AI er til for at supplere, ikke erstatte læger – Tankeledere

Af: Doug Teany, innovationsrådgiver og tidligere COO i Corindus

AI og dens anvendelser i sundhedssektoren er blevet betydeligt mere avanceret over de seneste år. AI-teknologier er mere tilgængelige for sundhedsudbydere end nogensinde før og tilbyder enorme muligheder på tværs af sundhedssektoren, men især i komplekse robotassisterede procedurer, der kræver en ekstraordinær mængde indsigt og forudseenhed fra lægerne. Desværre er der stadig en tro på, at AI, som følge af sin udvikling, uundgåeligt vil erstatte lægens rolle, selv om dette ikke kunne være længere fra sandheden.

I virkeligheden giver AI lægerne nye kundskaber og evner, der forbedrer kliniske beslutninger og hjælper med at opnå mere positive patientresultater. Det overfører deres opmærksomhed fra at tænke teknisk om at manøvrere en ledning gennem hjertet til at tænke mere holistisk om sagstrategi og hvordan man kan opnå det bedst mulige resultat. Når AI anvendes i robotassisterede procedurer, kan det hjælpe med at opbygge en encyklopædi over historisk klinisk og procedurerelateret viden, som enhver læge kan tilgå for at løse enhver sag. Integration af funktioner som computer vision vil revolutionere den nuværende standard for pleje, og udstyre lægerne med et kraftfuldt værktøj, der kan reagere på og forhindre komplikationer, før de opstår. Alt dette sker uden at erstatte den centrale drivkraft i processen – lægen.

At lægge grundlaget med data-dreven indsigt og maskinlæring

I dag afhænger lægerne primært af deres personlige erfaring og individuelle beslutningsevner, der kan variere afhængigt af deres uddannelse, antallet af procedurer, de har gennemført, og andre faktorer. I sin kerne introducerer AI lægerne for nye data og informationsindsigt, der tidligere ikke var tilgængelige for dem, hvilket kan være særligt nyttigt i komplekse procedurer, der anvender robotteknologi. I disse tilfælde, hvor robotenheder er tilsluttet til historiske data-lagre, tilbyder AI en enestående værdi ved at udfylde videnlacuner med indsigt fra tusinder af lignende sager. Ved at give læger adgang til historisk sagdata ud over deres egen erfaring kan de mindske en del af risikoen, der er forbundet med disse komplicerede procedurer.

Maskinlæring ermöglicerer, at det robotiske system kan lære af erfaring og tilpasse sig nye indgange. I retur kan roboten automatisere sine bevægelser for at spejle de samme teknikker, der anvendes af de bedste læger i verden, hvilket øger chancerne for at løse udfordringer, der opstår under en sag. Dette giver lægerne mulighed for at fokusere deres opmærksomhed på sagstrategi og reagere mere effektivt på komplikationer. Denne type data-dreven indsigt ligner, hvordan data drastisk ændrede landskabet for professionel baseball i begyndelsen af 2000’erne, som blev fremhævet af udgivelsen af bogen Moneyball. Bogen fulgte Oakland Athletics og manager Billy Beane, der tog en data-dreven, evidensbaseret tilgang til at bygge et hold, i stedet for at afhænge af forældede metoder, der manglede data. I retur var denne model en enorm succes og udløste en ny æra i spillet, der blev drevet af data.

I sundhedssektoren skaber en database over procedurerelateret viden, der drives af maskinlæring, lignende indsigt for læger, og udstyrer dem med værdifuld information, der tidligere ikke var tilgængelig. Evnen til at se en patient i forhold til baggrunden af tusinder af lignende sager giver lægerne mulighed for at træffe bedre, mere informerede beslutninger om, hvordan de tackler en sag.

Dette næste skridt: Computer vision og høj automation

AI’s fulde potentiale i robotassisterede procedurer realiseres fuldt ud, når data-dreven indsigt og maskinlæring kombineres med computer vision, der ermöglicerer det robotiske system at intelligent identificere og reagere på situationer baseret på rigtige billeddata. I kardiovaskulære interventioner er en betydelig procentdel af proceduretiden dedikeret til ledningsmanipulation, hvoraf meget er en “prøve og fejl”-metode til navigation gennem karrene. Denne metode kan potentielt føre til forkert placerede medicinske enheder, såsom stent, eller resultere i længere proceduretider, der øger strålingsudgangen for læger og patienter.

Men, da automatiserede systemer fortsætter med at lære effektive bevægelser og opbygge videnbaserede regler, kan vi tillade computer vision at automatisere større dele af proceduren. Computer vision ermöglicerer også systemet at detektere komplikationer, før de opstår, såsom når en guidwire prolaps, og kan udføre korrektive handlinger automatisk for at levere enheden og forhindre skade på patienten.

Vigtigt er, at automation, uanset branchen, er på en skala, og bilindustrien tilbyder et solidt eksempel på dette. Mange af i dagens biler har en vis grad af lavniveau-automation, såsom bremseassistance, adaptiv fartregulering og kørebanecentring. På den anden side af skalaen automatiserer fabrikanter som Tesla (TSLA ) alle sikkerheds-kritiske funktioner, hvilket kræver mindre handling fra chaufføren, selv om chaufføren stadig er nødvendig. Det samme gælder for automation i sundhedssektoren. Til sidst holder AI-dreven automation lægerne i førersædet, mens den automatiserer visse opgaver, der tager lægernes opmærksomhed væk fra kritiske elementer, såsom sagstrategi og reaktion på komplikationer.

AI sætter lægerne i centrum

Bekymringer om AI og automation, der erstatter læger, har ingen berettigelse og er ikke baseret på en fuld forståelse af, hvordan sundhedssektoren implementerer AI og maskinlæring. Ligesom selvstyrende biler behøver en chauffør, vil de automatiserede interventionelle procedurer, vi arbejder mod, kræve vejledning fra en læge, men med den tilføjede ekspertise fra en digital encyklopædi bygget på erfaringen fra andre højt kvalificerede læger fra hele verden. Automation vil standardisere måden, procedurer udføres på, til en meget høj kvalitetsniveau, hvilket kommer til det overordnede mål for robot-automation – at gøre sagerne sikrere, hurtigere og mere effektive, mens man reducerer traumet på patienten.