Fremme af nye muligheder i sundhedssektoren med AI

Sundhedssektoren i USA er i begyndelsen af en betydelig potentiel forstyrrelse på grund af brugen af Machine Learning og Kunstig Intelligens. Denne udvikling har været i gang i over et årti, men med de seneste fremskridt synes det at være parat til mere hurtige ændringer. Der er stadig meget arbejde at gøre for at forstå de sikreste og mest effektive anvendelser af AI i sundhedssektoren, for at opbygge tillid blandt kliniske medarbejdere i brugen af AI og for at tilpasse vores kliniske uddannelsessystem til at fremme en bedre brug af AI-baserede systemer.

Anvendelser af AI i sundhedssektoren

AI har været under udvikling i årtier i sundhedssektoren, både i patientorienterede og administrative funktioner. Nogle af de tidligste og mest omfattende arbejder har fundet sted i brugen af dybe læring og computer vision-modeller.

Først, lidt terminologi. Traditionelle statistiske tilgange i forskning – f.eks. observationsstudier og kliniske forsøg – har brugt populationsfokuserede modelleringstilgange, der afhænger af regressionsmodeller, hvor uafhængige variabler bruges til at forudsige resultater. I disse tilgange er mere data bedre, men der er en plateau-effekt, hvor over en vis datamængde kan ingen bedre slutninger træffes fra dataene.

Kunstig intelligens bringer en ny tilgang til forudsigelse. En struktur kaldet en perceptron behandler data, der sendes fremad række for række, og oprettes som et netværk af lag af differentialligninger til at ændre inputdataene, så outputtet produceres. Under træning ændrer hver række af data, da den passerer gennem netværket – kaldet et neuralt netværk – ligningerne i hvert lag af netværket, så forudsigelsen matcher den faktiske output. Da dataene i en træningssæt behandles, lærer neuralt netværk, hvordan man forudsiger resultatet.

Der findes flere typer netværk. Convolutional neural netværk, eller CNN’er, var blandt de første modeller, der fandt succes i sundhedssektorens anvendelser. CNN’er er meget gode til at lære fra billeder i en proces kaldet computer vision og har fundet anvendelser, hvor billeddata er fremherskende: radiologi, retinaleksaminationer og hudbilder.

En nyere type neuralt netværk kaldet transformer-arkitekturen er blevet en dominerende tilgang på grund af dens utrolige succes for tekst og kombinationer af tekst og billeder (også kaldet multimodalt data). Transformer-neurale netværk er exceptionelle, når de får en tekst, til at forudsige efterfølgende tekst. En anvendelse af transformer-arkitekturen er det store sprogmodel eller LLM. Flere kommercielle eksempler på LLM’er inkluderer Chat GPT, Anthropics Claude og Metas Llama 3.

Det, der er observeret med neurale netværk generelt, er, at en plateau for forbedring i læring har været svær at finde. Med andre ord, givet mere og mere data, fortsætter neurale netværk med at lære og forbedre sig. De vigtigste begrænsninger for deres kapacitet er større og større datamængder og beregningskraften til at træne modellerne. I sundhedssektoren er oprettelsen af privatlivsbeskyttende datamængder, der trofast repræsenterer sand klinisk pleje, en nøgleprioritet for at fremme modeludvikling.

LLM’er kan repræsentere en paradigmeskift i anvendelsen af AI i sundhedssektoren. Fordi de er gode til at håndtere sprog og tekst, er de en god match til elektroniske journaler, hvor næsten alle data er tekst. De kræver heller ikke højt annoterede data til træning, men kan bruge eksisterende datamængder. De to største fejl ved disse modeller er, at 1) de ikke har en verdensmodel eller en forståelse af dataene, der analyseres (de er blevet kaldt fancy autocomplete), og 2) de kan hallucinere eller konfabulere, opfinde tekst eller billeder, der ser nøjagtige ud, men skaber information, der præsenteres som faktum.

Anvendelsesmuligheder, der undersøges for AI, inkluderer automation og forbedring af læsning af radiologibilleder, retinaleksaminationer og andre billeddata; reducering af indsatsen og forbedring af klinisk dokumentation, en stor kilde til klinisk udbrændthed; bedre, mere empatisk patientkommunikation; og forbedring af effektiviteten af administrative funktioner som omgang med patienter, drift og fakturering.

