovním postupům zvýšila efektivita.

Novější velké jazykové modely se zkoumají pro asistenci s klinickými pracovními postupy. Ambientní hlas se používá ke zlepšení využití Elektronických zdravotních záznamů (EHR). V současné době se implementují AI písaři, aby pomohli 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 pro rizikovou stratifikaci pacientů, identifikaci pacientů, kteří jsou vystaveni vysokému nebo rostoucímu riziku, a určení nejlepšího průběhu akce. Skutečně, cluster detekční schopnosti umělé inteligence se používají stále více ve výzkumu a klinické péči pro identifikaci pacientů se podobnými charakteristikami a určení typického průběhu 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 modelů umělé inteligence založených na jazyce ve komunikaci mezi lékaři a pacienty. Tyto modely byly nalezeny s platnými odpověďmi pro pacienty, které simulují empatické konverzace, aby se usnadnilo řízení obtížných interakcí. Toto použití umělé inteligence může výrazně zlepšit péči o pacienty, aby se zajistilo 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 prosáknout zdroj dat, což představuje významnou hrozbu pro soukromí pacientů. Zdravotnické organizace musí najít způsoby, jak chránit data pacientů a zabránit únikům, aby se udržela důvěra a důvěrnost. Bias v tréninkových datech je také kritickou výzvou, která musí být řešena. Aby se zabránilo předpojatým modelům, musí být zavedeny lepší metody, aby se zabránilo předpojatosti v tréninkových datech. Je zásadní vyvinout trénink a akademické přístupy, které umožňují lepší trénink modelů a zahrnují rovnost ve všech aspektech zdravotnictví, aby se zabránilo předpojatosti.

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