Reelle eksempler

AI er blevet indført i klinisk pleje generelt. Typisk har succesfuld brug af AI fulgt peer-reviewed forsøg af præstation, der har demonstreret succes, og i nogle tilfælde FDA-godkendelse til brug.

Blant de tidligste anvendelsesmuligheder, hvor AI fungerer godt, har været AI, der opdager sygdom i retinaleksaminationsbilleder og radiologi. For retinaleksaminationer har publiceret litteratur om disse modellers præstationer været fulgt af udrulning af automatiseret fundoskopi til at opdage retinal sygdom i ambulatoriske indstillinger. Studier af billedsegmentering, med mange publicerede succeser, har resulteret i multiple softwareløsninger, der giver beslutningsstøtte til radiologer, reducerer fejl og opdager abnormaliteter for at gøre radiologernes arbejdsprocesser mere effektive.

Nye store sprogmodeller undersøges for at hjælpe med kliniske arbejdsprocesser. Ambient voice bruges til at forbedre brugen af elektroniske patientjournaler (EHR’er). For tiden implementeres AI-skribenter til at hjælpe med medicinsk dokumentation. Dette giver læger mulighed for at fokusere på patienter, mens AI tager sig af dokumentationsprocessen, hvilket forbedrer effektiviteten og nøjagtigheden.

Derudover kan hospitaler og sundhedsorganisationer bruge AI’s prædiktive modelleringsevner til at risikostyrke patienter, identificere patienter, der er i høj eller stigende risiko, og bestemme den bedste handlingsplan. Faktisk bruges AI’s klusterdetektionsmuligheder i stigende grad i forskning og klinisk pleje til at identificere patienter med lignende karakteristika og bestemme den typiske handlingsplan for dem. Dette kan også muliggøre virtuelle eller simulerede kliniske forsøg for at bestemme de mest effektive behandlingsforløb og måle deres effikacitet.

En fremtidig anvendelsesmulighed kan være brugen af AI-drevne sprogmodeller i læge-patient-kommunikation. Disse modeller er blevet fundet at have gyldige svar for patienter, der simulerer empatisk samtale, hvilket gør det lettere at håndtere svære interaktioner. Denne anvendelse af AI kan forbedre patientplejen ved at give hurtigere og mere effektiv triage af patientbeskeder baseret på alvoren af deres tilstand og besked.

Udfordringer og etiske overvejelser

En udfordring med AI-implementering i sundhedssektoren er at sikre overholdelse af regler, patientssikkerhed og klinisk effikacitet, når AI-værktøjer bruges. Mens kliniske forsøg er standarden for nye behandlinger, er der en debat om, hvorvidt AI-værktøjer skal følge samme tilgang. En anden bekymring er risikoen for dataudlad og kompromitteret patientprivatliv. Store sprogmodeller, der er trænet på beskyttet data, kan potentielt lække kildedata, hvilket udgør en betydelig trussel mod patientprivatlivet. Sundhedsorganisationer må finde måder at beskytte patientdata og forhindre udlad på at opretholde tillid og fortrolighed. Forudsigelser i træningsdata er også en kritisk udfordring, der skal løses. For at undgå forudsigelige modeller må bedre metoder til at undgå forudsigelser i træningsdata introduceres. Det er afgørende at udvikle træning og akademiske tilgange, der muliggør bedre modeltræning og inkorporerer lighed i alle aspekter af sundhedssektoren for at undgå forudsigelser.

Brugen af AI har åbnet en række nye bekymringer og grænser for innovation. Yderligere studier af, hvor sand klinisk fordel kan findes i AI-brug, er nødvendig. For at løse disse udfordringer og etiske bekymringer må sundhedsudbyderorganisationer og softwarevirksomheder fokusere på at udvikle datamængder, der nøjagtigt modellerer sundhedsdata, samtidig med at de sikrer anonymitet og beskytter privatlivet. Derudover må sundhedsudbydere, systemer og teknologi/softwarevirksomheder etablere partnerskaber for at bringe AI-værktøjer i praksis på en sikker og gennemtænkt måde. Ved at løse disse udfordringer kan sundhedsorganisationer udnytte AI’s potentiale, samtidig med at de opretholder patientssikkerhed, privatliv og lighed.